Tutorial Contoh Analisis Regresi Logistik binerdikotomi dengan SPSS Pada hari sebelumnya Telah dibahas tentang konsep dari regresi Logistik Biner. Sesuai dengan Janji penulis akan dibahas esercitazione regresi Logistik Biner dengan SPSS. (Kayak pemilu AJA ya.:p). Untuk contoh Kasus Kali ini, terinspirasi dari tugas Kelompok perkuliahan yang diambil dari tugas kakak Tingkat. Bisa dibilang Copas Lah ya. TAPI, Jangan Visualizzati di recente Dari copasnya. TAPI Lihat dari niatnya dan keinginan untuk saling berbagi semoga dapat membantu mengerjakan tugas, skripsi, Tesis atau bahkan disertasi. Contoh Kasus Analisis Regresi Logistik Biner: Dilakukan simulasi untuk Melihat pengaruh Antara variabel profitabilitas, kompleksitas Perusahaan, revisore opini, likuiditas dan Ukuran Perusahaan terhadap ketepatan penyampaian laporan keuangan tahunan Perusahaan. Profitabilitas diukur dengan ROA variabel kompleksitas terdiri atas 2 kategorik yaitu diberi Angka 2 jika mempunyai Anak Perusahaan dan 1 jika Perusahaan Tidak mempunyai Anak Perusahaan opini revisore diukur dengan 2 jika mendapatkan opini wajar Tanpa pengecualian dan 1 untuk opini di Più likuiditas diukur dengan Indice Corrente dan Ukuran Perusahaan diukur dengan logaritma valore di mercato naturale. Variabel terikatnya Adalah ketepatan penyampaian laporan keuangan, dengan Kode 1 untuk Perusahaan Yang tepat waktu dan 0 untuk Perusahaan yang terlambat. Dati yang digunakan Dalam penelitian ini tidak ditampilkan mungkin kalau teman ingin mencoba Juga Bisa didownload dibagian bawah nanti ya. Dalam esercitazione ini menggunakan SPSS 20.Langsung saja ya dengan Langkah-langkahnya. Langkah-Langkah Dalam pengujian Analisis regresi Logistik Pada posisi file di Telah TERBUKA, Maka akan terlihat pada Layar dati tentang ketepatan penyampaian laporan keuangan Perusahaan dengan sejumlah variabel-variabelnya. Untuk menganalisis, Langkah awalnya menù Pilih Adalah Analizzare. kemudian Pilih regressione logistica binaria dan. Maka Akan Muncul tampilan seperti di bawah ini. Masukan variabel yang berfungsi sebagai variabel tak bebas dari scatola variabel ke Kolom dipendente. Dan masukan semua varibel bebas pada Kotak covariate. Untuk Metodo, Pilih Invio. Sebenarnya Bisa dipilih metode APA saja modello Karena yang akan terbentuk sama (Dalam Artian penduga-penduga parameternya Akan memiliki Nilai-sama nilai yang). tetapi Akan, metode khusus Enter, Harus dilakukan prose dua kali. Pertama, dati di corsa dengan semua variabel untuk mengetahui variabel mana yang signifikan, setelah ITU di eseguire Lagi dengan menggunakan variabel yang signifikan ITU. Modello yang akan terbentuk modello sama dengan yang diperoleh dengan metode lain. Klik categoriale. masukkan Semua Variabel Bebas yang berbentuk Kategori Pada Kotak covariate ke Dalam Kotak covariate categoriche. contras biarkan indicatore pada di default. riferimento kategori Pilih bagian kategori yang akan dipakai sebagai referensi atau pembanding yang akan digunakan Dalam interpretasi odds ratio untuk. Dapat menggunakan kategori Akhir (ultimo) atau kategori Pertama (prima). Dalam penelitian ini digunakan kategori Akhir (ultimo). Kemudian klik Continua. Setelah opzione di menu Pilih ITU. centang cronologia delle iterazioni untuk dapat mengetahui prose iterasi yang Telah berlangsung. Selain ITU, Akan Classificazione ditemukan tagliato fuori, Yang pada kondisi predefinita Sudah diisi dengan 0.5. Nilai ini disebut dengan il atau probabilità a priori valore di cut. peluang Suatu observasi untuk masuk ke salah Satu Kelompok sebelum karakteristik variabel penjelasnya diketahui. Jika kita Tidak mempunyai Informasi tambahan tentang dati kita, Maka kita Bisa menggunakan predefinita. Misalnya penelitian Pada ini, sebelumnya Tidak pernah dilakukan penelitian apakah Ukuran Perusahaan condong pada Satu sisi. dengan Alasan ini, dapat classificazione digunakan cutoff sebesar 0,5. Namun, misalnya Pada penelitian ada yang lain Telah meneliti maka Bisa dinaikkanditurunkan classificazione di taglio sesuai Hasil penelitian. Dalam penelitian ini semua variabel Numerik Dalam predefinito 0,5. Abaikan bagain di Più, klik continuare. Abaikan bagian di Più, dan tekan OK maka akan keluar uscita dari Regresi Logistik. Intrepretasi Hasil Analisis regresi Logistik Setelah dari uscita keluar Hasil esecuzione dei dati di SPSS maka diperoleh Hasil Analisis sebagai berikut: Identifikasi dati yang hilang Pada recapitassero Di ATAS, dapat Visualizzati di recente i dati Tidak ada yang hilang (mancano i casi). Pemberian Kode variabel respon Oleh SPSS Menurut pengkodean SPSS, Yang termasuk kategori Sukses Adalah penyampaian laporan keuangan tahunan yang tepat. Pemberian Kode untuk Variabel penjelas yang kategorik Pengkodean variabel penjelas Hanya dilakukan untuk variabel penjelas yang kategorik Karena akan dibentuk manichino Variabel. Penelitian ini menggunakan dua Variabel penjelas yang kategorik yaitu variabel Opini dan variabel Kompleksitas. Untuk opini variabel. nantinya yang akan digunakan sebagai codice di riferimento (Kode pembanding) Adalah Wajar Tanpa Pengecualian (Lihat pada tabel di ATAS bagian parametro codifiche yang berkode nol). Sementara untuk variabel Kompleksitas. yang menjadi Kode pembanding Adalah Punya Anak Perusahaan. Kode pembanding ini akan digunakan untuk interpretasi Odds Ratio. Uji Signifikansi Modello Dari Hasil SPSS dapat digunakan tabel 8220 Test Omnibus del Modello Coefficienti 8221 untuk Melihat Hasil pengujian Secara SIMULTAN pengaruh variabel bebas ini. Berdasarkan tabel di ATAS diperoleh nilai Sig. Model sebesar 0.000. Karena Nilai ini Lebih kecil dari 5 maka Kita menolak Ho pada Tingkat signifikansi 5 sehingga disimpulkan bahwa variabel bebas yang digunakan, Secara bersama-sama berpengaruh terhadap ketepatan penyampaian laporan keuangan Suatu Perusahaan. Atau minima ada Satu variabel bebas yang berpengaruh. Persentase Ketepatan Klasifikasi (percentuale corretta) Persentase modello ketepatan Dalam mengkasifikasikan observasi Adalah 78,6 persen. Artinya Dari 70 observasi, ada yang 55 observasi tepat pengklasifikasiannya Oleh modello regresi Logistik. Jumlah observasi yang tepat pengklasifikasiannya dapat Visualizzati di recente pada Utama diagonale. Uji Parsial Dan Pembentukan Modello Pada uji diharapkan Ho akan ditolak sehingga variabel yang Sedang diuji masuk modello ke Dalam. Dengan bantuan tabel 8220Variables in The dapat Visualizzati di recente variabel mana saja yang berpengaruh signifikan sehingga Bisa dimasukkan ke modello Equation8221. Jika Nilai sig. lta maka Ho ditolak. Berdasarkan Hasil di ATAS diketahui bahwa terdapat 2 variabel bebas Yang signifikan berpengaruh terhadap ketepatan penyampaian laporan keuangan Perusahaan Karena Masing-Masing variabel tersebut memiliki nilai signifikansi yang Lebih kecil Dari A5. Variabel-variabel tersebut Adalah Profitabilitas (Sig.0.004) dan Likuiditas (Sig.0.000). Modello yang terbentuk Adalah: Dimana: X1i Profitabilitas X2i Likuiditas i1,2,8230, n 7. Interpretasi Odds Ratio Nilai Odds ratio ini Juga disediakan Oleh tabel 8220 variabili nell'equazione 8221 pada Kolom Exp (B): Berdasarkan Hasil di ATAS kita dapat menginterpretasikan Odds ratio sebagai berikut: Jika jumlah profitabilitas Perusahaan bertambah 1 unità maka kecendrungan Perusahaan tersebut untuk tepat waktu menyampaikan laporan keuangan menjadi 2.780 kali Lipat. Sebuah Perusahaan yang Tidak mempunyai Anak Perusahaan akan memiliki kecenderungan untuk menyampaikan laporan keuangan Secara tepat waktu sebesar 3.057 kali dibanding Perusahaan yang memiliki Anak Perusahaan (codice di riferimento pada merujuk). Perusahaan dengan opini revisore Adalah opini Lain cenderung 0,848 kali (Lebih rendah) untuk tepat waktu Dalam menyampaikan laporan keuangan dibanding dengan Perusahaan yang Wajar Tanpa Pengecualian. Jika rapporto attuale pada likuiditas bertambah 1 persen maka Perusahaan akan cenderung 1.708 kali untuk tepat waktu menyampaikan laporan keuangannya. Ketika Ukuran Perusahaan bertambah 1 unità maka Perusahaan tersebut cenderung 1.123 kali untuk tepat waktu Dalam menyampaikan laporan keuangannya. Buat yang ingin mencoba scaricare silahkan filenya dibawah ini: esercitazione reglog moschettone (SPSS 20) Scritto da: Nasrul Setiawan Terima kasih Sudah membaca artikel Analisis regresi Regresi Logistik SPSS dengan judul Tutorial Contoh Analisis Regresi Logistik binerdikotomi dengan SPSS. Anda Bisa segnalibro Halaman ini dengan URL statistikceria. blogspot201301tutorial-analisis-regresi-logistik. html. Apabila ada yang kurang Jelas silahkan tinggalkan komentar atau pesan. Regresi logistico merupakan salah satu Analisi multivariata, Yang berguna untuk memprediksi variabel dipendente variabel berdasarkan independen. Pada regresi logistica, dependen variabel Adalah variabel dikotomi (kategori). Ketika kategori variabel dependennya berjumlah dua kategori maka digunakan logistica binaria, dan ketika dependen variabelnya Lebih dari dua kategori maka digunakan multinomiale regressione logistica. Lalu ketika dependen variabelnya berbentuk classifica, Maka disebut dengan ordinale regressione logistica. Konsep Regresi Logistik Regresi logistik alternativa merupakan uji jika asumsi multivariata distribuzione normale pada variabel bebasnya Tidak Bisa terpenuhi ketika akan dilakukan Analisis diskriminan. Tidak terpenuhinya asumsi ini dikarenakan variabel bebas merupakan campuran Antara variabel kontinyu (metrico) dan kategorial (non metrico). Misalnya, probabilitas bahwa orang yang menderita Serangan jantung pada waktu tertentu dapat diprediksi dari Informasi USIA, merokok kebiasaan, Jenis kelamin, dan lainnya. Asumsi Regresi Logistik Regresi logistik Tidak membutuhkan hubungan linier Antara variabel bebas dengan variabel terikat. Regresi Logistik dapat menyeleksi hubungan Karena menggunakan pendekatan non linier accedere transformasi untuk memprediksi odds ratio. Dalam Odd regresi Logistik SERING dinyatakan probabilitas sebagai. Misal Odd Sebuah Perusahaan dapat bangkrut atau berhasil atau strano seorang Anak dapat Lulus atau Tidak pada Ujian Nasional. Variabel bebas Tidak memerlukan asumsi multivariata normalità Asumsi homokedastis Tidak diperlukan Variabel bebas Tidak Perlu dirubah ke bentuk metrica (intervallo atau rapporto Skala) CONTOH Kasus regressione logistica dati Yang Diberikan Adalah dati Fiktif Bukan dati Sebenarnya, Cuma Sebagai Latihan Uji Statistik seorang dokter ingin mengetahui probabilitas seorang pasien terkena penyakit jantung berdasarkan rutinitas kebiasaan merokok dan USIA dati dikumpulkan dari Catatan Medis sebanyak 30 orang pasien yang melakukan pemeriksaan Kesehatan di RS ABC merokok (1), TDK merokok (0) Usia (USIA Dalam tahun) menù Pada Analizzare, Pilih Regressione gtgt binario logistica Masukkan variabel sakit ke dipendente, variabel kemudian rokok dan USIA ke 8220covariate box8221 Kemudian, Opzioni Klik, Lalu beri tanda Pada classificazione Parcelle, Hosmer-Lemeshow GoF, matrice di correlazione, la storia dan itteration Klik Continua, kemudian OK HASIL Dan INTERPRESTASI Menilai modello Fit Untuk menilai modello adatto dapat diperhatikan nilai statistik -2LogL yaitu Tanpa mengikutsertakan variabel Hanya berupa konstanta yaitu sebesar 41,589. Ketika dimasukkan 2 variabel Baru maka prediksi nilai -2LogL sebesar 16.750. Artinya terdapat penurunan sebesar 41,589 8211 16,750 24,839. Untuk -2LogL Pertama diperoleh nilai 41,589 dengan df1 30-1 29. Nilai ini signifikan pada alpha 5 yang berarti Ho ditolak, artinya modello Tidak in forma. Nilai -2LogL kedua Adalah sebesar 16.750 dengan DF2 30-3 27 Adalah Tidak signifikan pada alfa 5. (Nilai statistik -2LogL di ATAS dibandingkan dengan nilai Statistik distribusi x2.), modello di artinya dati dengan in forma. Statistik - LogL dapat digunakan untuk menentukan apakah jika variabel bebas dimasukkan Dalam modello dapat modello mempengaruhi Secara signifikan. dengan selisih 24,839 dan df (DF1-df229-272) Maka menunjukkan Angka ini signifikan pada alfa 5. Hal ini berarti Ho ditolak dan modello in forma di dati dengan. Cox n Snell8217s R Piazza Adalah Ukuran pengaruh bersama yaitu sebesar 0,563 dan nilai Nagelkerke R Piazza Adalah sebesar 0,751. dengan demikian dapat disimpulkan bahwa kemampuan variabel bebas menjelaskan modello Adalah sebesar 75.10. Selanjutnya, Hosmer e Lemeshow8217s GoF dilakukan untuk menguji hipótesis. Jika sig lt 0,05 maka Ho ditolak yang ada berarti perbedaan signifikan Antara modello dengan Nilai observasinya. Jika sig gt 0.05 Maka Ho diterima, artinya Tidak ada perbedaan Antara modello dan Nilai observasinya. Statistik Hosmer e Lemeshow8217s GoF diperoleh sebesar 0.594 (GT 0,05) sehingga dapat dinyatakan bahwa dati del modello in forma dengan. Hosmer e Lemeshow8217s GoF Juga menghasilkan nilai 6.475 probabilitas dengan sebesar 0594 sehingga dapat disimpulkan modello bahwa dati in forma dengan. Estimasi Parametro Dan Interprestasi Estimasi massima Likehood modello parametro dapat Visualizzati di recente variabili di uscita Dari pada recapitassero nell'equazione. Regressione logistica kemudian dapat dinyatakan: Ln P1-P -11,506 5.348 rokok 0,210 Usia. Variabel bebas kebiasaan merokok signifikan dengan probabilitas sebesar 0,004 (lt 0.05) dan variabel USIA Juga signifikan dengan probabilitas 0.032. dengan memperhatikan persamaan ini maka dapat diinterprestasikan FFS: Log di Odds seseorang terkena Secara Positif berhubungan dengan rokok. Probabilitas Atau Odds seorang terkena penyakit jantung jika ia perokok Adalah sebesar 5.348. artinya seorang perokok memiliki kemungkinan terkena Serangan jantung 5,35 kali Lebih besar dibanding yang Tidak merokok. Jika variabel rokok dianggap Konstan, Maka probabilitas seseorang terkena Serangan jantung Adalah sebesar 0,210 pada setiap kenaikan Satu tahun USIA. Jika rokok dianggap Konstan, Maka seseorang memiliki probabilità terkena penyakit jantung Adalah sebesar 1.233 untuk setiap penambahan USIA. Sementara Jika USIA bernilai konstan maka probabilità seorang terkena penyakit jantung Adalah sebesar 210,286 untuk perokok dibandingkan dengan yang Tidak merokok. Hasil complessiva Adalah tasso CLASSIFICAZIONE sebesar 90,0 pada cutoff 50 Pertama. Variabel rokok dan USIA memiliki hubungan positif probabilità dengan penyakit jantung Kedua. Jika USIA bernilai Konstan, Maka seorang perokok memiliki probabilità terkena penyakit jantung sebesar 5.384 kali Lebih besar dibanding yang Tidak merokok Ketiga. Jika rokok bernilai Konstan, Maka probabilità seorang terkena penyakit jantung Adalah sebesar 0,210 pada setiap penambahan USIA. Cuma diingatkan8230.data yang Diberikan Adalah dati Fiktif Bukan dati Sebenarnya, Cuma Sebagai Latihan Uji Statistik Imam Ghozali. 2009. programma dengan Aplikasi Analisis multivariata SPSS. Semarang BP: Undip, Hal. 261-275Konsep Regresi Logistik BinerDikotomi Analisis regresi Logistik merupakan metode Analisis yang biasanya digunakan Oleh Mahasiswa Dalam menyelesaikan skripsi berkaitan dengan skripsi tentang persepsi. bahasa gaul metode ini biasa disebut reglog. Untuk pembahasan kali akan dibahas materi reglog Dulu. Dan Akan dilakukan untuk contoh kasusnya dengan software SPSS. Mudah-mudahan Bisa membantu para cendikiawan muda termasuk penulis sendiri. hehehhe Analisis regresi Logistik digunakan untuk menjelaskan hubungan Antara variabel respon yang dati berupa dikotomikbiner dengan variabel bebas intervallo yang dati berupa berskala dan atau kategorik (Hosmer Dan Lemeshow, 1989). Variabel yang dikotomikbiner Adalah variabel yang Hanya mempunyai Dua kategori Saja, yaitu kategori Yang menyatakan Sukses kejadian (Y1) Dan kategori Yang menyatakan Gagal kejadian (Y0). pada modello modello lineare Umum komponen acak Tidak Harus mengikuti sebaran normale, Harus TAPI masuk Dalam sebaran Keluarga eksponensial. Sebaran bernoulli termasuk Dalam salah Satu dari sebaran Keluarga eksponensial. Variabel respon Y ini, diasumsikan mengikuti distribusi Bernoulli. Timbul pertanyaan: Perbedaan Antara regresi Logistik dengan Analisis regresi biasa kenapa Tidak Pakai Analisis regresi biasa aja Sebenarnya untuk masalah diatas Bisa digunakan Analisis regresi OLS. Tapi Harus memenuhi asumsi bahwa 0 lt E (Yi 247 Xi) lt 1. Namun persyaratan tersebut Sulit untuk terpenuhi. sehingga metode regresi OLS kurang cocok dati Untuk kuantitatif dan Lebih baik menggunakan metode regresi Logistik. contoh Kasus Dalam regresi logsitik Biner: Pengaruh Tingkat Pendidikan, Lapangan Kerja YG dimasuki, Pendapatan, Pengeluaran, Jumlah stato ARTE terhadap kemiskinan (MiskinTIdak Miskin). Pengaruh Pendapatan Keluarga, Banyaknya Anggota Keluarga, Jenis rumah, Usia Kepala Keluarga terhadap Kepemilikan Rumah (Punya rumahtidak) Berdasarkan Dua contoh tersebut mungjkin Sudah membuka pikiran untuk Kasus seperti APA regresi Logistik digunakan. intinya variabel dependentnya dikotomi artinya memiliki dua kategori seperti pada Kasus diatas yang ditebal. Kenapa cuma dua kategori aja Tidak Bisa Lebih dari Tiga kategori Untuk metode ini tidak Bisa Karena Hanya Bisa dua sesuai dengan namanya. untuk masalah diatas ada yang metode rimasto Bisa digunakan yaitu regresi Logistik ordinale. Bagaimana Langkah-Langkah atau prosedur statistiknya sebagai referensi Buat skripsi. hehehe Bentuk modello Umum peluang regresi Logistik dengan p penjelas Variabel, diformulasikan sebagai berikut: dengan (x) Adalah peluang kejadian Sukses dengan nilai probabilita 08804 (x) 88041 dan j Adalah parametro Nilai dengan j 1,2. p. (X) merupakan fungsi yang non linier, sehingga Perlu dilakukan transformasi ke Dalam bentuk logit untuk memperoleh fungsi yang linier agar dapat Visualizzati di recente hubungan Antara variabel bebas dan variabel non libero. Dengan melakukan transformasi dari logit (x), Maka didapat persamaan yang Lebih Sederhana, yaitu: Jika Dari beberapa variabel bebas ada yang berskala nominale atau ordinale, Maka variabel tersebut Tidak akan tepat jika dimasukkan Dalam modello logit Karena Angka-Angka yang digunakan untuk tingkatan menyatakan tersebut Hanya sebagai identifikasi dan tidak mempunyai nilai Numerik Dalam situasi seperti ini diperlukan variabel manichino. Untuk variabel bebas dengan Skala ordinale maupun nominale dengan k kategori, diperlukan Akan sebanyak k-1 variabel manichino. Asumsi-asumsi Dalam regresi Logistik: Tidak hubungan mengasumsikan linier antar variabel dependen dan indipendente Variabel dependen Harus bersifat dikotomi (2 variabel) Variabel indipendente Tidak Harus memiliki keragaman yang sama antar Kelompok variabel Kategori Dalam variabel indipendente Harus terpisah Satu sama Lain atau bersifat eksklusif Sampel yang diperlukan Dalam jumlah relatif Besar, minimo dibutuhkan hingga 50 dati Sampel untuk Sebuah variabel prediktor (bebas). Pendugaan Parametro Metode untuk mengestimasi parametro parametro-yang Tidak diketahui modello Dalam regresi Logistik Ada 3 yaitu: 1. Metode kemungkinan maksimum (Massimo Metodo di verosimiglianza) 2. Metode KUADRAT terkecil tertimbang noniterasi (Noniterative peso metodo dei minimi Square) 3. Analisis fungsi diskriminan (Discriminant Analisi fuction) Pada dasarnya metode maksimum Probabilità merupakan metode KUADRAT terkecil tertimbang dengan beberapa prose iterasi, sedangkan metode peso noniterative metodo dei minimi quadrati Hanya Satu menggunakan kali iterasi. kedua metode ini equivalente asymptoticaly. artinya Jika Ukuran Sampel besar keduanya akan stimatore menghasilkan yang Identik. Penggunaan fungsi diskriminan mensyaratkan variabel penjelas yang kuantitatif berdistribusi normale. Oleh Karena itu, penduga dari fungsi diskriminan akan sopra stima penjelas bila Variabel Tidak berdistribusi normale. Dari Ketiga metodei di ATAS, metode Yang banyak digunakan Adalah metode maksimum probabilità dengan Alasan Lebih Praktis (Nachrowi Dan Usman, 2002). Metode maksimu likelihoood ini menduga parametro dengan nilai yang memaksimumkan fungsi probabilità (funzione di verosimiglianza). Uji Signifikansi Modello Untuk mengetahui pengaruh variabel bebas terhadap variabel non libero Secara bersama-sama (complessiva) modello Dalam di, dapat menggunakan Uji Rapporto di verosimiglianza. Hipotesisnya Adalah sebagai berikut: Ho: 1 2. p 0 (Tidak Ada pengaruh veriabel bebas Secara SIMULTAN terhadap variabel tak bebas) H1: minimal ada Satu j 8800 0 (Ada pengaruh palizzata sedikit Satu veriabel bebas terhadap variabel tak bebas) Untuk j 1,2. p Statistik uji yang digunakan Adalah: Lo Maksimum Lieklihood dari modello reduksi (Reduced Model) modello atau Yang terdiri dari konstanta saja Lp Maksimum modello Probabilità dari Penuh (modello completo) atau dengan semua variabel bebas. Statistik G2 ini mengikuti distribusi Khi-KUADRAT dengan derajad bebas p sehingga hipótesis ditolak jika p-value lt, Yang berarti variabel bebas X Secara bersama-sama mempengaruhi variabel tak bebas Y. Uji Parsial dan Pembentukan Modello Pada umumnya, tujuan analsis Statistik Adalah untuk mencari modello yang cocok dan keterpautan yang kuat Antara dati modello dengan yang ada. parametro keberartian Pengujian (koefisien) Secara parsial dapat dilakukan melalui Uji Wald dengan hipotesisnya sebagai berikut: Ho: j 0 (variabel bebas ke j Tidak mempunyai pengaruh Secara signifikan terhadap variabel non libero) H1: j 8800 0 (variabel bebas ke j mempunyai pengaruh Secara signifikan terhadap variabel non libero) Untuk j 1,2. p Dengan statistik uji sebagai berikut: hipótesis Akan ditolak jika p-value lt yang berarti variabel bebas Xj Secara parziale mempengaruhi variabel non libero rapporto Y. odds ratio Odds merupakan Ukuran risiko atau kecenderungan untuk mengalami kejadian 8216sukses 8216 Antara Satu kategori dengan kategori lainnya, didefinisikan odds sebagai rapporto dari untuk xj 1 terhadap XJ 0. odds ratio ini menyatakan risiko atau kecenderungan pengaruh observasi dengan xj 1 Adalah berapa kali Lipat jika dibandingkan dengan observasi dengan xj 0. untuk variabel bebas yang berskala kontinyu maka interpretasi dari koefisien j modello pada regresi Logistik Adalah setiap kenaikan c unità pada variabel bebas akan menyebabkan risiko terjadinya Y 1, Adalah exp (CJ) kali Lebih Besar. Odds ratio dilambangkan dengan, didefinisikan sebagai perbandingan dua nilai odds xj 1 dan xj 0, sehingga: Siang mas. Saya dell'ECHA. ingin menanyakan..pada penelitian saya (dati non parametrik, var dependen dan Indipenden keduanya Rasio) didapat Hasil korelasi lanciere YG bermakna. saya ingin melanjutkan regresinya..tp setelah saya uji regresi liniernya trnyt residualnya uji Kolmogorov Tidak terdistribusi juga..hehhe normale. Sebaiknya saya menggunakan regresi APA ya mas apakah ore menggunakan regresi Logistik (saya Rasio dati pdhal) .. MHN pencerahannya ya mas..tksh bnyk Siang. kalau datanya Rasio mungkin Lebih baik menggunakan korelasi Pearson. kalau datanya Tidak normale Bisa dicoba transformasi Dulu variabelnya mas. Assalamu39alaikum. Ka, mau Tanya. Di logit, Kalo salah Satu variabel prediktor yang bentuknya logaritma naturale (ln), misanya variabel pengeluaran Dalam bentuk ln, ITU gimana interpretasi odds ratio Nya APA sama aja Kaya di Analisis regresi linier odds ratio Misal Nya 3, berarti TIAP kenaikan satu persen pengeluaran, kecenderungan quotsuksesquot Akan meningkat sebesar 3 kali. apa seperti ITU terimakasih. jazakumullaahu khairan. Wa39alaikumsalam, knapa di-ln-kn dek rammendo variabelnya yang mentah Saja, Tidak usah ditransformasi, supaya reglognya Tidak mubazir. dek sama2. di-ln-kn, tujuannya Biar mempermudah interpretasi ka, TAPI ternyata Malah bingung cara nginterprestinya. kalo GAK di-ln-kn, ketika odds Nya 2, berarti intrpretasinya: setiap pertambahan quotsatuquot rupia pengeluaran, meningkatkan kecenderungan quotsuksesquot sebesar 2x, apakah seperti ITU Maksud dari quotreglognya mubadzirquot ITU GMN makanya Tidak usah di-ln-kan dek, selain jd makin Susah interpretasi, biasanya transformasi dilakukan untuk menormalkan dati, sementara metode reglog Tidak butuh asumsi normalitas. Reglog metode ITU yang persyaratannya palizzata Ringan di Antara metode regresi rimasto, Jadi kalau datanya diperlakukan seperti ketika memakai regresi biasa (YG syaratnya banyak) itu saya menurut mubazir. Assalamu39alaykum Mas Chalik Mawardi. Mohon izin saya ikut Nanya Juga ya, Sedang menyusun skripsi. Ada beberapa pertanyaan: 1. Apakah dati berskala ordinale Bisa Hanya terdiri dari dua kategori Contohnya para pelamar PNS dikategorikan menjadi quotlulus tesquot dan quottidak Lulus tesquot. 2. Variabel penelitian saya Hanya terdiri dari Satu variabel dependen dan Satu variabel independen. Variabel dependennya sebenarnya terdiri dari 4 kategori, tetapi Bisa Juga diolah menjadi dikotomi. Sedangkan untuk variabel independennya intervallo, tetapi Juga Bisa diolah menjadi dhikotom. Mohon saran Mas Chalik sebaiknya saya menggunakan metode statistik APA Terima kasih sebelumnya. Wa 39alaikummsalam 1. Tidak, ordinali maksudnya ITU, kategori, TAPI memiliki tingkatan, berapapun banyaknya kategori tersebut. Misal, i dati ranking siswai, IP mahasiswai, Jabatan Pekerja, jenjang Pendidikan (SD, smp, SMA), DSB 2. Kalau Visualizzati di recente dari Jenis datanya, Bisa Pakai regresi Logistik atau probit assalamualaikum, mas Saya mau Nanya. saya Masih Belum paham soal penggunaan variabel manichino. Jadi penelitian saya tu datanya ordinale dengan Satu variabel independen dan Satu variabel dependen. TAPI penelitian saya ini dilakukan pada dua Kelompok yaitu Kelompok sasaran dan Kelompok Kontrol. sebelumnya saya meneliti korelasi variabel x terhadap y pada Kelompok sasaran, selanjutnya saya bandingkan dengan Kelompok Kontrol mana yang pengaruhnya Lebih besar terhadap variabel y. Dosen saya menyarankan untuk di manichino, TAPI saya BLM paham mas. Mohon pncerahannya bgmn caranya, trus apakah Bisa menggunakan SPSS atau gimana mas terimakasih sebelumnya. Pagi Pak, saya mau bertanya bagaimana cara mengolah regresi Logistik dengan variabel dependen 2 kategori TAPI variabel independennya ada Tiga kategori. Misal dependennya menerima opini continuità diberi Kode 1 dan menerima opini non continuità 0 Lalu independennya kondisi keuangan bangkrut diberi Kode 1, Rawan diberi Kode 0, Sehat diberi Kode -1. Mohon pencerahannya pak, Makasi untuk kemudahan Coba Ganti Kode variabel independennya menjadi 1, 2 dan 3. jumlah pilihan pada variabel independen Tidak masalah Masih Bisa dijalankan dengan programma populer seperti SPSS. Coba buka SPSS gt trus Analisis gt regressi gt logistica moschettone (logistica binario). taruh variabel independen di covariate. ITU Jika ingin menggunakan Logistik Biner. Jika ingin menggunakan Logistik generale maka Bisa buka SPSS trus Analisis gt logistica gt generale gt taruh di covariate digunakan Jika variabel kategorik. coba Dulu yaa
No comments:
Post a Comment