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 tutorial regresi logistik biner dengan SPSS. (Kajak 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 dilihat 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, opini Auditor, 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 auditor diukur dengan 2 jika mendapatkan opini wajar tanpa pengecualian dan 1 untuk opini yang lain likuiditas diukur dengan Aktuelle Ratio dan ukuran Perusahaan diukur dengan logaritma natürlichen Marktwert. Variabel terikatnya adalah ketepatan penyampaian laporan keuangan, dengan kode 1 untuk perusahaan yang tepat waktu dan 0 untuk perusahaan yang terlambat. Daten yang digunakan dalam penelitian ini tidak ditampilkan mungkin kalau teman ingin mencoba juga bisa dolchisch bawah nanti ya. Dalam tutorial ini menggunakan SPSS 20.Langsung saja ya dengan langkah-langkahnya. Langkah-langkah dalam pengujian analisis regresi logistik Pada posisi datei telah terbuka, maka akan terlihat pada layar daten tentang ketepatan penyampaian laporan keuangan perusahaan dengan sejumlah variabel-variabelnya. Untuk menganalisis, langkah awalnya adalah pilih menu Analysieren. Kemudian pilih Regression dan Binary Logistic. Maka akan muncul tampilan seperti di bawah ini Masukan variabel yang berfungsi sebagai variabel tak bebas dari box variabel ke kolom abhängig. Dan masukan semua varibel bebas pada kotak Covariate. Untuk-Methode, Pilih Enter. Sebenarnya bisa dipilih metode apa saja karena modell yang terbentuk akan sama (dalam artian penduga-penduga parameternya akan memiliki nilai-nilai yang sama). Akan tetapi, khusus metode Enter, harus dilakukan proses dua kali. Pertama, Daten di run dengan semua variabel untuk mengetahui variabel mana yang signifikan, setelah itu di run lagi dengan menggunakan variabel yang signifikan itu. Modell yang terbentuk akan sama dengan Modell yang diperoleh dengan metode lain. Klik kategorisch. Masukkan semua variabel bebas yang berbentuk kategori pada kotak kovariate ke dalam kotak kategorischen kovariaten. Biarkan contras pada default indikator Untuk referenz kategori pilih bagian kategori yang akan dipakai sebagai referensi atau pembanding yang akan digunakan dalam interpretasi Odds Ratio. Dapat menggunakan kategori akhir (zuletzt) atau kategori pertama (zuerst). Dalam penelitian ini digunakan kategori akhir (zuletzt). Kemudian klik Weiter. Setelah itu Pilih Menü Option. Centang Iterationsgeschichte untuk dapat mengetahui proses iterasi yang telah berlangsung. Selain itu, akan ditemukan Klassifikation abgeschnitten, yang pada kondisi default sudah diisi dengan 0.5. Nilai ini disebut dengane Wert vor der Wahrscheinlichkeit. Peluang suatu observasi untuk masuk ke salah satu kelompok sebelum karakteristik variabel penjelasnya diketahui. Jika kita tidak mempunyai informasi tambahan tentang daten kita, maka kita bisa menggunakan default. Misalnya pada penelitian ini, sebelumnya tidak pernah dilakukan penelitian apakah ukuran perusahaan condong pada satu sisi. Dengan alasan ini, dapat digunakan klassifikation cutoff sebesar 0,5. Namun, misalnya pada ada penelitian lain yang telah meneliti maka bisa dinaikkanditurunkan klassifizierung cutoff sesuai hasil penelitian. Dalam penelitian ini semua variabel numerik dalam default 0,5. Abaikan Bagain Yang Lain, klik weiter. Abaikan Bagian Yang Lain, Dan Tekan OK Maka Akan Keluar Ausgang Dari Regresi Logistik. Intrepretasi Hasil analisis regresi logistik Setelah keluar Auslauf dari hasil laufende Daten von SPSS maka diperoleh hasil analisis sebagai berikut: Identifikasi Daten yang Hilang Pada tabel di atas, dapat dilihat tidak ada Daten yang hilang (fehlende Fälle). Pemberian Kode Variabel Reson 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 dummy variabel. Penelitian ini menggunakan dua variabel penjelas yang kategorik yaitu variabel Opini dan variabel Kompleksitas. Untuk variabel opini Nantinya yang akan digunakan sebagai referenzcode (kode pembanding) adalah Wajar Tanpa Pengecualian (lihat pada tabel di atas bagian Parameter codings yang berkode nol). Sementara untuk variabel Kompleksitas. Yang menjadi kode pembanding adalah Punya anak perusahaan Kode pembanding ini akan digunakan untuk interpretasi Quotenverhältnis. Uji Signifikansi Model Dari hasil SPSS dapat digunakan tabel 8220 Omnibus Tests von Modell Koeffizienten 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 minimal ada satu variabel bebas yang berpengaruh Persentase Ketepatan Klasifikasi (Prozentsatz korrigieren) Persentase Ketepatan Modell dalam mengkasifikasikan observasi adalah 78.6 persen. Artinya dari 70 Beobachtungen, Ada 55 Beobachtungs-Yang Tepat Pengklasifikasiannya Oleh Modell Regresi Logistik. Jumlah Beobachtungs-Yang Tepat Pengklasifikasiannya Dapat Dilihat Pada Diagonal Utama. Uji Parsial dan Pembentukan Modell Pada uji diharapkan Ho Akan ditolak Sehingga Variabel Yang Sedang Diuji Masuk Ke Dalam Modell. Dengan Bantuan Tabel 8220Variables in der Gleichung8221 Dapat Dilihat Variabel Mana Saja Yang Berpengaruh Signifikan Sehingga Bisa Dimasukkan Ke Modell. 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). Modell yang terbentuk adalah: Dimana: X1i Profitabilitas X2i Likuiditas i1,2,8230, n 7. Interpretasi Odds Ratio Nilai Quotenverhältnis ini juga disediakan oleh tabel 8220 Variablen in der Gleichung 8221 pada kolom Exp (B): Berdasarkan hasil di atas kita dapat Menginterpretasikan Quotenverhältnis sebagai berikut: Jika jumlah Profitabilitas perusahaan bertambah 1 Einheit 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 (merujuk pada referenzcode). Perusahaan dengan opini Auditor adalah opini lain cenderung 0.848 kali (lebih rendah) untuk tepat waktu dalam menyampaikan laporan keuangan dibanding dengan perusahaan yang Wajar tanpa Pengecualian. Jika Aktuelle Beziehung pada likuiditas bertambah 1 persen maka perusahaan akan cenderung 1.708 kali untuk tepat waktu menyampaikan laporan keuangannya. Ketika ukuran perusahaan bertambah 1 Einheit Maka perusahaan tersebut cenderung 1.123 kali untuk tepat waktu dalam menyampaikan laporan keuangannya. Buil yang ingin mencoba silahkan download filenya dibawah ini: tutorial reglog biner (SPSS 20) Geschrieben von: Nasrul Setiawan Terima kasih sudah membaca artikel Analisis regresi Regresi Logistik SPSS dengan judul Tutorial Contoh Analisis Regresi Logistik binerdikotomi dengan SPSS. Anda bisa Lesezeichen Halaman Ini Dengan URL statistikceria. blogspot201301tutorial-analisis-regresi-logistik. html. Apabila ada yang kurang jelas silahkan tinggalkan komentar atau pesan. Regresi logistik merupakan salah satu analisi multivariate, yang berguna untuk memprediksi abhängig variabel berdasarkan variabel independen. Pada logistic regresi, dependen variabel adalah variabel dikotomi (kategori). Ketika kategori variabel dependennya berjumlah dua kategori maka digunakan binäre logistik, dan ketika dependen variabelnya lebih dari dua kategori maka digunakan multinominal logistische regression. Lalu ketika dependen variabelnya berbentuk ranking, maka disebut dengan ordinal logistische regression. Konsep Regresi Logistik Regresi logistik merupakan alternative uji jika asumsi multivariate normale verteilung pada variabel bebasnya tidak bisa terpenuhi ketika akan dilakukan analisis diskriminan. Tidak terpenuhinya asumsi ini dikarenakan variabel bebas merupakan campuran antara variabel kontinyu (metrisch) dan kategorial (nicht metrisch). Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu tertentu dapat diprediksi dari informasi usia, kebiasaan merokok, jenis kelamin, dan lainnya. Asumsi Regresi Logistik Regresi Logistik Tidak Membran Hanoi Lubier Antara Variabel Bebas Dengan Variabel Terikat. Regresi Logistik dapat menyeleksi hubungan karena menggunakan pendekatan nicht linier log transformasi untuk memprediksi Odds Ratio. Odd dalam regresi logistik sering dinyatakan sebagai probabilitas. Misal Odd sebuah perusahaan dapat bangkrut atau berhasil atau ungerade seorang anak dapat lulus atau tidak pada Ujian Nasional. Variabel bebas tidak memerlukan asumsi multivariate normalität Asumsi homokedastis tidak diperlukan Variabel bebas tidak perlu dirubah ke bentuk metrisch (Intervall atau skala ratio) CONTOH KASUS Logistic Regression Daten Yang Diberikan Adalah Daten Fiktif Bukan Daten Sebenarnya, Cuma Sebagai Latihan Uji Statistik Seorang dokter ingin mengetahui probabilitas seorang Pasien terkena penyakit jantung berdasarkan rutinitas kebiasaan merokok dan usia Daten dikumpulkan dari catatan medis sebanyak 30 orang pasien yang melakukan pemeriksaan kesehatan di RS ABC merokok (1), tdk merokok (0) Usia (usia dalam tahun) Pada Menü Analysieren, Pilih Regression gtgt Binär Logistik Masukkan variabel sakit ke Dependent, kemudian variabel rokok dan usia ke 8220covariate box8221 Kemudian, Klik Optionen, lalu beri tanda pada Klassifikation Plots, Hosmer-Lemeshow GoF, Korrelationsmatrix, dan itteration Geschichte Klik Weiter, Kemudian OK HASIL Dan INTERPRESTASI Menilai Model Fit Untuk Menilai modell passend 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 Modell tidak fit. Nilai -2LogL kedua adalah sebesar 16.750 dengan df2 30-3 27 adalah tidak signifikan pada alpha 5. (Nilai statistik -2LogL di atas dibandingkan dengan nilai statistik distribusi x2.), Artinya modell passend dengan daten. Statistik - LogL dapat digunakan untuk menentukan apakah jika variabel bebas dimasukkan dalam modell dapat secara signifikan mempengaruhi modell. Dengan selisih 24.839 dan df (df1-df229-272) maka menunjukkan angka ini signifikan pada alpha 5. Hal ini berarti Ho ditolak dan Modell passen dengan Daten. Cox n Snell8217s R Platz adalah ukuran pengaruh bersama yaitu sebesar 0.563 dan nilai Nagelkerke R Platz adalah sebesar 0.751. Denganer demikian dapat disimpulkan bahwa kemampuan variabel bebas menjelaskan modell adalah sebesar 75.10. Selanjutnya, Hosmer und Lemeshow8217s GoF dilakukan untuk menguji hipoteis. Jika sig lt 0.05 maka Ho ditolak yang berarti ada perbedaan signifikan antara modell dengan nilai observasinya. Jika sig gt 0.05 maka Ho diterima, artinya tidak ada perbedaan antara Modell dan nilai observasinya. Statistik Hosmer und Lemeshow8217s GoF diperoleh sebesar 0.594 (gt 0.05) sehingga dapat dinyatakan bahwa Modell passen dengan Daten. Hosmer und Lemeshow8217s GoF juga menghasilkan nilai 6.475 dengan probabilitas sebesar 0,594 sehingga dapat disimpulkan bahwa modell passend dengan daten. Estimasi Parameter dan Interprestasi Estimasi Maximum Likehood Parameter Modell dapat dilihat dari Ausgabe pada tabel Variablen in der Gleichung. Logistische Regression kemudian dapat dinyatakan: Ln P1-P -11.506 5.348 Rokok .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 sbb: log der quoten seseorang terkena secara positif berhubungan dengan rokok. Probabilitas atau Quoten 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 odds terkena penyakit jantung adalah sebesar 1.233 untuk setiap penambahan usia. Sementara jika usia bernilai konstan maka odds seorang terkena penyakit jantung adalah sebesar 210.286 untuk perokok dibandingkan dengan yang tidak merokok. Hasil insgesamt clasification rate adalah sebesar 90.0 pada cutoff 50 Pertama. Variabel rokok dan usia memiliki hubungan positif dengan odds penyakit jantung Kedua. Jika usia bernilai konstan, maka seorang perokok memiliki odds terkena penyakit jantung sebesar 5.384 kali lebih besar dibanding yang tidak merokok Ketiga. Jika rokok bernilai konstan, maka odds seorang terkena penyakit jantung adalah sebesar 0.210 pada setiap penambahan usia. Cuma diingatkan8230.data yang Diberikan Adalah Daten Fiktif Bukan Daten Sebenarnya, Cuma Sebagai Latihan Uji Statistik Imam Ghozali. 2009. Aplikasi Analisis Multivariate Dengan Programm SPSS. Semarang BP: Undip, hal. 261-275Sebagai kelanjutan dari tulisan mengenai modell pilihan kualitatif, pada bagian ini, akan dijelaskan contoh modell binär logit dan estimasinya dengan menggunakan programm SPSS. Seutelai contoh ilustratif, misalnya ingin diprediksi pengaruh umur, jenis kelamin dan pendapatan terhadap pembelian mobil. Berdasarkan hasil survai terhadap 48 responden, didapatkan datanya sebagai berikut: Dimana: Y 1, jika konsumen membeli mobil, 0 jika konsumen tidak membeli mobil X1 umur responden dalam tahun X2 1, jika konsumen berjenis kelamin wanita, 0 jika konsumen berjenis kelamin pria X3 0 , Jika konsumen berpendapatan rendah, 1 jika konsumen berpendapatan sedang 2 jika konsumen berpendapatan tinggi Tahapan-tahapan estimasi dalam SPSS sebagai berikut: 1. Setelah Daten diinput dalam lembar kerja SPSS kemudian klik Analyse gt Regression gt Binary Logistic. Selanjutnya akan muncul tampilan berikut: 2. Masukkan Y sebagai Variable abhängige dengan cara klik Y di kotak kiri, kemudian klik tanda panah disamping kotak Abhängig. Masukkan X1, X2 dan X3 kedalam kotak Kovariaten, dengan cara klik masing-masing variabel, kemudian klik tanda panah disamping kotak kovariaten. 3. Selanjutnya, Karena Variabel X3 merupakan peubah kategori (ordinal) dengan lebih dari dua kategori (yaitu 0pendapatan rendah, 1pendapatan sedang dan 2pendapatan tinggi) maka diubah terlebih dahulu ke dalam 2 variabel dummy, untuk mengembangkan modell yang logis dan mudah diinterpretasi, sebagai berikut : (Ini sama dengan prosedur regresi dengan variabel bebas dummy sebelumnya) X31 1, jika konsumen berpendapatan menengah 0, jika selainnya X32 1, jika konsumen berpendapatan tinggi 0, jika selainnya Dalam Programm SPSS untuk mengkonversi ini dengan cara klik kategorische dari tampilan diatas, maka Akan muncul tampilan berikut: Selanjutnya, klik X3, klik tanda panah disamping Kategorische Kovariaten. Pilih Referenz Kategorie dengan Erste, kemudian klik Änderung dan Weiter. Selanjutnya klik OK 4. Akan Keluar Ausgabe SPSS untuk regresi logit sebagai berikut (disini hanya ditampilkan bagian-bagian terpenting saja yang akan dibahas): Ausdruck di di tabel pertama diatas menjelaskan transformasi variabel X3 dengan kategori 0,1 dan 2 menjadi dua variabel dummy yaitu X31 dan X32. Seperti yang terlihat dari tabel tersebut, variabel X31 bernilai 1 untuk kategori 1 (pendapatan menengah) dan 0 untuk kategori lainnya. Variabel X32 bernilai 1 untuk kategori 2 (pendapatan tinggi) dan 0 untuk kategori lainnya. Dengan demikian, kategori 0 (pendapatan rendah) akan bernilai 0 baik pada variabel X31 dan X32. Ausdruck des Tafels kedua diatas merupakan nilai Khi-kuadrat (2) dari model regresi. Sebagaimana Halnya Modell regresi lineare Dengan Metode OLS, Kita Juga Dapat Melakukan Pengujian Arti Penting Modell Secara Keseluruhan. Jika metode OLS menggunakan uji F, maka pada modell logit menggunakan uji G. Statistik G ini menyebar menurut sebaran Khi-kuadrat (2). Karenanya dalam pengujiannya, nilai G dapat dibandingkan dengan nilai 2 tabel pada tertentu dan derajat bebas k-1. (Kriteria pengujian dan cara pengujian persis sama dengan uji F pada metode regresi OLS). Tetapi, kita juga bisa melihat nilai p-Wert dari nilai G ini yang biasanya ditampilkan oleh sofware-software statistik, termasuk SPSS. Dari Ausgabe SPSS, didapatkan nilai 2 sebesar 18,131 dengan p-Wert 0,001. Karena nilai ini jauh dibawah 10 (jika menggunakan pengujian dengan 10), atau jauh dibawah 5 (jika menggunakan pengujian dengan 5), maka dapat disimpulkan bahwa modell regresi logistik secara keseluruhan dapat menjelaskan atau memprediksi keputusan konsumen dalam membeli mobil. Druck aus di tabel ketiga memberikan estimasi koefisien Modell dan pengujian hipotesis parsial dari koefisien Modell. Dalam pelaporannya, modell regresi logistiknya dapat dituliskan sebagai berikut: Dari Ausgabe SPSS diatas menjadi sebagai berikut: Modell ini merupakan Modell peluang membeli mobil (P (xi) yang dipengaruhi oleh faktor-faktor umur, jenis kelamin dan pendapatan Model tersebut adalah bersifat nicht - Lineare dalam Parameter Selanjutnya, untuk menjadikan Modell tersebut linear, dilakukan transformasi dengan logaritma natürlich, (transformasi ini yang menjadi hal penting dalam regresi logistik dan dikenal dengan istilah logit transformation), sehingga menjadi (pembahasan lebih rinci, silakan dibaca buku-buku ekonometrik) : 1-P (xi) adalah peluang tidak membeli mobil, sebagai kebalikan dari P (xi) sebagai peluang membeli mobil. Oleh karenanya, ln P (xi) 1-P (xi) secara sederhana merupakan log dari perbandingan antara peluang membeli mobil dengan Peluang tidak membeli mobil. Oleh karenanya juga, koefisien dalam persamaan ini menunjukkan pengaruh dari umur, jenis kelamin dan pendapatan terhadap peluang relativer einzeln membeli mobil yang dibandingkan dengan peluang tidak membeli mobil. Selanjutnya, untuk menguji faktor mana yang berpengaruh nyata terhadap keputusan pilihan membeli mobil tersebut, dapat menggunakan uji signifikansi dari Parameter koefisien secara parsial dengan statistik uji Wald, yang serupa dengan statistik uji t atau uji Z dalam regresi lineare Biasa, yaitu dengan membagi koefisien terhadap standar Fehler masing-masing koefisien Dari Ausgabe SPSS ditampilkan nilai Wald dan p-valuenya. Berdasarkan nilai p-Wert (dan menggunakan kriteria pengujian 10), dapat dilihat seluruh variabel (kecuali X31), berpengaruh nyata (memiliki p-Wert dibawah 10) terhadap keputusan membeli mobil. Lalu, bagaimana interpretasi koefisien regresi logit dari persamaan di atas Dalam Modell regresi linear, koefisien ich menunjukkan perubahan nilai variabel abhängig sebagai akibat perubahan satu satuan variabel unabhängig. Hal yang sama sebenarnya juga berlaku dalam modell regresi logit, tetapi secara matematis sulit diinterpretasikan. Koefisien dalam modell logit menunjukkan perubahan dalam logit sebagai akibat perubahan satu satuan variabel unabhängig Interpretasi yang tepat untuk koefisien ini tentunya tergantung pada kemampuan menempatkan arti dari perbedaan antara dua logit. Oleh Karenanya, Dalam Modell Logit, Dikembangkan Pengukuran Yang Dikenal Dengan Nama Odds Ratio (). Quotenverhältnis untuk masing-masing variabel ditampilkan oleh SPSS sebagaimana yang terlihat tabel diatas (kolom Exp (B)). Quotenverhältnis dapat dirumuskan: e, dimana e adalah bilangan 2,71828 dan adalah koefisien masing-masing variabel. Sebagai contoh, Odds Ratio untuk variabel X2 e-0.1602 0,201 (lihat Ausgabe SPSS). Dalam kasus variabel X2 (jenis kelamin dimana 1 wanita dan 0 pria), dengan odds ratio sebesar 0,201 dapat diartikan bahwa peluang wanita untuk membeli mobil adalah 0,201 kali dibandingkan pria, jika umur dan pendapatan mereka sama. Artinya wanita memiliki peluang lebih rendahi dalam membeli mobil dibandingkan pria. Dalam kasus variabel X1 (umur), dengan Quotenquote sebesar 1.153 dapat diartikan bahwa konsumen yang berumur lebih tua satu tahun peluang membeli mobilnya adalah 1,153 kali dibandingkan konsumen umur yang lebih muda (satu tahun), jika pendapatan dan jenis kelamin mereka sama. Artinya orang yang lebih tua memiliki peluang yang lebih tinggi dalam membeli mobil. Dalam konteks umur ini (yang merupakan variabel dengan skala ratio), hati-hati menginterpretasikan nilai perbedaan peluangnya. Jika perbedaan umur lebih dari 1 tahun, misalnya 10 tahun, maka odds rationya akan menjadi 4,14, yang diperoleh dari perhitungan sbb: e (10 x 0,142). Artinya peluang membeli mobil konsumen yang berumur lebih tua 10 tahun adalah 4,14 kali dibandingkan konsumen yang lebih muda (10 tahun) darinya. Selanjutnya, dalam konteks variabel pendapatan, terlihat bahwa X31 tidak berpengaruh signifikan. Artinya, peluang membeli mobil antara konsumen pendapatan sedang dan pendapatan rendah adalah sama saja. Sebaliknya, untuk X32, dapat diinterpretasikan bahwa peluang membeli mobil konsumen pendapatan tinggi adalah 6,45 kali dibandingkan pendapatan rendah, jika umur dan jenis kelaminnya sama. Selamat pg pak, sy mau bertanya Diatas bpk mengatakan uji G kriteria pengujian sm dengan uji F di ols. Apakah tabel yg digunakan jg sm kl uji t di ols memakai perbandingan dgn tabel t, uji f ols dgn perbandingan tabel f. Lalu utk uji g dan uji t (nilai wald) di logistik apakah memakai perbandingan tabel yg sama juga atau utk uji g dan uji nilai wald di logistik keduanya memakai tabel distribusi chisquare pak selamat siang pak, saya mau tanya jika hasil uji wald regresi logistik biner Semua variabell lebih dari 0,05, apakah buruk apa yang harus dilakukan Maksudnya probabilita (sig) wald gt 0,05 (tidak signifikan) Jika semuanya tentu saja Modell harus diperbaiki. Langkah yang harus dilakukan adalah periksa Daten terlebih dahulu (terutama outliernya). Kedua periksa Modell, (uji multikolinearitas antar variabel bebas). Ketiga Tambah Daten. Makasih pak atas pembahasanya semoga berkah ilmunya, maaf saya mau tanya lagi pak. Regresi logiistik salah satu variabel saya adalah plafon pinjaman, saya pakai dummy sebagai berikut plafon1 plafon2 1. 500.000 0 0 gt 1. 500.000 karena referenz saya namakan plafon saja, semua saya masukan ke SPSS 17, plafon. Plafon1 dan palfon2 nah pas saya masukan ke SPSS saya isikan ke variabel viewnya di value saya tulis 0 lainya dan 1 1. 500.000 kemudian saya olah, ternyata pas kolom case verarbeitung summray, variabel gt 1. 500.000 di entfernen dari analisa dan jadi konstanta akhirnya di Kolom kategorisch variabel kodierung nah gt 1. 500.000 tidak terdaftar yang ada hanya Frek lt 500., 000 lainya 249 1. 500.00 itu di analisis karena akhirnya jumlah lainya di atas itu berjumlah 249 32 281 sedangkan jumlah responden yang diteliti n 271 orang. Bagaimana pak makasih
No comments:
Post a Comment