Pilihan Rumus-regresi-logistik-biner

Pilihan Rumus-regresi-logistik-biner

Stock-photography-options
Stock-option-volatility-trading
Pietro paciello forex trading


Baru-metode-forex-trading-2016-tiruan Forex bank visa-kort Forex-trading-di-lahore-pakistan Belajar-forex-trading-in-ghana Binary-options-basics-101 Peluang investasi forex

Regresi linier seperti yang kita ketahui tidak dapat menyelesaikan kasus dimana variabel dependensi dikotomi dan kategori dengan dua atau lebih kemungkinan (eks. Sukses atau Gagal atau tidak bisa lulus atau tidak bisa melakukan promosi atau tidak, dan lain-lain) . Regresi logistik umum berbagai variabel prediktor baik numerik maupun kategorik, termasuk variabel dummy. Pada regresi linier, variabel prediktor yang digunakan biasanya numerik, jika kita melibatkan antara numerik dan kategorik kita dapat menggunakan regresi logistik. Regresi logistik dengan persamaan maksimum, yang memaksimalkan peluang pengklasifikasian objek yang diamati menjadi kategori yang sesuai maka mengubahnya menjadi regresi yang sederhana. Dua nilai yang biasa digunakan sebagai variabel dependen yang diprediksi adalah 0 dan 1 (ex 1berhasil, 0gagal). Regresi logistik menghasilkan rasio peluang (odds ratios) antara keberhasilan atau kegagalan. Bisa kita contohkan dengan seorang tokoh yang ingin menjadi presiden, akan lebih baik peluangnya jika menjadi ketua partai politik tertentu. Disini odds ratio yang dimaksud adalah dengan ukuran variabel prediktor yang ada. Regresi logistik akan membentuk variabel prediktorrespon (log (p (1-p)) yang merupakan kombinasi linier dari variabel. Variabel dependen dan variabel dependen dan. Independent Variabel dependen harusental dikotomi (2 variabel) Variabel independen tidak harus memiliki keragaman yang sama antar kelompok variabel Kategori dalam variabel independen harus terpisah satu sama lain atau sangat eksklusif Sampel yang diperlukan dalam jumlah relatif besar, minimum diperlukan hingga 50 sampel data untukpeningkatan Prediktor (bebas). Dengan logititma (log), dengan demikian fungsi transformasi log atau ln diperlukan untuk p-value, dengan demikian dapat mengikuti logit (p) merupakan log dari peluang (prediktor). Rasio odds) Atau likelihood ratio dengan kemungkinan terbesar adalah 1, dengan demikian persamaan regresi logistik menjadi: logit (p) log (p1-p) ln (p1-p) dimana pambat antara 0-1. Model yang digunakan pada regresi logistik adalah: Log (P 1 8211 p) 0 1X1 2X2 8230. kXk Dimana p adalah probabilitas Y 1, dan X1, X2, X3 adalah variabel independen, dan b adalah regresi. Konsep Log Odds, Odds Ratio Logit (log odds) adalah kemiringan (b) dari persamaan regresi. Slope disini adalah perubahan dari rata-rata perubahan dari Xen regresi logistik melihat perubahan pada variabel dependen yang ditransformasi menjadi peluang, bukan nilai pada regresi linier. Dengan ilustrasi jika nilai peluangnya adalah 0,25, maka oddsnya adalah 3 (25,75), sedangkan jika nilai peluang 50, maka oddsnya adalah 1 (50. 50), atau jika nilai peluang 0,33, maka oddsnya adalah 2 (33. 67) dengan total keseluruhan nilai adalah 1. Nilai odds ratio biasanya dapat kita lihat pada kolom B pada 8216variables pada output SPSS equation8217. Kecocokan Model (model fit) dan fungsi likelihood Likelihood berarti juga peluang atau probabilitas untuk hipotesis tertentu. Seperti yang kita ketahui pada kurva regresi linier kita lihat adanya hubungan linier, kenaikan pada sumbu Y akan diikuti dengan peningkatan pada sumbu x dan sebaliknya. Tambahkan ke daftar isi 0 antara 0 dan 1, bangun linier tidak bisa kita gunakan. Oleh karena itu metode maximum likelihood sangat berguna dalam menentukan kecocokan model yang tepat untuk persamaan yang kita miliki. Hipotesis dalam regresi logistik antara lain: h0 ketika persamaan regresi umum 0 logit (p) 0. h1 persamaan regresi beda nyata dari 0 logit (p) 8800 0. Regresi logistik adalah regresi non linier dimana model yang pasti akan mengikuti pola kurva linier seperti gambar Di bawah ini. Regresi logistik juga menghasilkan rasio peluang (odds ratios) terkait dengan setiap prediktor. Peluang (odds) dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul dengan probabilitas suatu kejadian tidak terjadi. Secara umum, rasio peluang (odds ratios) merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan sebagai jumlah relatif dimana peluang hasil meningkat (rasio peluang gt 1) atau turun (rasio peluang lt 1) bila nilai variabel prediktor meningkat suatu 1 unit. Lebih jelasnya kita bisa mengikuti ilustrasi berikut ini: Kita ingin mengetahui apakah berat badan (bobot badan) sapi para peternak di kota elgrow bertambah signifikan atau tidak, dengan variabel prediktor adalah jenis kelamin yang terdiri atas laki-laki (M) atau perempuan (F), pemberian obat cacing (Anthelmintic) secara rutin sesuai dosis yang sesuai dengan yes dan no, dan biaya. Per bulan yang mengingat dalam US. Kali ini kita akan menjalankan model logit menggunakan bantuan software IBM SPSS versi 23, untuk yang masih menggunakan SPSS seri di bawahnya jangan khawatir, masih kurang lebih sama koq cara aplikasinya, kamu bisa download datanya disini 1. tahap impor data (misalnya dari excel), Buka SPSS kamu, file gt baca data teks, pada kotak dialog buka data, file tipe gt pilih excel, maka datanya muncul di layar, pilih lalu klik gt terbuka, kemudian dimunculkan lagi jendela pembukaan data, checklist seperti gambar gt ok, data yang telah Masuk dalam record spss, berikut ini adalah dataview, lihat sususannya tidak beraturan, kamu bisa atur dalam view variabel: atur label, desimal, dan lain-lain dalam tampilan variabel, 2. tahap analisis, analisa gt regression gt binary logistic, setelah muncul jendela logistic Regresi, masukkan weightgain ke dalam dependen, dan variabel kategorik yaitu seks dan anthelmintic ke kotak covariates, lalu klik categorical, untuk menyesuaikan tipe data variabel kategorik, jendela Tentukan variabel kovariat pilih kategori referensi terlebih dahulu, kemudian klik perubahan gt continue, klik next lalu pasang variabel kontinyu cost, ke dalam covariates, kemudian option, kemudian lanjutkan gt ok, maka outputnya akan terjadi, Chi-Square model sebesar 18,440, Model dalam prestasi variabel dependen weightgain. Dengan signifikansi 0,000 lt 0,05, berarti ada peningkatan signifikansi dengan penambahan variabel seks, dan anthelmintic, ke dalam model. -2 log likelihood jelaskan modelnya layaknya R-sq pada regresi linier OLS. Tabel Hosmer dan Lemeshow test menunjukkan nilai signifikansi model konstanta, dan model. Penambahannya cukup kecil dengan signifikansi 0,631 (gt0.05). Kita lihat kembali pada variabel output dalam persamaan yang menunjukkan model sesuai hipotesis null atau model tanpa prediktor, Variabel output tidak dalam persamaan menunjukkan signifikansi masing-masing variabel independen terhadap bobot. Dari tabel dapat kita lihat variabel anthelmintik (1) memberikan kenaikan yang signifikan terhadap model (0,000), sedangkan seks (1) tidak signifikan (0,298). Cukup secara signifikan terhadap model perbaikan (keseluruhan statistik, sig 0,000). Dari output variabel dalam persamaan yang kita sebutkan adalah (lihat nilai pada kolom B): Log odds (weightgain) B0 B1sex (1) B2anthelmintic (1) B3cost atau dengan nilai log Log odds (weightgain) -3,502 0,116sex (1) 2,638anthelmintic (1) 0,011cost Jika jenis kelamin (1) 1 (lihat output coding), anthelmintik (1) 1 (lihat output coding), dan costUS 100, maka persamaannya menjadi: Log odds (weightgain) -3,502 0,116 (1) 2,638 (1) 0,011 (100) Log ganjil (weightgain) -3,502 0,116 2,638 1,1 Jika kita hilangkan log maka persamaan akan dalam bentuk eksponensial: odds (weightgain) e -3,502 0,116 2,638 1,1 Interpretasi dari Persamaan Untuk setiap perubahan per unit Pada variabel seks (1) (koding dummy untuk variabel Mjantan), akan meningkatkan weightgain sebesar 0,116. Untuk setiap kenaikan pada variabel anthelmintik (1) sebesar 1 unit, maka akan meningkatkan bobot sebesar 2.638. Untuk setiap penambahan sebesar US1 terhadap biaya variabel, maka akan meningkatkan. Dari nilai signifikansi dapat kita simpulkan variabel yang signifikan terhadap peluang log (weightgain) adalah pemberian obat cacing secara rutin (anthelmintic (1)), dan biaya dengan skor signifikansi berturut-turut 0,02 dan 0,018 (pada tingkat signifikansi 95). Kemudian mari kita menafsirkan nilai exp (B) pada variabel output dalam persamaan di atas: Variabel seks (1) yang menang pada MaleJantan, memiliki kecenderungan untuk pertambahan berat badan (1,752 kali) Femalebetina yang menjadi kategori referensi kita (ini Adalah koding dummy, dimana 0 untuk F dan 1 untuk M). Variabel anthelmintic (1) yang dikutip pada ya, dimana pemberian obat cacing secara teratur dan sesuai dosis memiliki peluang sebesar 13,988 kali berdasarkan kategori referensi kita yang tidak pada, dimana tidak ada fitur yang tidak memberikan asupan obat cacing secara rutin dan sesuai dosis. Variabel ini sangat signifikan terhadap log odds (weightgain) dengan nilai signifikansi 0,002. Variabel biaya untuk meningkatkan berat badan sebesar 0,030 kali dengan skor signifikansi yang baik yaitu 0,018 lt 0,05. (Yoso) download materi dalam bentuk pdf di bawah ini gtgtgtKonsep Regresi Logistik BinerDikotomi Analisis regresi logistik merupakan metode analisis yang biasanya digunakan oleh mahasiswa dalam penyelesaian skripsi berhubungan Dengan skripsi tentang persepsi. Bahasa gaul ini biasa disebut reglog. Untuk membahas 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 menjadi data dikotomikbiner dengan variabel bebas yang berskala interval dan atau kategorik (Hosmer dan Lemeshow, 1989). Variabel yang dikotomikbiner adalah variabel yang hanya memiliki dua kategori saja, yaitu kategori yang menyatakan kejadian sukses (Y1) dan kategori yang menyatakan kejadian gagal (Y0). Pada model model linier umum komponen acak tidak harus bisa sebaran normal, tapi harus masuk dalam sebaran keluarga eksponensial. Sebaran bernoulli termasuk dalam salah satu dari sebaran keluarga eksponensial. Variabel respon Y ini, diasumsikan. Timbul pertanyaan: Perbedaan antara regresi logistik dengan analisis regresi biasa mengapa tidak digunakan analisis regresi biasa aja Sebenarnya untuk masalah diatas bisa digunakan analisis regresi OLS. Tapi harus memenuhi persyaratan 0 lt E (Yi 247 Xi) lt 1. Namun persyaratan tersebut sulit untuk terpenuhi. Metode regresi OLS kurang cocok untuk data kuantitatif dan lebih baik menggunakan metode regresi logistik. Contoh kasus dalam regresi logsitik biner: Pengaruh Tingkat Pendidikan, Lapangan Kerja yg dimasuki, Pendapatan, Pengeluaran, Jumlah ART terhadap status kemiskinan (MiskinTIdak Miskin). Pengaruh Pendapatan Keluarga, Banyaknya Anggota Keluarga, Jenis rumah, Usia Kepala keluarga terhadap rumah (Punya rumahtidak) Berdasarkan dua contoh tersebut mungjkin sudah terbuka pikiran untuk kasus seperti apa regresi logistik digunakan. Intinya variabel dependen dikotomi punya dua kategori seperti pada kasus diatas yang ditebal. Kenapa cuma dua kategori aja tidak bisa lebih dari tiga syarat Untuk metode ini tidak bisa hanya bisa dua sesuai dengan namanya. Untuk masalah diatas ada metode yang bisa digunakan regresi logistik ordinal. Bagaimana langkah-langkah atau prosedur statistiknya sebagai referensi buat skripsi.hehehe bentuk umum model peluang regresi logistik dengan p variabel penjelas, diformulasikan sebagai berikut: dengan (x) adalah peluang kejadian sukses dengan nilai probabilita 08804 (x) 88041 dan j adalah parameter dengan J 1,2. Hal. (X) merupakan fungsi yang non linier, sehingga perlu dilakukan transformasi ke dalam bentuk logit untuk mendapatkan fungsi yang linier agar dapat dilihat hubungan antara variabel bebas dan variabel tidak bebas. Dengan melakukan transformasi dari logit (x), maka didapat persamaan yang lebih sederhana, yaitu: Jika dari beberapa variabel bebas ada yang berskala nominal atau ordinal, maka variabel ini tidak akan tepat jika ditambahkan dalam model logit karena angkaén dengan ketentuan- Ini hanya sebagai identifikasi dan tidak memiliki nilai numerik dalam situasi seperti ini diperlukan variabel dummy. Untuk variabel bebas dengan skala ordinal atau nominal dengan k kategori, akan diperlukan sebanyak k-1 variabel dummy. Asumsi-asus dalam regresi logistik: Tidak mengasumsikan hubungan linier antar variabel dependen dan independen Variabel dependen harusosial dikotomi (2 variabel) Variabel independen tidak harus memiliki keragaman yang sama antar kelompok variabel Kategori dalam variabel independen harus terpisah satu sama lain atau tidak eksklusif Sampel yang Diperlukan dalam jumlah relatif besar, minimal dibutuhkan hingga 50 sampel data untuk variabel prediktor (bebas). Parameter Metode Pendugaan untuk tidak mengestimasi parameter-parameter yang tidak dapat diketahui dalam model regresi logistik ada 3 yaitu: Metode Metode Maksimum Likelihood Metode Metode Kuadrat Komersial Tertimbang Noniterasi Metode Non-Kuadrat Least Square Metode Diskriminansi Analisis metode. Metode kuadrat dengan metode iterasi, metode noniteratif least square hanya menggunakan satu kali iterasi. Metode kedua ini asymptoticaly equivalent. Kalo mau ukuran besar akan menghasilkan estimator yang identik. Penggunaan fungsi diskriminan mensyaratkan variabel penjelas yang kuantitatif berdistribusi normal. Oleh karena itu, penduga dari fungsi diskriminan akan over estimate bila variabel penjelas tidak berdistribusi normal. Dari metode di atas, metode yang banyak digunakan adalah metode dengan alasan lebih praktis (Nachrowi dan Usman, 2002). Metode maksimu likelihoood ini diduga parameter dengan nilai yang memaksimumkan fungsi likelihood (fungsi likelihood). Uji Signifikansi Model Untuk mengetahui pengaruh variabel bebas terhadap variabel tidak bebas secara keseluruhan (dalam keseluruhan) dalam model, dapat menggunakan Uji Likelihood Ratio. 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 paling sedikit satu veriabel bebas terhadap variabel tak bebas) Untuk j 1,2. P Model uji yang digunakan adalah: Model Maksimum Lieklihood dari model reduksi (model reduksi) atau model yang terdiri dari konstanta saja Lp Maksimum Likelihood dari model penuh (Full Model) atau dengan semua variabel bebas. Statistik G2 ini dengan pembagian kembali KHI-kuadrat dengan derajad bebas p jadi hipotesis ditolak jika nilai-nilai lt, yang berarti variabel bebas X secara bersama-sama mempengaruhi variabel tak bebas Y. Uji Parsial dan Pembentukan Model Pada umumnya, tujuan analsis statistik adalah untuk mencari Model yang cocok dan keterpautan yang kuat antara model dengan data yang ada. Pengujian keberartian parameter (halal) secara parsial dapat dilakukan melalui Uji Wald dengan hipotesisnya sebagai berikut: Ho: j 0 (variabel bebas ke j tidak memiliki pengaruh secara signifikan terhadap variabel tidak bebas) H1: j 8800 0 (variabel bebas j) Signifikan terhadap variabel tidak bebas) Untuk j 1,2. P dengan nilai sebagai berikut: Hipotesis akan ditolak jika p-value lt yang berarti variabel bebas tidak berbeda Y. Odds Ratio Odds ratio merupakan ukuran risiko atau kecenderungan untuk mengalami kejadian 8216sukses 8216 antara satu kategori dengan kategori lainnya, didefinisikan Sebagai rasio dari odds untuk xj 1 terhadap xj 0. Odds ratio ini menyatakan risiko atau kecenderungan mempengaruhi observasi dengan xj 1 adalah berapa kali lipat jika dibandingkan dengan observasi dengan xj 0. Untuk variabel bebas yang berskala kontinyu maka interpretasi dari j pada model regresi logistik Adalah setiap kenaikan c unit pada variabel bebas akan menyebabkan risiko berlalu Y 1, adalah exp (cj) kali lebih besar. Rasio odds dilambangkan dengan, ditentukan sebagai perbandingan dua peluang xj 1 dan xj 0, jadi: Siang mas. Saya Echa. Ingin belajar ..pada penelitian saya (data non parametrik, var dependen dan independenanda rasio) didapat hasil evaluasi spearman yg berarti. Saya ingin melanjutkan regresinya..tp setelah saya uji regresi liniernya trnyt residualnya uji Kolmogorov tidak terdistribusi normal juga..hehhe. Sebaiknya saya menggunakan regresi apa ya mas is hrs menggunakan regresi logistik (pdhal data saya rasio) .. mhn pencerahannya ya mas..tksh bnyk Siang. Kalau datanya rasio mungkin lebih baik menggunakan pengertian pearson. Kalau datanya tidak normal bisa dicoba transformasi dulu variabelnya mas. Assalamu39alaikum Ka, mau tanya Di logit, kalo salah satu variabel prediktor yang bentuknya logaritma natural (ln), misanya variabel output dalam bentuk ln, itu gimana interpretasi odds ratio nya apa sama aja kaya di analisis regresi linier misal odds ratio nya 3, berarti tiap kenaikan satu persen produksi, Kecenderungan quotsuksesquot akan meningkat sebesar 3 kali. Apa itu terimakasih Jazakumullaahu khairan Wa39alaikumsalam, knapa di-ln-kn dek mending variabelnya yang mentah saja, tidak usah ditransformasi, get reglognya tidak mubazir. Sama2 dek Di-ln-kn, tujuannya biarmudah interpretasi ka, tapi malah malah bingung cara nginterprestinya. Kalo gak di-ln-kn, kalau gw gitu gw gw gw gw gw gw gw gw gw gw gw gw gw gw gw gw gw gw gw gw gw gw gw gw gw Susah interpretasi, biasanya transformasi dilakukan untuk menormalkan data, metode reglog tidak butuh asas normalitas. Reglog itu metode yang persyaratannya paling di di metode regresi lain, jadi kalau datanya seperti apa pakai regresi biasa (yg syaratnya banyak) itu menurut saya mubazir. Assalamu39alaykum Mas Chalik Mawardi. Mohon izin saya ikut nanya juga ya, sedang menyusun skripsi. Ada beberapa pertanyaan: 1. Apakah Data berskala Ordinal hanya bisa 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. Variabel dependennya sebenarnya terdiri dari 4 kategori, bisa juga diolah menjadi dikotomi. Sedangkan untuk variabel intervalnya, bisa juga diolah menjadi dhikotom. Mohon saran Mas Chalik saya menggunakan metode statistik apa Terima kasih sebelumnya. Wa 39alaikummsalam 1. Tidak, ordinal itu maksudnya, kategori, tapi punya tingkat, berapapun banyaknya kategori tersebut. Misal, data ranking siswai, IP mahasiswai, jabatan pekerja, jenjang pendidikan (sd, smp, sma), dsb 2. Kalau dilihat dari jenis datanya, bisa pakai regresi logistik atau probit assalamualaikum, mas saya mau nanya. Saya masih belum paham soal penggunaan variabel dummy. Jadi penelitian saya tu datanya dengan satu variabel independen dan satu variabel dependen. Tapi penelitian saya ini dilakukan pada dua kelompok yaitu kelompok sasaran dan kelompok kontrol. Sebelumnya saya kangisi variabel x terhadap y pada kelompok sasaran, selanjutnya saya bandingkan dengan kelompok kontrol mana yang pengaruhnya lebih besar terhadap variabel y. Dosen saya untuk di dummy, tapi saya blm paham mas. Mohon pncerahannya bgmn cara, trus pasti bisa menggunakan spss atau gimana mas terimakasih sebelumnya. Pagi Pak, saya mau tanya bagaimana cara mengolah regresi logistik dengan variabel dependen 2 kategori tapi variabel ada dua kategori. Misal dependennya menerima opini going concern diberi kode 1 dan menerima opini non going concern 0 lalu syaratnya berlaku bangkrut diberi kode 1, rawan diberi kode 0, selamat diberi kode -1. Mohon pencerahannya pak, makasi untuk harga coba ganti kode variabelnya menjadi 1, 2 dan 3. jumlah pilihan pada variabel tidak dapat lagi berjalan dengan program seperti SPSS. Coba buka SPSS gt trus analisis gt regressi gt logistic biner (binary logistic). Di kovariat. Itu jika ingin menggunakan logika biner. Jika ingin menggunakan logistik umum maka bisa buka spss trus analisis gt logistic gt general gt taruh di covariate digunakan jika variabel kategorik. Coba dulu yaaSebagai kelanjutan dari tulisan mengenai model pilihan kualitatif, pada bagian ini, akan contoh contoh model binary logit dan estimasi dengan menggunakan program SPSS. Seperti contoh ilustratif, misalnya ingin diprediksi umur, jenis kelamin dan pendapatan terhadap pembelian mobil. Berdasarkan hasil survai terhadap 48 responden, diperoleh 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 nilai tinggi Tahapan-tahapan dalam SPSS sebagai berikut: 1. Setelah data diinput dalam lembar kerja SPSS kemudian klik Menganalisis gt Regresi gt Binary Logistic. Selanjutnya akan muncul tampilan berikut: 2. Masukkan Y sebagai variabel dependen dengan cara klik Y di kotak kiri, lalu klik tanda panah disamping kotak Dependent. Masukkan X1, X2 dan X3 masuk kotak Covariates, dengan cara klik masing-masing variabel, lalu klik tanda panah disamping kotak covariates. 3. Selanjutnya, karena variabel X3 adalah peubah kategori (ordinal) dengan lebih dari dua kategori (yaitu 0pendapatan rendah, 1pendapatan sedang dan 2pendapatan tinggi) maka ubah terlebih dahulu ke dalam 2 variabel dummy, untuk pengembangan model yang logis dan mudah diinterpretasi, sebagai berikut X31 1, jika konsumen berpendapatanf 0, jika selainnya X32 1, jika konsumen berpendapatan tinggi 0, jika selainnya dalam program SPSS untuk rekam ini dengan cara klik kategoris dari tampilan diatas, maka Akan muncul tampilan berikut: Selanjutnya, klik X3, klik tanda panah disamping Kategoris Kiri. Pilih Referensi Kategori dengan Pertama, lalu klik Ubah dan Lanjutkan. Selanjutnya klik OK. 4. Akan keluar output SPSS untuk regresi logit sebagai berikut (disini hanya bagian yang paling penting yang akan dibahas): Printout 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 1 untuk kategori 1 (umum) dan 0 untuk kategori lainnya. Variabel X32 1 untuk kategori 2 (pendapatan tinggi) dan 0 untuk kategori lainnya. Dengan demikian, kategori 0 (pendapatan rendah) akan menguat 0 baik pada variabel X31 dan X32. Printout di tabel kedua diatas merupakan nilai Khi-kuadrat (2) dari model regresi. Model lengkap model regresi linier dengan metode OLS, kita juga dapat melakukan pengujian arti penting secara keseluruhan. Jika metode OLS menggunakan uji F, maka pada model 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 uji sama dengan uji F pada metode regresi OLS). Tapi, kita juga bisa melihat nilai p-value dari nilai G ini yang biasanya dilakukan oleh sofware-software statistik, termasuk SPSS. Dari output SPSS, didapat nilai 2 sebesar 18,131 dengan p-value 0,001. Karena ini jauh dibawah 10 (jika menggunakan coba dengan 10), atau jauh dibawah 5 (jika menggunakan coba dengan 5), maka dapat disimpulkan model regresi logistik secara keseluruhan dapat menjelaskan atau memprediksi keputusan konsumen dalam membeli mobil. Model di bawah ini. Dalam pelaporannya, model regresi logistiknya dapat dituliskan sebagai berikut: Dari output SPSS diatas menjadi sebagai berikut: Model ini merupakan model peluang membeli mobil (P (xi) yang oleh faktor-faktor umur, jenis kelamin dan pendapatan. Model ini adalah non- Selanjutnya, untuk menjadikan model tersebut linier, lakukan transformasi dengan logaritma natural, (transformasi ini yang menjadi hal penting dalam regresi logistik dan dikenal dengan istilah 8221logit transformation8221), 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 selengkap, ln P (xi) 1-P (xi) secara sederhana adalah log dari perbandingan antara peluang membeli mobil dengan Kesempatan tidak membeli mobil. Demikian juga, dalam hal ini adalah persamaan dari kejadian, jenis kelamin dan pendapatan terhadap peluang Relatif beli mobil yang dibandingkan dengan peluang tidak membeli mobil. Selanjutnya, untuk mengunakan faktor yang sama nyata terhadap keputusan pilihan membeli mobil tersebut, dapat menggunakan uji signifikansi dari parameter yang bersifat parsial dengan statistik uji Wald, yang serupa dengan statistik uji t atau uji Z dalam regresi linier biasa, yaitu dengan Kesalahan masing-masing. Dari output SPSS yang di tampilkan Wald dan p-valuenya. Berdasarkan nilai p-value (dan menggunakan kriteria pengujian 10), dapat dilihat keseluruhan variabel (kecuali X31), nyata (memiliki p-value dibawah 10) terhadap keputusan pembelian mobil. Lalu, bagaimana interpretasi regresi dari persamaan di atas. Dalam model regresi linier, yaitu. Menunjukkan adanya perubahan variabel dependen. Hal yang sama sebenarnya berlaku dalam model regresi logit, di matematis sulit diinterpretasikan. Koefisien dalam model logit menunjukkan perubahan dalam logit sebagai akibat perubahan satu satuan variabel independen. Interpretasi yang tepat untuk hal - hal yang dimaksud pada perbedaan antara dua logit. Oleh pelengkap, dalam model logit, dikembangkan pengukuran yang dikenal dengan nama odds ratio (). Odds ratio untuk masing-masing variabel yang ditampilkan oleh SPSS hemat yang terlihat tabel diatas (kolom Exp (B)). Odds ratio dapat dirumuskan: e, dimana e adalah bilangan 2.71828 dan adalah masing-masing variabel. Sebagai contoh, odds ratio untuk variabel X2 e-0.1602 0,201 (lihat output SPSS). Dalam kasus variabel X2 (jenis kelamin dimana 1 wanita dan 0 pria), dengan odds ratio sebesar 0,201 dapat diartikan adanya peluang wanita untuk membeli mobil adalah 0,201 kali membandingkan pria, jika umur dan pendapatan mereka sama. Artinya wanita memiliki peluang lebih rendahi dalam membeli mobil pria. Dalam kasus variabel X1 (umur), dengan odds ratio sebesar 1.153 dapat diartikan sebagai konsumen yang berumur lebih tua satu tahun kesempatan 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 rasio), hati-hati menginterpretasikan nilai perbedaannya. Jika beda umur lebih dari 1 tahun, misalnya 10 tahun, maka odds rationya akan menjadi 4,14, yang dihasilkan dari perhitungan sbb: e (10 x 0.142). Angka 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 signifikan. Artinya, peluang membeli mobil antara konsumen dan sedang sama saja. Memenuhi, untuk X32, bisa diinterpretasikan adalah peluang membeli mobil konsumen tinggi adalah 6,45 kali. Wah wah wah. Pada gimana nih kabarnya Moga baik dan sehat-sehat saja ya hehehe. Yap, s ekarang kita belajar lagi yuk materi yang baru. Nah, kali ini saya mau ngebahas dan ngasi contoh untuk metode statistik regresi logistik. Kalau sobat pernah baca postingan saya tentang multiple regression. Maka bedanya ada pada skala data variabel terikatnya sob. Untuk regresi logistik, skala data variabel terikat (Y) adalah kategorik (non metrik). Ya bisa dua kategori, lebih dari dua (banyak kategori) dan bisa juga skala datanya ordinal kategorik. Terkait konsep, sebenarnya sama saja dengan regresi biasa (sederhana maupun berganda) yaitu melihat pengaruh dari variabel-variabel bebas terhadap variabel terikat. Regresi logistik ini juga dipakai sebagai alternatif dari analisis multivariat yaitu analisis diskriminan (pembeda). Nah, sebagai pengantar pengetahuan saja, dalam analisis diskriminan kan dibutuhkan kenormalan multivariat. Nah, b edanya dengan uji kenormalan biasa seperti ini k alau uji kenormalan biasa, yang diuji kenormalannya adalah residual dari variabel dependdependennya sedangkan untuk multivariat normal, yang diuj kenormalannya adalah keseluruhan variabel bebasnya. Asumsi multivariat normal ini terkadang sulit dipenuhi dalam analisis diskriminan karena variabel bebas yang digunakan merupakan gabungan antara skala data kategoriknon metrik dan kontinyumetrik. Dalam regresi logistik dikenal konsep Odds Ratio yang sama artinya dengan probabilitas atau kecenderungan. B y the way. t erkait analisis diskriminan ini akan dibahas secara khusus pada postingan berikutnya. Sabar aja ya hehe. Kalau seandainya,dalam penelitian sobat, pakainya ada dua kategori pada variabel terikatnya misalnya 8220lulus8221 dan 8220tidak lulus8221, maka dinamakan binary logistic regression. Kalau semisalnya lebih dari dua kategori alias banyak dinamakan multinomial logistic regression. Nah, satu lagi, kalau skala data variabel terikatnya ordinal (peringkat), dinamakan ordinal logistic regression. Oke deh kali ini saya berikan contoh pengerjaannya. Monggo, datanya download disini Kalo sobat sudah ambil dan lihat datanya, ada tiga buah variabel yakni hasil tes tertulis, jenis kelas dan nilai tes praktikum. Disini saya mengambil sampel secara acak yakni 30 mahasiswa jurusan tehnik sipil suatu kampus. Hasil tes tertulis yang adalah variabel terikat merupakan kategorik (dua kategori yaitu 1lulus dan 0tidak lulus), jenis kelas juga kategorik (1reguler dan 0non reguler) dan nilai tes praktikum adalah non kategorik (kontinyu). Berikut cuplikan tampilan data view dan variabel viewnya: japra: jadi dalam analisis reglog kita menggunakan variabel bebas yang berskala data kualitatif (nominal atau ordinal) sehingga kita tidak bisa menghitung varians dan rerata dari variabel yang berskala data kualitatif. Selanjutnya, dalam uji asumsi yang lain misalnya multikol, itu hanya digunakan kalau kita menggunakan variabel bebas dengan skala data yang sama bukan gabungan (beberapa kuantitatif dan ada juga yang kualitatif). Uji F dan T sama dengan yang di OLS anonim: kalau untuk melihat besarnya pengaruh suatu variabel bebas kamu bisa lihat nilai koefisiennya modelnya saja dan coba sandingkan dengan teori yang ada. Ingat bahwa statistik itu hanya tools sehingga harus selalu dilakukan uji kebaikan model statistik, bisa dgn melihat nilai R square, classification plot bahkan mengembalikan hubungan variabel bebas terhadap tidak bebas ke dalam esensi keilmuannya (apa benar pengaruhnya benar seperti yang ditunjukkan oleh model statistik). Demikian. Salam Salam kenal mas.. Saya punya tugas seberapa besar pengaruh website promosi yg saya buat terhadap jumlah transaksi penjualan perharinya selama 1bulan. Jd Y nya saya bikin 1 dari website saya 0 dari media lain, buat X nya saya buat kuisioner skla likert dengan 2 variable dr website saya, jadi ketika ada pembeli yg membeli barang saya kasikan kuisionernya. Apakah bisa analisis reg log untuk mencari besran pengaruh website promosi saya terhadap jmlah transaksi penjualan perharinya selama satu bulan. Trimss
3-period-moving-average-forex-trading
Binary-options-trading-winning-strategy-for-sic-bo