Spss-regresi-logistik-biner-pilihan

Spss-regresi-logistik-biner-pilihan

Stock-options-by-companies
Forex-trading-etoro-review
Free-forex-trading-software-dengan-sinyal


Saluran Bollinger-band-donchian RBI-rules-for-online-forex-trading Belajar-forex-trading-in-pakistan-sakit Trading pola candlestick forex converter Forex pemenang sistem protokol rahasia forex Forex-trading-companies-australia-news

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 bobot sebesar 0,030 kali dengan nilai signifikansi yang baik yaitu 0,018 lt 0,05. (Yoso) download materi dalam bentuk pdf di bawah ini gtgtgtTutorial Contoh Analisis Regresi Logistik binerdikotomi dengan SPSS Pada hari sebelumnya telah membahas tentang konsep dari regresi logis biner . Sesuai dengan janji penulis akan dibahas tutorial regresi logistik biner dengan SPSS. (Kayak pemilu aja ya.:p). Untuk contoh kasus kali ini, terinspirasi dari tugas kelompok perkuliahan yang diambil dari tugas. 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: pendekatan 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 atas 2 kategorik yaitu diberi angka 2 jika memiliki anak perusahaan dan 1 jika perusahaan tidak memiliki anak perusahaan opini auditor diukur dengan 2 jika tidak ada opini dan dengan yang lain rasio dan ukuran Perusahaan nilai dengan logaritma nilai pasar alami. Variabel terikat adalah ketepatan penyampaian laporan keuangan, dengan kode 1 untuk perusahaan yang tepat waktu dan 0 untuk perusahaan yang terlambat. Data yang digunakan dalam penelitian ini tidak mungkin terjadi jika teman ingin mencoba juga bisa Download dibagian bawah nanti ya. Dalam tutorial ini menggunakan SPSS 20 .Langsung saja ya dengan langkah-langkahnya. Langkah-langkah dalam pengujian analisis regresi logistik Pada posisi file telah terbuka, maka akan terlihat pada layar data tentang ketepatan penyampaian laporan keuangan perusahaan dengan jumlah variabel-variabelnya. Untuk menganalisis, langkah otomatis adalah pilih menu Analyze. Kemudian pilih Regression dan Binary Logistic. Maka akan muncul tampilan seperti di bawah ini. Kode variabel yang berfungsi sebagai variabel tak bebas dari kotak variabel ke kolom dependent. Dan masukan semua varibel bebas pada kotak Covariate. Untuk Metode, pilih Enter. Sebenarnya bisa dipilih metode apa saja karena model yang terbentuk akan sama (dalam artian penduga-penduga parameternya akan memiliki nilai-nilai yang sama). Akankah, cari metode masuk, harus dilakukan proses dua kali. Pertama, data di jalankan dengan semua variabel untuk melihat variabel mana yang signifikan, setelah itu di jalankan lagi dengan menggunakan variabel yang signifikan itu. Model yang terbentuk akan sama dengan model yang dengan metode lain.Klik Kategoris. Masukkan semua variabel bebas yang terbagi dalam kotak kovariat ke dalam kotak kovariat kategoris. Biarkan contras pada indikator default. Untuk referensi kategori pilih bagian kategori yang akan dipakai sebagai referensi atau pembanding yang akan digunakan dalam interpretasi odds ratio. Bisa menggunakan kategori akhir (terakhir) atau kategori pertama (pertama). Dalam penelitian ini digunakan kategori akhir (terakhir). Kemudian klik Continue. Setelah itu pilih menu pilihan. Centang iteration history untuk dapat mengetahui proses iterasi yang telah berlangsung.Selain itu, akan ditemukan Klasifikasi cut off, yang pada kondisi default sudah diisi dengan 0.5. Nilai ini disebut dengan nilai cut atau probabilitas sebelumnya. Peluang suatu observasi untuk masuk ke salah satu kelompok sebelum karakteristik variabel penjelasnya. Jika kita tidak memiliki informasi tambahan tentang data 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 klasifikasi cutoff sebesar 0,5. Namun, misalnya pada ada penelitian lain yang sudah jadi maka bisa dinaikkanditurunkan klasifikasi cutoff sesuai hasil penelitian. Dalam penelitian ini semua variabel numerik dalam standar 0,5. Abaikan bagain yang lain, klik continue. Abaikan bagian yang lain, dan tekan OK maka akan keluar output dari Regresi Logistik. Intrepretasi Hasil analisis regresi logistik Setelah keluar output dari hasil running data di SPSS maka didapat hasil analisis sebagai berikut: Data yang Hilang Pada tabel di atas, dapat dilihat tidak ada data yang hilang (missing cases). 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 terbentuk dummy variabel. Penelitian ini menggunakan dua variabel penjelas yang kategorik yaitu variabel. Untuk variabel opini Nanti yang akan digunakan sebagai kode referensi (kode pembanding) adalah Wajar Tanpa Pengecualian (lihat pada tabel di atas bagian codings yang berkode nol). Sementara untuk variabel. Yang menjadi kode pembanding adalah Punya anak perusahaan. Kode pembanding ini akan digunakan untuk menafsirkan Odds Ratio. Uji Signifikansi Model Dari hasil SPSS dapat digunakan tabel 8220 Uji Omnibus Model Coefficients 8221 untuk melihat hasil uji secara simultan pengaruh variabel bebas ini. Berdasarkan tabel di atas hasil perolehan Sig.Model sebesar 0.000. Karena ini lebih kecil dari 5 maka kita menolak Ho pada tingkat signifikansi 5 sehingga disimpulkan bebas variabel yang digunakan, sama-sama sama dengan ketepatan penyampaian laporan keuangan suatu perusahaan. Atau minimal ada satu variabel bebas yang sedang. Persentase Ketepatan Klasifikasi (Persentase Benar) Persentase ketepatan model dalam mengkasifikasikan observasi adalah 78,6 persen. Pertanyaan dari 70 observasi, ada 55 observasi yang tepat pengklasifikasiannya oleh model regresi logistik. Jumlah pengamatan yang tepat pengklasifikasiannya dapat dilihat pada diagonal utama. Uji Parsial dan Pembentukan Model Pada uji diharapkan Ho akan ditolak dengan variabel yang sedang masuk ke dalam model. Dengan bantuan tabel 8220Variables in The Equation8221 dapat dilihat variabel mana saja yang signifikan karena dapat. Jika nilai sig.lta maka Ho ditolak. Berdasarkan hasil di atas yang diketahui 2 variabel bebas yang signifikan terhadap ketepatan penyampaian laporan keuangan perusahaan karena masing-masing variabel ini memiliki nilai signifikansi yang lebih kecil dari a5. Variabel-variabel tersebut adalah Profitabilitas (Sig.0.004) dan Likuiditas (Sig.0.000). Model 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 Variabel dalam Persamaan 8221 pada kolom Exp (B): Berdasarkan hasil di atas kita dapat Menginterpretasikan Odds ratio sebagai berikut: Jika jumlah profitabilitas perusahaan bertambah 1 unit maka kecendrungan perusahaan tersebut untuk tepat waktu menyampaikan laporan keuangan menjadi 2.780 kali lipat. Sebuah perusahaan yang tidak memiliki anak perusahaan akan memiliki kecenderungan untuk menyampaikan laporan keuangan secara tepat waktu sebesar 3.057 kali dibandingkan perusahaan yang memiliki anak perusahaan (kepentingan pada kode referensi). Perusahaan dengan opini auditor adalah opini lain. 0,848 kali (lebih rendah) untuk tepat waktu dalam laporan keuangan dibandingkan dengan perusahaan yang Wajar tanpa Pengecualian. Jika Current ratio pada likuiditas bertambah 1 persen maka perusahaan akan menunjang 1.708 kali untuk tepat waktu menyampaikan laporan keuangannya. Bila ukuran perusahaan bertambah 1 unit maka perusahaan tersebut menunjang 1.123 kali untuk tepat waktu dalam laporan keuangannya. Buat yang ingin mencoba silahkan download filenya dibawah ini: tutorial reglog biner (SPSS 20) Ditulis oleh: Nasrul Setiawan Terima kasih sudah membaca artikel Analisis regresi Logistik SPSS dengan judul Tutorial Contoh Analisis Regresi Logistik binerdikotomi dengan SPSS. Anda bisa bookmark halaman ini dengan URL statistikceria.blogspot201301tutorial-analisis-regresi-logistik.html. Bila ada yang kurang jelas silahkan tinggalkan komentar atau pesan.KONSEP REGRESI LOGISTIK CONTOH DENGAN SPSS 16 (Kasus Binary Reglog) Malam ni sobat semua. 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 merupakan komponen yang dapat digunakan dalam menggabungkan data antar kategori kategoriknon metrik dan kontinyumetrik. Dalam regresi logistik dikenal konsep Odds Ratio yang sama dengan probabilitas atau kecenderungan. Ngomong-ngomong. 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 8220lulus8221 dan 8220tidak lulus8221, maka dinamakan regresi logistik biner. Kalau semisalnya lebih dari dua kategori alias banyak dinamakan regresi logistik multinomial. Nah, satu lagi, kalau skala data variabel terikatnya ordinal (peringkat), dinamakan ordinal logistic regression. Oke deh kali ini saya menanam contoh pengerjaannya. Monggo, datanya download disini Kalo sobat sudah ambil dan lihat datanya, ada tiga buah variabel, hasil tes tertulis, jenis kelas dan nilai praktikum. Disini saya mengambil sampel secara acak 30 mahasiswa jurusan tehnik sipil suatu kampus. Hasil tes tertulis yang merupakan variabel terikat adalah kategorik (dua kategori yaitu 1lulus dan 0tidak lulus), jenis kelas juga kategorik (1reguler dan 0non reguler) dan nilai praktikum adalah non kategorik (kontinyu). Berikut cuplikan tampilan tampilan data dan variabel viewnya: japra: jadi dalam analisis reglog kita menggunakan variabel bebas yang berskala data kualitatif (nominal atau ordinal) sehingga kita tidak bisa menghitung varian dan rerata dari variabel yang berskala data kualitatif. Selanjutnya, dalam uji asas 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 efeknya bisa anda lihat sama modelnya saja dan coba sandingkan dengan teori yang ada. Ingat itu statistik itu hanya alat - alat yang harus selalu dilakukan uji kebaikan model statistik, bisa dengan melihat nilai R square, klasifikasi plot bahkan tidak bebas untuk tidak masuk ke esensi keilmuannya (apa benar pengaruhnya benar seperti yang oleh model statistik). Demikianlah. Salam Salam kenal mas .. Saya punya tugas sekadar pengaruh website promosi yg saya buat terhadap jumlah transaksi penjualan perharinya selama 1bulan. Jd Y nya saya bikin 1 dari situs saya 0 dari media lain, buat X nya saya buat kuisioner skla likert dengan 2 variabel dr website saya, jadi kapan ada barang yg barang saya kasikan kuisionernya. Apakah bisa analisis reg log untuk mencari besran pengaruh website promosi saya terhadap jmlah transaksi penjualan perharinya selama satu bulan. TrimssMinggu yang lalu, saya telah menyampaikan mengenai konsep regresi logistik biner. Pada minggu ini, saya akan coba beli lagi dengan program angkah-langkah nya dengan menggunakan bantuan program SPSS. Langkah-langkahnya adalah sebagai berikut: 1. Buka lah program SPSS yang anda miliki 2. Masukan data nya --gt sebagai contoh, data yang saya gunakan adalah data latihan dari buku Analisis Data Kategoris (Alan Agresti, 2007, edisi 2 --gt Halaman 132), pada kasus saya variabel penjelasnya ada 2 (skala penuh rasio dan t dengan skala nominal) dan variabel terikatnya dalam bentuk nominal (terdiri atas 2 kategori - gt biner) 3. pilih opsi tampilan variabel. Lalu ubahlah nama variabel dan label -nya sesuai dengan kasus masing-masing. Saat ini, saya akan menggubah nama menjadi D, T dan Y misalnya. Kemudian Nilai nya disesuaikan nilainya. Bila data berbentuk nominal atau ordinal (misalnya untuk T dan Y), ukurlah dari skala menjadi nominal. 4. Data telah beres, kemudian pilih opsi Menganalisis gt Regresi gt Binary Logistik 5. Masukkan Y sebagai variabel Dependent dan D serta T sebagai kovariat. Untuk metode nya saat ini saya masih tetap menggunakan enter. 6. Karena T terbentuk kategorik, maka harus ditetapkan referensi Kategori nya dengan cara memilih pilihan Kategoris. Untuk kemudahan interpretasi biasanya saya memilih dulu untuk referensi nya. Berarti setiap kategori akan diperbandingkan dengan kategori pertama. Kemudian JANGAN LUPA pilih perubahan. Klik Lanjutkan. 7. Pilih opsi. Lalu centang hosmer lemeshow dan klasifikasi plots dan klik continue. Kemudian OK. Baik. Untuk Interpretasi Outputnya silahkan membaca postingan berikutnya yang berjudul. Analisis Regresi Logistik (interpretasi). Terimakasih sudah membaca. -Ferdi Fadly -
Platform forex-trading teratas
Dukascopy-binary-options-platform