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. 261-275Sebagai kelanjutan dari tulisan mengenai modello pilihan kualitatif, pada bagian ini, Akan dijelaskan modello contoh logit binario dan estimasinya dengan menggunakan programma SPSS. Sebagai 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, wanita Jika konsumen berjenis kelamin, 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. dati Setelah diinput Dalam Lembar Kerja SPSS kemudian klik Analizza Regressione gt gt binaria logistica. selanjutnya Akan Muncul tampilan berikut: 2. Masukkan Y sebagai variabile dipendente dengan cara klik Y di Kotak kiri, kemudian klik tanda panah disamping Kotak dipendenti. X1 Masukkan, X2 dan X3 kedalam Kotak covariate, dengan cara klik variabile Masing-Masing, kemudian klik tanda panah disamping Kotak covariate. 3. Selanjutnya, Karena variabel X3 merupakan peubah kategori (ordinale) dengan Lebih Dari dua kategori (yaitu 0pendapatan rendah, 1pendapatan Sedang dan 2pendapatan Tinggi) Maka diubah terlebih dahulu ke Dalam 2 variabel manichino, untuk modello mengembangkan yang Logis dan Mudah diinterpretasi, sebagai berikut : (ini sama dengan prosedur regresi dengan variabel bebas manichino sebelumnya) X31 1, Jika konsumen berpendapatan menengah 0, Jika selainnya X32 1, Jika konsumen berpendapatan Tinggi 0, Jika selainnya programma Dalam SPSS untuk mengkonversi ini dengan cara klik categoriale dari diatas tampilan, Maka Akan Muncul berikut tampilan: Selanjutnya, klik X3, klik tanda panah disamping covariate categoriche. Pilih Riferimento Categoria dengan In primo luogo, kemudian klik Change dan Continua. Selanjutnya klik OK. 4. uscita keluar Akan SPSS untuk regresi logit sebagai berikut (disini Hanya ditampilkan bagian-bagian terpenting saja yang dibahas Akan): La stampa di tabel Pertama diatas menjelaskan transformasi variabel X3 dengan kategori 0,1 dan 2 menjadi dua variabel manichino yaitu X31 X32 dan. 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 (Tinggi pendapatan) dan 0 untuk kategori lainnya. Dengan demikian, kategori 0 (pendapatan rendah) Akan bernilai 0 baik pada variabel X31 X32 dan. Stampa di tabel kedua diatas merupakan Nilai Khi-KUADRAT (2) Dari modello regresi. Sebagaimana modello halnya regresi lineari OLS dengan Metode, Kita Juga dapat melakukan pengujian arti penting modello Secara complessive degli ospiti. Jika metode OLS menggunakan uji F, Maka pada modello 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. (Kritéria pengujian dan cara pengujian Persis sama dengan uji F OLS pada metode regresi). Tetapi, Kita Juga Bisa Melihat Nilai p-value dari nilai G ini yang biasanya ditampilkan Oleh download-software Statistik, termasuk SPSS. Uscita Dari SPSS, Nilai didapatkan 2 sebesar 18.131 dengan p-value 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 modello regresi Logistik Secara complessive degli ospiti dapat menjelaskan atau memprediksi keputusan konsumen Dalam membeli mobil. Stampa di tabel ketiga memberikan estimasi koefisien modello dan pengujian hipótesis parsial dari koefisien modello. Dalam pelaporannya, modello regresi logistiknya dapat dituliskan sebagai berikut: uscita Dari SPSS diatas menjadi sebagai berikut:. Modello ini modello merupakan peluang membeli Mobil (P (xi) yang dipengaruhi Oleh Faktor-Faktor Umur, Jenis kelamin dan pendapatan Modello tersebut Adalah bersifat non parametro Dalam lineare. Selanjutnya, untuk modello menjadikan tersebut lineare, dilakukan transformasi dengan logaritma naturali, (transformasi ini yang menjadi Hal penting Dalam regresi Logistik dan dikenal dengan istilah logit trasformazione), 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 accedere 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 relativa individu 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 parametro 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 errore di Masing-Masing koefisien. Dari uscita SPSS ditampilkan nilai Wald dan p-valuenya. Berdasarkan Nilai p-value (Dan menggunakan Kritéria pengujian 10), dapat Visualizzati di recente seluruh variabel (kecuali X31), berpengaruh nyata (memiliki p-value dibawah 10) terhadap keputusan membeli mobil. Lalu, bagaimana interpretasi koefisien regresi logit dari persamaan di ATAS. Dalam modello regresi lineare, koefisien i menunjukkan perubahan nilai variabel dipendente sebagai akibat perubahan Satu satuan variabel indipendente. Hal yang sama sebenarnya Juga berlaku Dalam modello regresi logit, tetapi Secara matematis Sulit diinterpretasikan. Koefisien modello Dalam logit menunjukkan perubahan Dalam logit sebagai akibat perubahan Satu satuan variabel indipendente. Interpretasi yang tepat untuk koefisien ini tentunya tergantung pada kemampuan menempatkan arti dari perbedaan Antara dua logit. Oleh karenanya, Dalam modello logit, dikembangkan pengukuran Yang odds ratio dikenal dengan NAMA (). Odds ratio untuk Masing-Masing variabel ditampilkan Oleh SPSS sebagaimana diatas yang terlihat recapitassero (Kolom Exp (B)). Odds ratio 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 0201 (Lihat uscita SPSS). Dalam Kasus variabel X2 (Jenis kelamin dimana 1 wanita dan 0 Pria), odds dengan rapporto sebesar 0201 dapat diartikan bahwa peluang wanita untuk membeli mobil Adalah 0201 kali Pria dibandingkan, Jika Umur dan pendapatan mereka sama. Artinya Wanita memiliki peluang Lebih rendahi Dalam membeli mobil Pria dibandingkan. Dalam Kasus variabel X1 (Umur), odds dengan rapporto 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 rapporto Skala variabel dengan), hati-hati menginterpretasikan nilai perbedaan peluangnya. Jika perbedaan Umur Lebih dari probabilità 1 tahun, misalnya 10 tahun, maka rationya Akan menjadi 4,14, Yang diperoleh Dari perhitungan FFS: 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 Kritéria 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 modello Harus diperbaiki. Langkah yang Harus dilakukan Adalah periksa dati terlebih dahulu (terutama outliernya). modello Kedua periksa, (uji multikolinearitas antar variabel bebas). dati Ketiga tambah. makasih pak ATAS pembahasanya semoga berkah ilmunya, maaf saya mau Tanya Lagi pak. regresi logiistik salah Satu variabel saya Adalah plafon pinjaman, saya Pakai manichino sebagai berikut plafon1 plafon2 1. 500.000 0 0 gt 1. Riferimento 500.000 Karena 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 valore saya tulis 0 lainya dan 1 1. 500.000 kemudian saya Olah, pas ternyata Kolom summray caso di trasformazione, variabel gt 1. 500.000 di rimuovere analisa dari dan Jadi konstanta akhirnya di Kolom categorica variabel codifica 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