Pilihan Jurnal Regresi Logistik Biner

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. Dengan nilai signifikansi yang baik yaitu 0,018 lt 0,05. (Yoso) download materi dalam bentuk pdf di bawah ini gtgtgtRegresi logistic merupakan salah satu analisi multivariat, yang berguna untuk memprediksi variabel dependen. Pada regresi logistik, variabel dependen adalah variabel dikotomi (kategori). Bila kategori variabel dependennya dua kategori maka digunakan biner logistik, dan kapan dependen variabelnya lebih dari dua kategori maka digunakan regresi logistik multinominal. Lalu ketika dependen variabelnya berbentuk rangking, maka disebut dengan regresi logistik ordinal. Konsep Regresi Logistik Regresi logistik merupakan alternatif uji jika asas multivariat normal pada variabel bebasnya tidak dapat terpenuhi saat akan dilakukan analisis diskriminan. Tidak terpenuhinya asas ini tergantung variabel bebas antara variabel kontinyu (metrik) dan kategorial (non metrik). Misalnya, probabilitas adalah 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 membutuhkan hubungan linier antara variabel bebas dengan variabel terikat. Regresi logistik dapat menyeleksi hubungan karena menggunakan pendekatan non linier log transformasi untuk memprediksi odds ratio. Odd dalam regresi logistik sering sebagai probabilitas. Misal Odd sebuah perusahaan dapat bangkrut atau berhasil atau aneh seorang anak bisa lulus atau tidak pada Ujian Nasional. Variabel bebas tidak perlu asas multivariat normalitas Asumsi homokedastis tidak diperlukan Variabel bebas tidak perlu dirubah ke bentuk metrik (rasio interval atau skala) CONTOH KASUS Data Regresi Logistik Yang Diberikan Adalah Data Fiktif Bukan Data Sebenarnya, Cuma Latihan Uji Statistik Seorang dokter ingin mengetahui probabilitas seorang Pasien dengan penyakit jantung berdasarkan rutinitas kebiasaan merokok dan usia Data banding dari 30 orang pasien yang melakukan pemeriksaan kesehatan di RS ABC merokok (1), tdk merokok (0) Usia (tahun) Pada menu Menganalisis, Pilih Regresi gtgt Biner Logistik Masukan variabel sakit ke Dependent, kemudian variabel rokok dan usia ke 8220covariate box8221 Kemudian, Klik Options, lalu beri Tanda pada Klasifikasi Plot, Hosmer-Lemeshow GoF, Correlation matrix, dan itteration history Klik Continue, then OK HASIL Dan INTERPRESTASI Menilai Model Fit Untuk Model penilaian cocok bisa diperhatikan Nilai statistik -2LogL yaitu tanpa mengikutsertakan hanya variabel konstanta yaitu sebesar 41.589. Bila dihitung 2 variabel baru maka prediksi nilai -2LogL sebesar 16.750. Jumlah beban pajak 41.589 8211 16.750 24.839. Untuk -2LogL pertama menghasilkan nilai 41.589 dengan df1 30-1 29. Nilai ini signifikan pada alpha 5 yang berarti Ho ditolak, modelnya tidak sesuai. Nilai -2LogL kedua adalah sebesar 16.750 dengan df2 30-3 27 tidak signifikan pada alpha 5. (nilai statistik -2LogL di atas dengan nilai ekonomi x2.), Model sesuai dengan data. Statistik - LogL dapat digunakan untuk menentukan apakah variabel bebas dalam model dapat secara signifikan mempengaruhi model. Dengan selisih 24.839 dan df (df1-df229-272) maka menunjukkan angka ini secara signifikan pada alpha 5. Hal ini berarti Ho ditolak dan Model sesuai dengan data. Cox n Snell8217s R Square adalah ukuran efek sama yaitu 0,563 dan nilai Nagelkerke R Square adalah 0,751. Dengan demikian dapat disimpulkan dengan kemampuan variabel bebas menjelaskan model adalah sebesar 75.10. Selanjutnya, Hosmer dan Lemeshow8217s GoF dilakukan untuk mengajukan hipotesis. Jika sig lt 0.05 maka Ho ditolak yang berarti ada perbedaan signifikan antara model dengan nilai observasinya. Jika sig gt 0.05 maka Ho diterima, tidak ada perbedaan antara model dan nilai observasinya. Statistik Hosmer dan Lemeshow8217s GoF hasil perolehan 0,594 (gt 0,05) sehingga dapat diterima sesuai model data. Hosmer dan Lemeshow8217s GoF juga menghasilkan nilai 6.475 dengan probabilitas sebesar 0,594 sehingga dapat disimpulkan sesuai model data. Estimasi Parameter dan Interprestasi Estimasi Maximum Likehood model parameter dapat dilihat dari output pada tabel Variabel dalam Persamaan. Regresi Logistik kemudian dapat ditemukan: 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 dengan signifikan probabilitas 0,032. Dengan memperhatikan persamaan ini maka dapat diinterprestasikan sbb: Log of Odds seseorang terkena secara langsung berhubungan dengan rokok. Probabilitas atau Odds yang ada penyakit jantung jika ia perokok adalah sebesar 5,348. Perokok punya kemungkinan terkena serangan jantung 5.35 kali lebih besar daripada yang tidak merokok. Jika variabel rokok terserap konstan, maka probabilitas seseorang terkena serangan jantung adalah sebesar 0,210 pada setiap kenaikan. Jika Rokok tertelan konstan, maka seseorang memiliki kemungkinan terkena penyakit jantung adalah sebesar 1.233 untuk setiap sekali umur. Sementara jika usia terjangkit maka kemungkinan seseorang terkena penyakit jantung adalah sebesar 210.286 untuk perokok dibandingkan dengan yang tidak merokok. Hasil klasifikasi secara keseluruhan adalah sebesar 90.0 pada cutoff 50 Pertama. Variabel rokok dan umur memiliki hubungan positif dengan odds penyakit jantung kedua. Jika usia bertambah konstan, maka seorang perokok memiliki kemungkinan terkena penyakit jantung sebesar 5.384 kali lebih besar daripada yang tidak merokok. Jika rokok terjatuh, maka kemungkinan terkena penyakit jantung adalah sebesar 0,210 pada setiap sekali umur. Cuma diingatkan8230.data Yang Diberikan Adalah Data Fiktif Bukan Data Sebenarnya, Cuma Latihan Uji Statistik Imam Ghozali. 2009. Aplikasi Analisis Multivariat dengan program SPSS. BP Semarang: Undip, hal. 261-275Regresi Logistik Biner IBM SPSS 23 Makasih, udah sediakan waktu mengisi polling kami, salam hangat Regresi linier seperti yang kita ketahui tidak dapat menyelesaikan kasus dimana variabel dependensi dikotomi dan kategori dengan dua atau lebih kemungkinan (ex. Sukses atau Gagal tidak atau tidak Pilihan lulus atau tidak lulus melakukan pembelian atau tidak mendapat 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 kemungkinan. 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). Odds rati O) 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 p) 0 1X1 2X2. KXk Dimana p adalah kemungkinan 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 peluang adalah 1. Nilai odds ratio biasanya dapat kita lihat pada kolom B pada variabel dalam persamaan output SPSS. 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) 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 (weightgain) sapi para peternak di kota Ketapang bertambah signifikan atau tidak, dengan variabel prediktor adalah jenis kelamin yang terdiri atas laki-laki (M) atau perempuan (F), pemberian obat cacing (Anthelmintik) secara rutin sesuai dosis yang sesuai dengan ya dan no. Biaya per bulan yang menerima dalam AS. 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, contoh data kamu bisa download disini gtgtgt 1. tahap impor data (misalnya dari excel), Buka SPSS kamu, gt baca data teks, pada kotak dialog Buka data, file dari 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, atur label. Variabel, dan lain - lain dalam tampilan variabel,. Analisis regresi logistik gt. Masukkan weightgain ke dalam dependen, dan variabel kategorik yaitu seks dan anthelmintic ke kotak covariates. Lalu klik kategoris Untuk menyesuaikan tipe data variabel kategorik, Di jendela menentukan variabel kovariat pilih referensi kategori pertama. Lalu klik perubahan gt continue, klik next lalu pasang variabel kontinyu cost. Ke dalam covariates, kemudian lanjutkan gt ok, maka outputnya akan ditampilkan, model Chi-Square sebesar 18,440, angka ini menjelaskan kemampuan model dalam prestasi variabel dependen weightgain. Dengan signifikansi 0,000 lt 0,05, berarti ada peningkatan signifikansi dengan penambahan variabel seks. Dan anthelmintik 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). Tentu secara keseluruhan signifikan terhadap model perbaikan (statistik keseluruhan. 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 biaya US 100, maka persamaannya menjadi: Log odds (weightgain) -3,502 0,116 (1) 2,638 (1) 0,011 (100) Log odds (weightgain) -3,502 0,116 2,638 1,1 Jika kita hilangkan log maka persamaan dalam bentuk eksponensial: Interpretasi dari Persamaan Untuk setiap perubahan per unit pada variabel seks (1) (koding dummy untuk variabel Mjantan), akan meningkatkan log weightgain sebesar 0,116. Untuk setiap kenaikan pada variabel anthelmintik (1) sebesar 1 unit, maka akan meningkatkan log weightgain sebesar 2,638. Untuk setiap penambahan dari US1 terhadap biaya variabel. Maka akan meningkatkan peluang Log weightgain sebesar 0,011. 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 sex (1) yang menang pada Male Jantan, memiliki kecenderungan untuk mendapatkan pertambahan berat badan (weightgain) 1.122 kali kelas betina yang menjadi kategori referensi kita ( Ini adalah koding dummy, dimana 0 untuk F dan 1 untuk M). Variabel anthelmintic (1) yang ingat pada yes. Dimana pemberian obat cacing secara teratur dan sesuai dosis memiliki peluang sebesar 13,988 kali dari kategori referensi kita yang ada pada no. Dimana tidak ada pemberian asupan obat cacing secara rutin dan sesuai dosis. Variabel ini sangat signifikan terhadap log odds (weightgain) dengan nilai signifikansi 0,002. Variabel biaya perolehan rata - rata manfaat yang diperoleh sebesar 0,030 kali dengan nilai signifikansi yang baik yaitu 0,018 kali dengan nilai signifikansi yang baik yaitu 0,018 lt 0,05. (Yoso) download materi dalam bentuk pdf disini gtgtgt untuk yang mengerjakan regresi logistik dengan software eviews, step by step dicoba contohnya dengan harga jual. Ada yang tahu persis bagaimana cara kerjanya? Coba lagi dengan yang lain. Buku referensi berikut ini: Ekonometrika Pengantar dan Aplikasinya Disertai Panduan Eviews, oleh Agus Widarjono Ph. D lihat buku gtgtgt Analisis Ekonometrikan dan Statistika Dengan Aplikasi Eviews, oleh Wing Wahyu Winarno, lihat buku gtgtgt 146 pemikiran tentang ldquo Regresi Logistik Biner IBM SPSS 23 rdquo om Dave bilang: Pagi mas Ary .. numpang nanya neh (maaf sebelumnya kalau pertanyaannya terkesan sepele maklum masih dangkal pengertian tentang statistik) Saya ingin mencoba tentang salah satu sub dalam saya. Saya ingin melakukan analisis faktor yang mempengaruhi preferensi untuk menanam (822018221) atau tidak menanam (822008221) pohon di lahan miliknya. Atas dasar respon yang bersifat binernominal tersebut saya menggunakan regresi logit untuk menilai kecenderungan faktor menggunakan rasio odd terhadap respon. Yang merupakan masalah bebas yang saya gunakan sebagai faktor tidak seragam atau ada yang merupakan kualitatif dan ada pula yang kuantitatif (data tipe rasio hasil pengamatan dan pengukuran). Dimana data-data kualitatif tersebut saya coba kuantitatifkan dengan menggunakan skala ordinal maupun likert. Pertanyaan nya adalah: 1. saat mengkuantitatifkan suatu data kualitatif, haruskah jumlah ordo danatau kelas interval yang digunakan samaseragam antara tiap parametervariabel kualitatif yang lain. 2. dalam regresi logistik. Apakah semua variabel bebas (Xn) yang digunakan harus merupakan variabel dengan tipe data yang sama (apakah harus seragam, ordinal sajainterval sajarasio saja). Apakah model tidak bisa digunakan jika variabel bebas yang dipakai tidak seragam atau kombinasi antara data ordinal, interval, dan ratio. 3. jika tidak bisa, apakah saya harus catatan data kuantitatif yang bertipe rasio tersebut menjadi data bertipe intervalskala likert agar saya bisa digunakan dalam model regresi logistik. 4. jika harus menkonversi data kuantitatif bertipe ratio ke dalam skala likert, haruskah jumlah kelas interval nya sama dengan jumlah ordo dan atau kelas interval dari data kulitatif yang telah dikuatitatifkan sebelumnya. 5. berhubungan dengan penentuan responden, berdasarkan kemungkinan respon 822018221 (memilih menananm pohon) dan 822008221 (tidak menanam pohon). Jika total responden yg akan diambil sebanyak 60 responden, mana teknik yang lebih tangguh yg lebih baik: a. Jumlah responden yang menanam dan tidak menanam pohon ditentukan secara proposional (50. 50). Atau8230 b. Jumlah responden yg menanam dan tidak secara langsung. Contoh beberapa variabel2 bebas yang dirancang untuk digunakan dalam penelitian: Harga kayu gtgt Rpm3 gtgt tipe rasio Luas lahan kering responden gtgt Ha gtgt tipe rasio Jarak lahan kering dari rumah responden gtgt Km gtgt tipe rasio Pendapatan dari hutan rakyat gtgt Rasio gtgt tipe Rptahun Hutan rakyat gtgt Rasio gtgt tipe gtgt tipe gtgt tipe rasio. Gtgt tipe rasio gtgt tipe rasio rasio gtgt tipe rasio rasio gtgt tipe rasio. Apakah data bertipe nominal dan ordinal dapat digunakan sebagai variabel bebas dalam regresi logistik jika tidak bisa bagaimana cara mentransformasi ke tipe interval atau rasio. Tingkat pendidikan terakhir responden gtgt kualitatif gtgt ordinal 4 ordo Keanggotaan dalam kelompok tani gtgt kualitatif gtgt ordinal 3 ordo Kelerengan lahan gtgt kualitatif gtgt interval 5 kelas Persepsi luas tegakan hutan gtgt kualitatif gtgt ordinal 3 ordo Kebijakan insentif gtgt kualitatif gtgt nominal 822018221 dan 822008221 Pendidikan non formal Gtgt kualitatif gtgt nominal 822018221 dan 822008221 Status sosial gtgt kualitatif gtgt ordinal 3 ordo Faktor Waris gtgt kualitatif gtgt nominal 822018221 dan 822008221 Kemudahan pemasaran kayu gtgt kualitatif gtgt ordinal 3 ordo Terima kasih. Dan Mohon Pencerahaannya .. Om Dave bilang: wah wah wah wah mantaaaaaaaafff mas ari saya sangat tertolong sama penjelasan mas ari selama ini. Saya jadi bisa mantap menggunakan model regresi logit ini dalam penelitian saya .. Makasih banyak mas. Semoga ilmu yang mas sharing untukku menjadi pahala yang terus mengalir .. om Dave said: mas mo nanya lagi neh. Masih boleh kan Hehehe .. klo melakukan analisis regresi logistik dengan spss. Matriks korelasi output yang dihasilkan atas dasar pearson atau spearman mas. Alow ariyosooooooooo 8230 mw nanya nie 8230 seandainya pada saat diuji spss ni 8230 kan mau uji kenalan 8230 nah saya kan beli perataan laba jadi pakai DUMI. Tapi hanya mandiri sekali dan hanya tanggungan nya saja 1. mending pakai regresi apa yah. Huhuhuhue Oke Marcelina, klo regresi antara 1 variabel dependen dengan 1 variabel independen itu bisa cukup dengan regresi linier sederhana, modelnya simpel yaitu Y a bX dimana Y var dependen, sebuah konstanta, b kemiringan, X var bebas, kalo dengan variabel dummy bukan bukan berarti jadi regresi logistik, emang dummy itu angkanya 1 dan 0, tapi pada variabel independennya, bukan dependennya. marcelina tetep bisa pake regresi sederhana dengan model Y a bx dummy e, dimana e itu error..coba liat beberapa referensi tentang regresi linier sederhana8230karena biasanya pada model regresi yang ada variabel dummy (indikatornya), konstantanya tidak ikut dihitung, dengan kata lain harus dihilangkan..Okey8230. Sri Wahyuni berkata: Pagi8230 Mas ari, saya yuni mahasiswa matematik yang lagi buat skrip tapi make regresi logistik.. saya mau nanya, kalo uji goodnees of fit yang memakai nilai statistik pearson yang rumusnya chisquare sigma j rj kwadrat rj (yj - mj. phij) akar phi-j 8230dst nah yj, mj, amp phij itu keterangannya pa ya mas. mohon bantuannya thank8217s be4.. Siska YD berkata: Salam Kenal Pak ahli statistik (he..he) senang x saya menemukan blog Bpk. kebetulan lagi bingung tentang penelitian saya. mohon bantuan Bpk. judul penelitian saya hubungan informasi dalam laporan keuangan dengan tingkat akuntabilitas dan transparansi. dengan demikian informasi dalam laporan keuangan (X) dan akuntabilitas (y1), transparansi (y2). analisisnya korelasi apa yang cocok digunakan y pak terimakasih banyak sebelumnya atas bantuan bpk semoga berkah dan amal bagi bapak. amin8230 salam kenal juga siska, saya juga sebenarnya masih belajar, jadi bukan ahli yaa..cuma sekedar ingin sharing apa yang saya ketahui mungkin dalam bayangan saya siska bisa membandingkan, korelasi mana yang paling signifikan apakah akuntabilitas dengan informasi laporan keuangan atau transparansi dengan informasi dalam laporan keuangan,,berarti tujuannya penelitian dan judulnya diganti. atau siska bisa baca materi tentang korelasi kanonik yang mengukur korelasi antara dua kelompok variabel, dimana kelompok variabel X dapat dikorelasikan dengan kelompok variabel Y (Y1 dan Y2). mas, maaf saya mau nanya, saya lagi nyusun skripsi dengan sampel total populasi sebesar 48 orang, tp saya disuruh buat uji power, saya blm mengerti apa yg hrs saya lakukan makasih banyuak ya bisa8230uji power dilakukan buat nentuin apakah populasi sampel yang linda gunakan itu tepat, katakanlah dengan 48 populasi sampel, hasil yang kamu dapatkan masih memiliki standar error yang besar, maka lebih tepat lagi sampelnya ditambah8230uji power akan dipengaruhi oleh beberapa hal misalnya: 1) jumlah sampel semakin besar jumlah sampel yang kamu gunakan, maka power dalam pengujian yang kamu lakukan akan semakin besar, 2) tingkat signifikansi semakin besar tingkat signifikansi, maka power dalam pengujian kamu akan semakin besar, berarti batas penerimaan akan hasil uji akan semakin kecil, 3) semakin besar perbedaan antara nilai parameter sebenarnya dengan nilai yang ditentukan dalam hipotesis null, maka power pengujian kamu akan semakin besar.. Nah, sebagai contoh kamu bisa melihat bab tentang uj i one way anova disini gtgt 8230di bagian TUKEY POST HOC TEST, jika saja saya menambah jumlah sampel yang digunakan, mungkin lebih banyak kelompok yang signifikan, dengan demikian, power dalam pengujian saya akan semakin besar. OKEY,,sebagai catatan kamu juga bisa menggunakan TUKEY POST HOC TEST sebagai uji power, Salam kenal8230 saya evi mahasiswa matematika UPI (non dik). Saya ingin bertanya tentang overdispersi dalam regresi logistik. Yang masih saya bingungkan, overdispersi itu terjadi jika ada korelasi antar peluang respon (variabel Y), sedangkan yang saya tahu, dalam regresi logistik itu, variabel Y nya cuma 1. Mohon penjelasannya terima kasih iyap betul, overdispersi cuma terjadi pada model logit8230mudahnya gini, overdispersi terjadi karna ketidakcocokan antara variabel respon (Yi) dengan nilai perkiraan Yi dimana Var(Yi) nii(1-i), overdispersi terjadi jika Var(Yi) gt nii(1-i), sedangkan underdispersi terjadi jika Var(Yi) lt nii(1-i). ini bisa terjadi karena penghilangan salah satu kovariat (1 atau 0), data yang saling berkorelasi, dan kompleksitas data yang tidak diketahui. emang bener variabel Y cuma 1, yang bertabrakan (tidak cocok) adalah variabel respon Y dengan nilai perkiraannya (predicted value)8230akibatnya estimasi error maupun hasil uji goodness-of-fitnya ga sesuai harapan alias jadi aneh atau terganggu..karena itu ada lagi tahap adjusmentnya jika terjadi hal demikian, kamu bisa baca materi tentang quasilikelihood atau deviance statistic8230okeh8230 mas ari, saya irun.. saya mau nanya (maaf klo pertanyaanya spele8230) apakah ada kriteria atau syarat khusus dalam melakukan analisis regresi logistik. apakah semua data dapat dpat di analisis menggunnakan analisis regresi logistik. mkasih8230 simple mba, dalam logit hanya menggunakan dua kategori yang bersifat dikotomi sebagai variabel dependen, misalnya 1 dan 0 yang mewakili sex (1male2female), trus ga variabel yang kita gunakan gak harus berhubungan linier antara variabel dependen dan independen, trus variabel independen tak harus terdistribusi normal artinya ga diperlukan uji normalitas data, trus lagi variabel tidak harus homoskedastis jadi ga perlu ada pengujian asumsi heteroskedastisitas, pokonya asumsi klasik yang biasa kita gunakan dalam regresi linier sederhana atau bertingkat ga berlaku dalam logit8230saya kira itu aja met mencoba ya.8230.. terimakasih mas. berarti semua data dapat di analisis menggunakan analisis regresi logistik ya mas. Mas ari, saya mau tanya.. Saya sedang mengerjakan tugas akhir dengan judul 8220Analisis Pengaruh Stock Split Terhadap Trading Liquity, Earning Per Share, dan Stock Return, Stock Beta, dan Insider Ownership8221. Di sini saya meneliti tentang pengaruh pemecahan saham terhadap masing2 tujuh variabel (ada 7 hipotesis). Itu ujinya menggunakan regresi yang mana ya Adviser saya bilangnya menggunakan regresi logistik. Apa bisa menggunakan regresi logistik biner atau regresi logistik yang lainnya lagi Trus saya perlu melakukan uji normalitas juga ngga ya Mohon pencerahannya ya mas, terima kasih sebelumnya.. tergantung variabel dependen yang winda gunakan, jika bersifat dikotomi, misal (1 berhasil 2 gagal) maka dapat digunakan model logit biner, jika lebih dari dua kemungkinan, bisa menggunakan model logit ordinal..tetapi klo smua variabel baik dependen maupun dependennya bersifat continuous, ordinal, atau lainnya, maka cukup dengan regresi linier bertingkat saja. Jika memang menggunakan model logit, maka winda tidak perlu melakukan uji normalitas lagi, karena logit tidak mengasumsikan bahwa data harus tersebar secara normal, berbeda halnya jika menggunakan regresi linier bertingkat yang mengasumsikan adanya hubungan linier, data harus tersebar normal, dan data harus bebas dari asumsi klasik seperti multikolinearitas, autokorelasi, maupun heteroskedastisitas. mengenai hal2 tersebut bisa dibaca di bab lain Statistik 4 Life yang khusus membahasnya..okey mas ari apakah uji regresi hanya dgunakan untuk uji pengaruh saja, kalo menggunakan skala likert bagaimana cara mengujinya slmt siang mas ari..mau numpang nanya.. saya lg ngambil skripsi dgn pengujian regresi logistik.. saya menggunakan pengujian itu krn ikutin jurnal saya, tpt saya kurang ngerti ttg regresi logistik.. saya bingung, bagaimana menentukan 0ya dan 1tidak. sedangkan kuesioner untuk pertanyaan variabel dependennya (melakukan penghentian prosedur audit) menggunakan skala likert 1-4 (tdk prnh, kadang2, selalu dan hampir selalu).. truz kalau pengujiannya regresi logistik, kita perlu pengujian seperti uji normalitas, multikolinieritas, dan autokolerasi ga mohon bantuannya ya mas..terima kasih. iya, angka biner itu variabel dependennya hanya ada 2 kemungkinan,,klo dalam kasus kamu, mungkin melakukan penghentian bisa dinotasikan 0, atau tidak melakukan penghentian prosedur audit untuk 1 kali ya Mas, boleh nanya.. 1. Saya bnyk membaca ttg uji time effect buat menilai apakah data bisa di pool atau tidak. Apakah itu perlu bagaimana caranya dengan menggunakan spss ya 2. Contoh di atas, mas ada atur di bagian categorical, itu buat variabel yg gmn ya mas kl variabel independen saya ada yang dummy ada yg nominal apakah perlu disetting bagian categoricalnya 3. Hasil uji logistik saya juga menunjukkan hasil nagelkerke rsquare sebesar 100, apa itu normal mas soalnya hasilnya itu kan besar banget saya takut kl ada yang tidak normal pada data saya. Terima kasih buat ilmunya mas. teddy, 1. uji time effectga lazim digunakan tuh, pool maksudnya gimana,,apakah disatuin menjadi konsep data panelbiasanya time effect masuk dalam bahasan time series 2. untuk yang masuk bagian categorical itu adalah data-data jenis kategorik atau data yang kita notasikan, misalnya (1 untuk memilih, dan 2 untuk tidak memilih dalam kasus pemilu), atau 1 untuk SD, 2 untuk SMP, 3 untuk SMU, atau 1 untuk wanita dan 2 untuk pria, dan seterusnya. Jika variabelnya dummy ga perlu dimasukkan ke dalam categorical, karena ya itu dummy, bukan variabel kategorik,,jadi dummy biarkan saja. 3. Hasil negelkerke dan cox amp snell itu ibaratnya r-square dalam regresi OLS, nilainya berkisar 0 8211 1, semakin besar semakin baik, jadi nilai 0,100 artinya 10 persen, jadi ga akan mengganggu model dan ga ada masalah, karena r-square logit ga selalu besar nilainya. kira2 begitu ted.. Buat yg no3, itu digambar contoh punya mas diatas bernilai 1.000 itu brarti 100 kan punya saya juga begitu hasilnya, jadi agak penasaran kok bisa besar begitu. Oh iy mas, terus mas ad tips8221 ga biar hasil uji variabel in the equation nya lebih baik (lebih sig) soalnya punya saya dari 13 variabel independen cm 2 yang hasilnya sig, tp sebenarnya tidak ada masalah juga, hanya ingin membuat hasil yang lebih baik kl bisa. v yoo wes,, ga da masalah kan pak, mau tanya kenapa bisa beda ya hasil koefisien persamaan regresi dan signifikansi jika kita memasukkan 3 dari 7 variabel, 5 dari 7 variabel atau 7-7 varibel sekaligus jadi masing2 variabel gk bs berdiri sendiri, tapi sangat tergantung satu sama lain iya dunk,,karena tidak semua variabel independen punya hubungan linier dengan dependennya pada kasus regresi biasa,, karena itu penghilangan variabel yang tidak signifikan terkadang bisa memperbaiki model persamaan.. Mau nanya8230 Apakah di dalam regresi logistik biner tipe data variabel independen harus sama dengan tipe data variabel dependen Mohon balasannya beda donk,,klo dependennya kan harus bilangan biner (0 atau 1), misalnya 0 untuk gagal dan 1 untuk sukses, buat var. independennya bisa aja skala atau continuousordinal..atau notasi mau tanya mas admin. kalau hasil olah datanya itu terdapat kalimat estimation terminated at iteration number 20 because maximum iterations has been reached. final solution can8217t be found (dlm model summary block1. method enter). itu artinya apa ya apakah dapat membuat hasil tersebut tidak dapat dipercaya atau saya masih dapat melanjutkan pembahasannya trimz b48230 hopefully u can reply me soon hmmmm,, model summary menjelaskan analogi R-square seperti pada regresi linier, biasanya prediktor terbaik yang dipakai adalah Nagelkerke R square, apakah bernilai besar atau kecil jika kecil, artinya ada ketidak-cocokan model dalam variabel yang digunakan..berarti ada variabel yang tidak mendukung model. coba cek dulu,,apakah marchella sudah benar menempatkan variabel dependen, independen, dan kovariatapakah notasi yang mewakili variabel dependen dan independen sudah tepat terakhir,,rekomendasi data yang digunakan untuk melakukan analisis logit minimal 50 kasus per prediktorvariabel independen, apakah itu sudah memenuhi,,kalau di contoh S4L datanya hanya sedikit, karena hanya untuk sekedar contoh. Erlina MCR berkata: saya mahassiswi yang sedang mengajukan skripsi. yang ingin saya tanyakan, dalam regresi logistik biner apakah variabel independennya juga harus 0 dan 1. misal untuk tingkat ekonomi saya mencantumkan 0 kurang, 1 cukup, 2 lebih, apakah boleh terimakasih sebelumnya. ulasan Bpk pasti sangat membantu saya tidak harus,, variabel independennya bebas, misalnya male amp female SD1, SLTP2, SLTA3, dst.. tetapi variabel dependen yang harus bilangan biner 0 dan 1 Erlina MCR berkata: Oh begitu ya. Lalu apakah Analisis Regresi Logistik Biner Bivariat termasuk kategori SEM Terimakasih.. ya, betul regresi termasuk dalam kasus SEM, tapi dalam logit sudah diketahui mana DV dan IV, sedangkan dalam terminologi SEM, semua variabel dapat saja berfungsi sebagai independen atau dependen, saling regresi antar variabel eksogen digunakan untuk membangun model.. jeri permana putra berkata: mbk kalo boleh tau judul skripsinya ap y. soalny saya jg tentang regresi logistik biner8230 heri winarto berkata: mas aryo..boleh konsultasi sedikit8230kalau B (EXP) adalah nilai Oods Ratio yang dihasilkan, kalau B, Wald, S. E itu apa ya apa beda B dengan B (exp) heri winarto berkata: sekalian nambah pertanyaan mas8230apa yang dimaksud dengan simple correlation and multiple regression analysis apa sama dengan uji korelasi pearson fischer exact dan analisis multivariatanalisis regresi logistik matur nuwun sanget ya. intinya pertanyaan saya itu, apakah analisis regresi logistik bisa digunakan dalam penelitian yg variabel independennya dummy(skala nominal). krna dr artikel2 yang saya baca analisis regresi logistik itu ketentuannya variabel indepent mempunya skala rasio atau interval. mohon di jawab ya kak8230.,makasih bisa pake dummy untuk independen,,dalam SPSS kamu bisa proses dulu kodingnya, insyaallah senin 141 ini akan saya posting materi 8220regresi logistik dengan variabel dummy8221.. terima kasih bnyak kak pencerahannya8230. mas. saya mau tanya, begini8230.penelitian saya awalnya menggunakan analisis regresi linear, untuk variabel bebasnya X1, dan X2 skala datanya 0 dan 1, skor untuk jawaban benar 1 dan salah adlah 0. begitu juga variabel dependent (Y), untuk jawaban benar diberi skor 1 dan salah diberi skor 0. nah yang saya analisis dg regresi linear adalah skor total beberapa item pertanyaan dari variabel X1, X2 dan Y. nah. tapi kata dosen saya itu salah, katanya saya harus pakai regresi logistic, yang bener gimana ya mas padahal hasil dari skor totalnya kan tida 1 dan 0. mohon bantuannya iya,,coba baca materinya dengan benar,,jika Y kamu bersifat dikotomi (benar dan salah), kamu bisa pake regresi logistik dunk,,itu tidak akan memiliki hubungan linier, jadi ga cocok digunakan regresi linier. regresi linier hanya digunakan untuk variabel kontinyu Maaf mas, saya mau tanya,, sya sedang melakukan penelitian dengan menggunakan regresi logistik,, setelah diuji ternyata hasilnya data saya mengalami overdispersi, sehingga tidak ada pengaruh signifikan dari 5 variabel terhadap variabel dependennya.. jumlah data saya 63 dan berupa data panel.. saya mau tanya bagaimana mengatasi overdispersi selain dengan membuangmengganti variabel mohon masukannya.. terimakasih. klo datanya pooledpanel maka kamu harus running regresi data panel dunk lihat bahasannya disini gtgtgt Tyas Graito berkata: Permisi mas, saya sedang mengerjakan skripsi yg meneliti hubungan pengaruh pola konsumsi dan investasi terhadap kesadaran berasuransi dengan metode pengolahan data regresi logistik. Data saya data primer dengan cara menyebarkan kuesioner. Yang mau saya tanyakan adalah pertanyaan di kuesioner saya juga harus dalam bentuk kategorik (yatidak) atau saya bisa menggunakan skala likert Mohon sarannya Mas, terima kasih sebelumnya. untuk variabel dependennya ya dalam bentuk dikotomi (yatidak), sedangkan variabel penjelas dapat dirancang dengan skala apapaun baik itu likert, kontinyu, ataupun kelas assalamualaikum mas. salam kenal. maw nanya nie z punya skripsi tu judulnya hubungan pengetahun, sikap dan dukungan keluarga terhadap Inisiasi Menyusu Dini, penguji saya tu anjurkan saya menggunakan analisis regresi logistik, saya uda buat mas, tapi saya binggung pada hasilnya ini, nilai B, S. E, wald, Df dan nilai lower dan upper itu nilai apa mas, karna saya disuru cari apa maksud nilai ini8230. tolong bantuannya mas82308230 waalaikum salam yuli, B itu konstanta, atau nilai untuk persamaan yang menjelaskan model, model logitnya adalah Log (P 1 p) 0 1X1 2X2 . kXk, nah tinggal kamu ganti persamaan menjadi nilai B dalam output variables in the equation, X yuli ganti dengan variabel yang yuli gunakan, misalnya dukungan keluarga, dll. Kalau S. E itu standar error atau residual dari model, artinya tingkat kesalahan. Kalau Wald statistic adalah nilai signifikansi masing2 variabel, misalnya pada contoh diatas yang signifikan (lt nilai kritik 0,05) hanya variabel education. exp(B) adalah nilai odds ratio, misalnya jika nilai exp(B) pada variabel status(1)1,5, maka artinya responden menikah memiliki kecenderungan 1,5 kali daripada responden yang tidak menikah untuk melakukan pembelian kosmetik. Df itu derajat bebas (degree of freedom), belum jelas baca di buku statistik dasar. nilai lower dan upper itu adalah range (rentang terendah dan tertinggi) nilai exp(B) atau odds ratio, yuli baca kembali konsep odds ratio di atas. Assalamu8217alaikum mas, mau nanya Saya lagi olah data, penelitian saya tentang analisis preferensi, menggunakan regresi logistik dari 11 variabel, ada 4 variabel yang berasal dari skala likert var1 ada 7 pertanyaan likert var2 ada 5 pertanyaan likert var3 ada 6 pertanyaan likert var4 ada 8 pertanyaan likert saya liat penelitian orang2, ada yg variabel likert nya masuk ke regresi logistiknya, ada juga yg enggak terus saya tanya dosen saya, dosen saya bilang. 8220hasil likert kamu indeks apa skor. coba pelajari kalo indeks atau skor tidak boleh di-log atau di-ln8221 nah saya bingung. ngga ngerti. gimana ya mas iya iffa, biasanya data dari hasil kuesioner cuma ditarik kesimpulan secara deskriptif aja,,atau digunakan untuk pemetaan preferensi, bisa juga uji-uji multivariat lain. Tapi jika dimasukkan ke dalam analisis, ia akan dihitung sebagai variabel kategorik, misalnya untuk salah satu item pertanyaan mengandung jawaban 1setuju untuk berobat ke dokter, 2kurang setuju, atau 3ragu-ragu dan seterusnya. Tapi penjabarannya di bahasan akan panjang dan detail mas mau tanya, penelitian saya menggunakan regresi logistik, variabel dependennya berpeluang 1 atau 0, 1gagal dan 0sukses. sedangkan 4 variabel independen saya menggunakan rasio semua. saya juga menambahkan variabel moderating. nah kira2 model persamaannya ada berapa ya terus seperti apa oya mas, ketika saya mencoba memasukkan variabel moderating, nilai -2LogLikelihood di tabel model summary dan nilai chi square di tabel hosmer and lemeshow test saya kok 0 pada kotak dialog logistic regression kan ada menu options, nah di situ ada submenu maxsimum iterations, jika sampel saya 95, dan variabel saya -6 (independen dan moderating),maka maximum iteration nya di isi berapa ya mas makasih banyak, mohon pencerahannya8230 moderating variabel maksudnya kovariat atau penguat interaksi Y dan X ya, kayanya ga bekerja dengan logit deh, untuk melihat hubungan tak langsung antara X dan Y melalui Z, X harus mempengaruhi Z, dan Z harus berpengaruh terhadap Y,.itu kelihatan dari hasil penambahan variabel moderatingnya di nilai hosmer lemeshow, signifikansinya cuma nambah 0. Karena itu penambahan variabel Z hanya akan menyebabkan bias, artinya ia akan berperan sebagai dependen juga, bukan sebagai kovariatmoderating. Lagipula nilai signifikan pada variabel moderator dalam regresi non-linier belum bisa juga kita katakan moderator, mungkin hanya sebagai proksi (artinya Z belum tentu terkait dengan Y, hanya kebetulan aja nilainya signifikan), saya rasa kalo yang satu ini belum kamu putuskan, belum bisa lanjut deh olahnya NOTICE: The IDRE Statistical consulting group will be migrating the website to the WordPress CMS in February to facilitate maintenance and creation of new content. Some of our older pages will be removed or archived such that they will no longer be maintained. We will try to maintain redirects so that the old URLs will continue to work as best we can. Welcome to the Institute for Digital Research and Education Help the Stat Consulting Group by giving a gift Stata Data Analysis Examples Multinomial Logistic Regression Version info . Code for this page was tested in Stata 12. Multinomial logistic regression is used to model nominal outcome variables, in which the log odds of the outcomes are modeled as a linear combination of the predictor variables. Please note: The purpose of this page is to show how to use various data analysis commands. It does not cover all aspects of the research process which researchers are expected to do. In particular, it does not cover data cleaning and checking, verification of assumptions, model diagnostics and potential follow-up analyses. Examples of multinomial logistic regression Example 1. Peoples occupational choices might be influenced by their parents occupations and their own education level. We can study the relationship of ones occupation choice with education level and fathers occupation. The occupational choices will be the outcome variable which consists of categories of occupations. Example 2. A biologist may be interested in food choices that alligators make. Adult alligators might have different preferences from young ones. The outcome variable here will be the types of food, and the predictor variables might be size of the alligators and other environmental variables. Example 3. Entering high school students make program choices among general program, vocational program and academic program. Their choice might be modeled using their writing score and their social economic status. Description of the data For our data analysis example, we will expand the third example using the hsbdemo data set. Lets first read in the data. The data set contains variables on 200 students. The outcome variable is prog . program type. The predictor variables are social economic status, ses, a three-level categorical variable and writing score , write, a continuous variable. Lets start with getting some descriptive statistics of the variables of interest. Analysis methods you might consider Multinomial logistic regression: the focus of this page. Multinomial probit regression: similar to multinomial logistic regression but with independent normal error terms. Multiple-group discriminant function analysis: A multivariate method for multinomial outcome variables Multiple logistic regression analyses, one for each pair of outcomes: One problem with this approach is that each analysis is potentially run on a different sample. The other problem is that without constraining the logistic models, we can end up with the probability of choosing all possible outcome categories greater than 1. Collapsing number of categories to two and then doing a logistic regression: This approach suffers from loss of information and changes the original research questions to very different ones. Ordinal logistic regression: If the outcome variable is truly ordered and if it also satisfies the assumption of proportional odds, then switching to ordinal logistic regression will make the model more parsimonious. Alternative-specific multinomial probit regression: allows different error structures therefore allows to relax the independence of irrelevant alternatives (IIA, see below quotThings to Considerquot) assumption. This requires that the data structure be choice-specific. Nested logit model: also relaxes the IIA assumption, also requires the data structure be choice-specific. Multinomial logistic regression Below we use the mlogit command to estimate a multinomial logistic regression model. The i. before ses indicates that ses is a indicator variable (i. e. categorical variable), and that it should be included in the model. We have also used the option quot base quot to indicate the category we would want to use for the baseline comparison group. In the model below, we have chosen to use the academic program type as the baseline category. In the output above, we first see the iteration log, indicating how quickly the model converged. The log likelihood (-179.98173) can be used in comparisons of nested models, but we wont show an example of comparing models here The likelihood ratio chi-square of 48.23 with a p-value lt 0.0001 tells us that our model as a whole fits significantly better than an empty model (i. e. a model with no predictors) The output above has two parts, labeled with the categories of the outcome variable prog . They correspond to the two equations below: where (b)s are the regression coefficients. A one-unit increase in the variable write is associated with a .058 decrease in the relative log odds of being in general program vs. academic program . A one-unit increase in the variable write is associated with a .1136 decrease in the relative log odds of being in vocation program vs. academic program. The relative log odds of being in general program vs. in academic program will decrease by 1.163 if moving from the lowest level of ses ( ses 1) to the highest level of ses ( ses 3). The ratio of the probability of choosing one outcome category over the probability of choosing the baseline category is often referred to as relative risk (and it is also sometimes referred to as odds as we have just used to described the regression parameters above). Relative risk can be obtained by exponentiating the linear equations above, yielding regression coefficients that are relative risk ratios for a unit change in the predictor variable. We can use the rrr option for mlogit command to display the regression results in terms of relative risk ratios. The relative risk ratio for a one-unit increase in the variable write is .9437 (exp(-.0579284) from the output of the first mlogit command above) for being in general program vs. academic program. The relative risk ratio switching from ses 1 to 3 is .3126 for being in general program vs. academic program. In other words, the expected risk of staying in the general program is lower for subjects who are high in ses . We can test for an overall effect of ses using the test command. Below we see that the overall effect of ses is statistically significant. More specifically, we can also test if the effect of 3.ses in predicting general vs. academic equals the effect of 3.ses in predicting vocation vs. academic using the test command again. The test shows that the effects are not statistically different from each other. You can also use predicted probabilities to help you understand the model. You can calculate predicted probabilities using the margins command. Below we use the margins command to calculate the predicted probability of choosing each program type at each level of ses . holding all other variables in the model at their means. Since there are three possible outcomes, we will need to use the margins command three times, one for each outcome value. We can use the marginsplot command to plot predicted probabilities by ses for each category of prog . Plots created by marginsplot are based on the last margins command run. Furthermore, we can combine the three marginsplots into one graph to facilitate comparison using the graph combine command. As it is generated, each marginsplot must be given a name, which will be used by graph combine . Additionally, we would like the y-axes to have the same range, so we use the ycommon option with graph combine . Another way to understand the model using the predicted probabilities is to look at the averaged predicted probabilities for different values of the continuous predictor variable write . averaging across levels of ses . Sometimes, a couple of plots can convey a good deal amount of information. Below, we plot the predicted probabilities against the writing score by the level of ses for different levels of the outcome variable. We may also wish to see measures of how well our model fits. This can be particularly useful when comparing competing models. The user-written command fitstat produces a variety of fit statistics. You can find more information on fitstat and download the program by using command findit fitstat in Stata (see How can I use the findit command to search for programs and get additional help for more information about using findit ). Things to consider The Independence of Irrelevant Alternatives (IIA) assumption: roughly, the IIA assumption means that adding or deleting alternative outcome categories does not affect the odds among the remaining outcomes. Test of the IIA assumption can be performed by using the Stata command mlogtest, iia . However, as of April 23, 2010, mlogtest, iia does not work with factor variables. There are alternative modeling methods that relax the IIA assumption, such as alternative-specific multinomial probit models or nested logit models. Diagnostics and model fit: unlike logistic regression where there are many statistics for performing model diagnostics, it is not as straightforward to do diagnostics with multinomial logistic regression models. Model fit statistics can be obtained via the fitstat command. For the purpose of detecting outliers or influential data points, one can run separate logit models and use the diagnostics tools on each model. Pseudo-R-Squared: the R-squared offered in the output is basically the change in terms of log-likelihood from the intercept-only model to the current model. It does not convey the same information as the R-square for linear regression, even though it is still quotthe higher, the betterquot. Sample size: multinomial regression uses a maximum likelihood estimation method, it requires a large sample size. It also uses multiple equations. This implies that it requires an even larger sample size than ordinal or binary logistic regression. Complete or quasi-complete separation: Complete separation implies that the outcome variable separates a predictor variable completely, leading to perfect prediction by the predictor variable. Unlike running a logit model, Stata does not offer a warning when this happens. Instead it continues to compute iteratively and requires a manual quit to stop the process. Perfect prediction means that only one value of a predictor variable is associated with only one value of the response variable. But you can tell from the output of the regression coefficients that something is wrong. You can then do a two-way tabulation of the outcome variable with the problematic variable to confirm this and then rerun the model without the problematic variable. Empty cells or small cells: You should check for empty or small cells by doing a cross-tabulation between categorical predictors and the outcome variable. If a cell has very few cases (a small cell), the model may become unstable or it might not even run at all. Perhaps your data may not perfectly meet the assumptions and your standard errors might be off the mark. You might wish to see our page that shows alternative methods for computing standard errors that Stata offers. Sometimes observations are clustered into groups (e. g. people within families, students within classrooms). In such cases, you may want to see our page on non-independence within clusters . References The content of this web site should not be construed as an endorsement of any particular web site, book, or software product by the University of California.