![Page 1: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/1.jpg)
MODEL PILIHAN KUALITATIF
OlehBambang Juanda
https://bambangjuanda.com/
EkonometrikaDepartemen Ilmu Ekonomi IPB, September 2019
BJ-IPB
![Page 2: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/2.jpg)
Seringkali dalam suatu survei kita berhadapan
dengan peubah kualitatif yang mempunyai skala
pengukuran nominal atau ordinal. Nilai-nilai
peubah respons kualitatif ini terbatas (limited
dependent variable), bahkan sering hanya bernilai
dua kemungkinan saja. Misalnya, apakah
seseorang membeli mobil atau tidak; memilih
atau tidak dalam Pilkada (pemilihan kepala
daerah); punya penyakit jantung koroner atau
tidak; dan masih banyak contoh lainnya. Peubah
kualitatif yang hanya mempunyai dua
kemungkinan nilai ini disebut peubah biner.
BJ-IPB
![Page 3: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/3.jpg)
Meskipun logis kita memperkirakan suatu
hubungan langsung antara pendapatan dan
perilaku pembelian, namun kita tidak dapat yakin
apakah masing-masing konsumen dengan
pendapatan tertentu pasti akan membeli produk.
Oleh karena itu, tujuan model pilihan kualitatif
adalah menentukan peluang bahwa individu
dengan karakteristik-karakteristik tertentu akan
memilih suatu pilihan tertentu dari beberapa
alternatif yang tersedia. Jika pilihannya hanya ada
dua alternatif disebut model pilihan biner.
BJ-IPB
![Page 4: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/4.jpg)
Overview
Continuous
Categorical
LinearRegressionAnalysis
-
Response Analysis
-Model Peluang Linear
-Model Probit
BJ-IPB
![Page 5: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/5.jpg)
Ilustrasi
Studi mengenai pengaruh tingkat pendapatan,
jenis kelamin dan umur terhadap membeli
tidaknya seseorang pada suatu produk yang
dijual dengan harga tertentu.
Peubah Penjelas (bebas): umur, jenis kelamin dan
tingkat pendapatan
Peubah Respons(Y): membeli (=1) atau tidak (=0)
BJ-IPB
![Page 6: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/6.jpg)
Ilustrasi utk 1 Peubah Bebas
Studi mengenai pengaruh tk pendapatan atau
jenis kelamin (X) terhadap membeli tidaknya
seseorang (Y) pada suatu produk yang dijual
dengan harga tertentu.
Peubah Respons: Y = 1, jika membeli
0, jika tidak membeli
Peubah Penjelas (bebas):
Tk Pendapatan: X = Rp …… juta
atau Jenis Kelamin: X= 1, jika Wanita
0, jika Pria
BJ-IPB
![Page 7: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/7.jpg)
1. Model Peluang Linear
Yi = + Xi + εi (10.1)
Dimana Xi = nilai karakteristik (misalnya pendapatan) individu ke-i,
Yi = 1 , jika pilihan kesatu dipilih (misalnya membeli mobil)
0 , jika pilihan kedua dipilih (tidak membeli mobil).
εi = peubah acak yang menyebar bebas dengan nilai tengah 0.
Untuk menginterpretasikan persamaan (10.1) kita tentukan nilai harapan dari masing-masing pengamatan peubah respons Yi :
E(Yi) = + Xi (10.2)
Karena Yi hanya mempunyai kemungkinan dua macam nilai (1 dan 0), kita dapat menggambarkan sebaran peluang Y dengan memisalkan:
Pi = P(Yi=1) dan 1-Pi = P(Yi=0),
sehingga E(Yi) = 1 (Pi) + 0 (1-Pi) = Pi. (10.3)
model (10.1) peluang bahwa individu konsumen ke-i dengan pendapatan tertentu (Xi) akan membeli mobil.
Slope garis mengukur pengaruh perubahan 1 unit pendapatan terhadap perubahan peluang membeli mobil
BJ-IPB
![Page 8: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/8.jpg)
Dugaan Model Peluang Linear
+ Xi , jika 0<(+Xi)<1
Pi = 1 , jika (+Xi) ≥ 1
0 , jika (+Xi) ≤ 0 (10.4)
BJ-IPB
![Page 9: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/9.jpg)
Sebaran Peluang bagi εi
Yi εi Peluang
1 1- - Xi Pi
0 - - Xi 1 - Pi
BJ-IPB
![Page 10: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/10.jpg)
E(εi) = (1- - Xi) Pi + (- - Xi) (1-Pi) = 0
sehingga Pi = + Xi
(1-Pi) = 1 - - Xi
Ragam komponen sisaan
Jadi, peubah Y menyebar menurut
sebaran (distribusi) peluang Bernouli.
Masalah heteroskedastisitas
)1()1()()1()( 222iiiiiii PPPXPXE
)()1()](1[)()()( 2222iiiiiiiii EPPYEYEYEYEYVar
BJ-IPB
![Page 11: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/11.jpg)
Kendala dalam model peluang linear perlu transformasi model (linear) awal sedemikian rupa sehingga prediksi nilai Y berada dalam selang (0;1) untuk semua nilai peubah bebas X. Salah satu bentuk transformasi yang mempunyai karakteristik seperti ini adalah fungsi peluang kumulatif (cumulative probability function), F.[1] Sebaran peluangnya dapat direpresentasikan dalam bentuk:
Pi = F( + Xi) = F(Zi)
Sebenarnya banyak fungsi peluang kumulatif yang mungkin dapat digunakan, namun disini hanya dua macam yang dipertimbangkan, yaitu fungsi peluang normal danlogistik kumulatif.
[1] Fungsi peluang kumulatif adalah F(xi)=Peluang (X≤xi)
BJ-IPB
![Page 12: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/12.jpg)
Model ProbitPi = F( + Xi) = F(Zi)
asumsikan ada suatu indeks Zi yg bernilai kontinu secara teoritis, yg ditentukan oleh nilai peubah penjelas X shg dapat ditulis:
Zi = + Xi
asumsikan bahwa Z merupakan peubah acak yang menyebar normal sehingga peluang bahwa Z lebih kecil (atau sama dengan) Zi dapat dihitung dari fungsi peluang normal kumulatif. Untuk fungsi peluang normal baku kumulatif dapat dituliskan dalam rumus:
dimana s: peubah acak menyebar normal dgn nilai tengah 0 dan ragam1. Dgn rumus transformasi diatas, peubah Pi akan bernilai dlm selang (0;1). Pi menggambarkan peluang individu berkarakteristik (berpendapatan) Ximemilih pilihan-1 (beli mobil). Karena nilai peluang ini diukur berdasarkan luas daerah dibawah kurva normal baku dari - sampai Zi, maka peluang pilihan-1 (beli mobil) makin tinggi jika nilai indeks Zi makin tinggi. Untuk menduga indeks Zi, kita menggunakan kebalikan (inverse) dari fungsi normal baku kumulatif (10.9) dengan:
Zi = F-1(Pi) = + Xi
i
Zs
ii dseZFP 22
2
1)(
BJ-IPB
![Page 13: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/13.jpg)
Hubungan Nilai Indeks Z dan
Sebaran Peluang Normal Kumulatifnya
Z F(Z) Z F(Z)
-3.0 .001 0.5 .691
-2.5 .006 1.0 .841
-2.0 .023 1.5 .933
-1.5 .067 2.0 .977
-1.0 .159 2.5 .994
-0.5 .309 3.0 .999
0.0 .500 3.5 .999
BJ-IPB
![Page 14: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/14.jpg)
Model (Peluang) Linear vs Model Probit
Model Linear
BJ-IPB
![Page 15: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/15.jpg)
Meskipun model probit lebih menarik dari
model peluang linear, namun untuk
menduga parameter koefisiennya
menggunakan pendugaan kemungkinan
maksimum (maximum likelihood, ML) non
linear. Selain itu, justifikasi atau interpretasi
koefisiennya agak terbatas. Oleh karena itu
sebaiknya menggunakan model logit yang
dibahas dalam subbab berikut
BJ-IPB
![Page 16: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/16.jpg)
menggunakan peubah penjelasnya (dpt peubah kategorik atau peubah numerik) untuk menduga peluang kejadian tertentu dari peubah respons kategori.
)(
)(
10
10
1)/1(
i
i
X
X
iie
eXYE
)()( 1
1
1
1)(
10XgXii
eePXP
i
Model Regresi Logistik (Model logit)
Model Logit Sederhana :
Sebaran Logistik menyerupai kurva berbentuk S,
sehingga interpretasinya logis. 0 ≤ E(Y/X) ≤ 1
Interpretasi: Peluang kejadian tertentu dari peubah respons kategori(misalnya membeli) jika pendapatannya Xi
BJ-IPB
![Page 17: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/17.jpg)
Transformasi Logit Peluang kejadian tertentu dari peubah respons kategori (pi), ditransformasi shg
i indeks semua kasus (observasi 1,2,..,n).
pi peluang kejadian (misalnya, membeli) terjadi untuk kasus ke-i.
log adalah natural log (bilangan dasar e).
logit( ) logpp
pi
i
i
1ii Xxg 10)(
Fungsi g(x) sudah Linear dalam Parameter,
dan -~ ≤ g(x) ≤ ~, shg dpt diduga dgn OLS
BJ-IPB
![Page 18: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/18.jpg)
Assumption
(peubah X berskala Interval)
Pi
Predictor (X)
Transformasi
logit
Predictor (X)
BJ-IPB
![Page 19: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/19.jpg)
Interpretasi Koefisien Model LogitUtk Peubah Bebas biner, mis Jenis Kelamin (X=1, X=0)
)(101
1)1(1
e
P
0
0
1)0(
e
eP
)(
)(
10
10
1)1(
e
eP
01
1)0(1
e
P
)(
)(
10
10
1)(
i
i
X
X
ie
eXP
X=1 X=0
Y=1
Y=0
P(1) : Peluang membeli produk utk konsumen Wanita
P(0) : Peluang membeli produk utk konsumen Pria )1(1
)1(
P
POddwanita
)0(1
)0(
P
POddpria
1 1Jumlah
eP
P
P
POddsRatio
)0(1
)0(/
)1(1
)1( 1
BJ-IPB
![Page 20: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/20.jpg)
Interpretasi Koefisien
1 = g(X+1) – g(X)
utk X biner: 1 = g(1) – g(0)
ii
i
i XXgXP
XP10)(
)(1
)(log
))0(1/()0(
))1(1/()1(log
)01(1
)0(log
)1(1
)1(log
PP
PP
P
P
P
P
1
)0(1/)0(
)1(1/)1( ePP
PP
Odds Ratio:
“Berapa kali Kemungkinan
membeli utk konsumen Wanita
dibandingkan Konsumen Pria”
Interpretasi Pendekatan Peluang Relatif P(1)/P(0)
ini berlaku bila P(x) kecil
Utk X kontinu, exp(1) : Berapa kali Kemungkinan
membelinya jika X naik 1 unit
Ukuran Asosiasi
BJ-IPB
![Page 21: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/21.jpg)
Properties of the Odds Ratio
0
ODDS RATIOOF GROUP A TO GROUP B
-0.5
NoAssociation
=x+1=x
• SK (1-) 100% bagi Odds Ratio: exp(c ± z/2 c s)
• Dlm realitas P(x) jika x berbeda 1 unit (12 dgn 1011)
dapat cukup berbeda. →Dilema utk peubah kontinu
dimodelkan linear dlm model logit. Jika yakin bahwa logit
tdk linear dgn covariate grouping (Dummy)
^^
Note:
BJ-IPB
![Page 22: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/22.jpg)
Multiple Logistic Regression
Purchase Gender Income Age
logit (pi) = 0 + 1X1 + 2X2 + 3X3
BJ-IPB
![Page 23: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/23.jpg)
Ilustrasi model utk mengkaji pengaruh jenis kelamin (X1),
umur (X2), dan tingkat pendapatan (X2) terhadap membeli
tidaknya seseorang pada suatu produk yang dijual dengan
harga tertentu.
logit (pi) = iiii
i
i XXXXgXP
XP3322110)(
)(1
)(log
)(
)(
332210
332210
1)(
iii
iii
XXX
XXX
ie
eXP
Utk Peubah Bebas X kontinu, seringkali 1 unit terlalu kecil atau
besar utk dipertimbangkan Pendugaan utk perubahan “c” unit
1),()( c
excxc
g(x+c) – g(x) = c 1
Odds Ratio-nya:
BJ-IPB
![Page 24: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/24.jpg)
Pengujian Model dgn p Peubah Bebas
Uji Model secara keseluruhan:
H0: 1= 2=…=p=0
H1: ada j≠0
Likelihood Ratio Test Statistics (G) ~
Uji parsial koefisien:
H0: j=0
H1: j≠0
WaldTest Statistics (W) ~ Z
2
(p)
BJ-IPB
![Page 25: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/25.jpg)
. logistic y x2_umur x3_jk d1_s d2_t
Logistic regression Number of obs = 150
LR chi2(4) = 11.24
Prob > chi2 = 0.0240
Log likelihood = -96.087961 Pseudo R2 = 0.0553
------------------------------------------------------------------------------
y | Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
x2_umur | .9751834 .0427924 -0.57 0.567 .8948174 1.062767
x3_jk | 1.98428 .7178238 1.89 0.058 .9765092 4.032084
d1_s | .966938 .4862762 -0.07 0.947 .3608499 2.591019
d2_t | 2.604116 1.068539 2.33 0.020 1.165171 5.82011
_cons | .8086036 1.396819 -0.12 0.902 .0273735 23.88583
------------------------------------------------------------------------------
. logit y x2_umur x3_jk d1_s d2_t
Logistic regression Number of obs = 150
LR chi2(4) = 11.24
Prob > chi2 = 0.0240
Log likelihood = -96.087961 Pseudo R2 = 0.0553
------------------------------------------------------------------------------
y | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
x2_umur | -.0251297 .0438814 -0.57 0.567 -.1111356 .0608763
x3_jk | .6852562 .3617553 1.89 0.058 -.0237711 1.394283
d1_s | -.0336209 .5029032 -0.07 0.947 -1.019293 .9520512
d2_t | .9570934 .4103268 2.33 0.020 .1528675 1.761319
_cons | -.2124465 1.727446 -0.12 0.902 -3.598178 3.173285
------------------------------------------------------------------------------
Statistics> Binary Outcome> Logistic Regression
BJ-IPB
![Page 26: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/26.jpg)
Statistics> Binary Outcomes> Postestimation> Classification Statistics after….
Logistic model for y
-------- True --------
Classified | D ~D | Total
-----------+--------------------------+-----------
+ | 17 17 | 34
- | 45 71 | 116
-----------+--------------------------+-----------
Total | 62 88 | 150
Classified + if predicted Pr(D) >= .5
True D defined as y != 0
--------------------------------------------------
Sensitivity Pr( +| D) 27.42%
Specificity Pr( -|~D) 80.68%
Positive predictive value Pr( D| +) 50.00%
Negative predictive value Pr(~D| -) 61.21%
--------------------------------------------------
False + rate for true ~D Pr( +|~D) 19.32%
False - rate for true D Pr( -| D) 72.58%
False + rate for classified + Pr(~D| +) 50.00%
False - rate for classified - Pr( D| -) 38.79%
--------------------------------------------------
Correctly classified 58.67%
--------------------------------------------------
Jika dugaan P(Y=1)≥0.5 + (beli)
P(+/D) = 17/62 =27.42%
Untuk responden
pembeli (D) maka
Peluang diklasifikasikan
membeli=27%
P(-/~D) =71/88 =80.68%
Untuk responden yg
tidak beli (~D) maka
Peluang diklasifikasikan
tidak membeli=81%
Jika Model ini
mengklasifikasikan “+”,
Peluang benarnya = 17/34
= 50.00%.
Jika mengklasifikasikan “-”,
Peluang benarnya =
71/116 = 61.21%.
Model ini
mengklasifikasikan
dengan benar 58.67%
=(17+71)/150
BJ-IPB
![Page 27: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/27.jpg)
Categorical Variables Codings
132 1,000 ,000
144 ,000 1,000
155 ,000 ,000
240 1,000
191 ,000
Low
Medium
High
INCOME
Female
Male
GENDER
Frequency (1) (2)
Parameter coding
Classification Tablea
236 33 87,7
131 31 19,1
61,9
Observed
0
1
PURCHASE
Overall Percentage
Step 1
0 1
PURCHASE Percentage
Correct
Predicted
The cut value is ,500a.
Variables in the Equation
.025 .018 1.974 1 .160 1.026
.511 .209 5.954 1 .015 1.667
12.305 2 .002
-.787 .253 9.676 1 .002 .455
-.686 .243 7.945 1 .005 .503
-1.325 .720 3.382 1 .066 .266
AGE
GENDER(1)
INCOME
INCOME(1)
INCOME(2)
Constant
Step
1a
B S.E. Wald df Sig. Exp(B)
Variable(s) entered on step 1: AGE, GENDER, INCOME.a.
BJ-IPB
![Page 28: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/28.jpg)
Adjusted Odds Ratio
Predictor
Gender
Outcome
Purchase
Controlling for
BJ-IPB
![Page 29: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/29.jpg)
Types of Logistic Regression
Response Variable
Yes No
BinaryTwo
Categories
Type ofLogistic Regression
Binary
Nominal
Ordinal
Threeor
MoreCategories
BJ-IPB
![Page 30: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/30.jpg)
Ilustrasi data tentang jenis asuransi kesehatan
yang tersedia untuk 616 orang yang mengalami
depresi psikologis di Amerika Serikat (Tarlov et al.
1989; Wells et al. 1989). Asuransi dikategorikan
sebagai program ganti rugi (indemnity yaitu
asuransi biaya-untuk-layanan reguler) atau paket
prabayar (prepaid). Kemungkinan ketiga adalah
bahwa orang tsb tidak memiliki asuransi apa pun
(insure). Kita ingin mengkaji faktor-faktor
demografis yang terkait dengan pilihan asuransi.
Salah satu faktor demografis dalam data adalah
ras peserta, yang dikodekan sebagai putih (white)
atau bukan putih (nonwhite):BJ-IPB
Model Logistik Multinomial
![Page 31: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/31.jpg)
BJ-IPB
Model Logistik Multinomial
webuse sysdsn1
tabulate insure nonwhite, chi2 col /*Ras putih lebih banyak
paket prabayar(prepaid)*/
mlogit insure nonwhite
mlogit insure nonwhite, base(2)
mlogit, rrr /*relative-risk ratios=odds ratio*/
mlogit insure age male nonwhite i.site
/* defaultnya 1=indemnity(ganti rugi) sbg base outcome */
mlogit insure age male nonwhite i.site, baseoutcome(3)
/* 3=uninsure sbg base outcome */
mlogit insure age male nonwhite i.site, rrr
/*reports the estimated coefficients transformed to relative
-riskratios, that is, exp(b) rather than b */
mlogit, rrr
https://www.stata.com/manuals13/rmlogit.pdf
![Page 32: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/32.jpg)
Hipotesis: Sabuk Pengaman akan membuat Pengendara
Lebih aman jika terjadi KECELAKAAN. Pengendara yang
menggunakan Sabuk Pengaman lebih besar Peluangnya
mengalami cidera lebih ringan dibandingkan yg tdk menggunakan
1. Tidak ada yang luka
2. Terjadi luka ringan
3. Terjadi luka dan memerlukan rawat jalan
4. Terjadi luka dan memerlukan rawat inap
5. MeninggalBJ-IPB
![Page 33: MODEL PILIHAN KUALITATIF - Bambang Juanda · 2019-10-02 · Meskipun logis kita memperkirakan suatu hubungan langsung antara pendapatan dan perilaku pembelian, namun kita tidak dapat](https://reader030.vdocuments.mx/reader030/viewer/2022040319/5e4354890c58d32ae95f783f/html5/thumbnails/33.jpg)
Regresi Logistik Ordinal• Y skala ordinal yg punya c kategori
• Peluang Kumulatif P(Y≤j): peluang respons Y pd
kategori 1,2,...,j
• P(Y≤j)=P(Y=1)+ P(Y=2)+...+ P(Y=j)
• P(Y≤1) ≤ P(Y≤2) ≤ ..... ≤ P(Y≤c)=1
• Odd ratio = P(Y≤j) / P(Y>j) = exp(β)
• Logit P(Y≤j) = Log { P(Y≤j) / P(Y>j) }
• Logit P(Y≤j) = αj + β X; j=1,2,..,c-1
• Asumsi: pengaruh X sama utk tiap peluang kumulatif.
Jika tdk, gunakan regresi logistik nominal.
• β >0: Peluang utk nilai order lebih kecil, lebih besar
jika X naik satu unitBJ-IPB