regresi berganda binary (logistic regression)

Click here to load reader

Post on 15-Nov-2015

136 views

Category:

Documents

25 download

Embed Size (px)

DESCRIPTION

Regresi Berganda Binary (Logistic Regression)

TRANSCRIPT

  • REGRESI BERGANDA BINARY (LOGISTIC REGRESSION)

  • Regresi logit atau regresi logistic adalah model regresi yang

    dipergunakan untuk mengukur pengaruh probabilitas atas

    suatu peristiwa. Logaritma dari perbandingan suatu peristiwa

    terjadi dengan tidak terjadi tersebut sebagai logit. Secara

    umum persamaan regresi logit untuk satu variabel bebas

    dapat dijelaskan sebagai berikut :

    1101ln Xpp

  • Persamaan regresi logit untuk lebih dari satu variabel bebas,

    dapat dijelaskan dalam persamaan berikut :

    Keterangan:

    nnXBXXpp ...........1ln 22110

    ln[p/(1 p)} = Z = variabel dependen dengan skala nominal

    0= konstanta; i= koefisien regresi

    Xi= variabel bebas dengan data metrik maupun non-metrik

  • Karena variabel independen merupakan campuran antara variabel kontinyu (metrik) dan kategorikal (non-metrik), dalam regresi logistik tidak diperlukan asumsi normalitas data pada variabel independennya.

    Jadi, regresi logistik umumnya digunakan jika asumsi multivariat, yaitu data harus berdistribusi normal, tidak terpenuhi.

  • * Logistic Regression bertujuan untuk mempredisksi besar variabel dependen yang

    berupa variabel binary dengan menggunakan

    data variabel independen yang sudah

    diketahui besarnya.

    Variabel binary adalah suatu variabel yang menggunakan data nominal.

    Contoh: 1 = pria 2 = wanita

  • **Manajer PT. ANTIKKN ingin mengetahui faktor-faktor apakah yang memengaruhi konsumen

    dalam menentukan spesifikasi pembelian.

    *Untuk menjawab pertanyaan di atas, manajer melakukan kajian pustaka dan berhasil

    mengidentifikasi faktor-faktor yang diduga

    berpengaruh terhadap spesifikasi pembelian,

    antara lain, X1 s.d. X7.

    *Data hasil riset disimpan dalam file Hatco.

  • **Buka file Hatco. *Dari menu utama SPSS, pilih menu Analyze,

    Regression, dan binary logistic.

    *Pada isian Dependent, pilih variabel X11 . *Covariate, masukkan variabel-variabel X1 s.d.

    X7.

    *Option, aktifkan pilihan Hosmer-Lemeshow goodness of fit dan Iteration history.

    *Klik OK untuk menjalankan SPSS.

  • Analysis: 1. Menilai kelayakan model regresi

    Lihat output dari Hosmer dan Lemeshow.

    Hipotesis:

    H0: Tidak ada perbedaan antara klasifikasi

    yang diprediksi dengan klasifikasi yang

    diamati.

    H1: Ada perbedaan antara klasifikasi yang

    diprediksi dengan klasifikasi yang diamati.

  • Dasar pembuatan keputusan - Jika nilai. Sig > 0,05, H0 diterima

    - Jika nilai. Sig < 0,05, H0 ditolak

    Keputusan: Hasil uji Hosmer-lemeshow diperoleh nilai Sig 0,976. Karena

    nilai Sig > 0,05, H0 diterima. Artinya, model regresi binary

    layak dipakai untuk analisis selanjutnya karena tidak ada

    perbedaan antara klasifikasi yang diprediksi dengan

    klasifikasi yang diamati.

  • *Pengujian dilakukan dengan membandingkan nilai antara -2 Log Likelihood pada awal (Block Number=0) dengan nilai -2 Log Likelihood pada akhir (Block Number=1) .

    *Terdapat penurunan nilai likelihood. Artinya, model yang dihipotesiskan fit dengan data.

    -2 log Likelihood

    Awal (Block Number = 0) Akhir (Block Number = 1)

    134,602 24,759

  • *Kemampuan prediksi model regresi dinilai dengan menggunakan nilai chi-square goodness-of-fit dalam Tabel Omnibus Test Of Model Coefficients.

    *Nilai chi-square 109,844 dengan Sig. 0,000. *Karena Sig. < 0,05, berarti variabel independen yang

    dimasukkan dalam model akan menambah kemampuan prediksi model regresi logistik.

    Omnibus Tests of Model Coefficients

    Chi-square df Sig.

    Step 1 Step 109.844 7 .000

    Block 109.844 7 .000

    Model 109.844 7 .000

  • *Koefisien determinasi ditunjukkan dengan koefisien Cox&Snell R2 dan Negelkerke R2.

    *Koefisien berkisar antara 0 dan 1. Semakin mendekati 1 semakin besar kemampuan variabel independen dalam menjelaskan variabilitas variabel dependen.

    Model Summary

    Step -2 Log likelihood Cox & Snell R

    Square Nagelkerke R

    Square 1 24.759a .667 .901

    a. Estimation terminated at iteration number 9 because parameter estimates changed by less than ,001.

  • 5.Menguji koefisien regresi Untuk menentukan signifikansi konstanta dan setiap variabel

    independen, dilakukan uji t.

    Hasil uji t dapat dilihat dalam tabel Variable in the Equation. Hipotesis: H0: Koefisien regresi tidak signifikan

    H1: Koefisien regresi signifikan

    Keputusan: Jika nilai Sig. > 0,05, H0 diterima

    Jika nilai Sig. < 0,05, H1 ditolak

  • Variables in the Equation

    B S.E. Wald df Sig. Exp(B) Step 1a x1 -1.164 5.055 .053 1 .818 .312

    x2 -1.571 5.007 .098 1 .754 .208

    x3 2.231 .874 6.522 1 .011 9.310

    x4 -2.100 1.758 1.427 1 .232 .122

    x5 5.141 10.425 .243 1 .622 170.887

    x6 5.086 2.981 2.911 1 .088 161.805

    x7 -3.349 1.079 9.630 1 .002 .035

    Constant -1.552 5.313 .085 1 .770 .212

    a. Variable(s) entered on step 1: x1, x2, x3, x4, x5, x6, x7.

  • * Dari tabel tersebut terlihat variabel X3 (price flexibility) dan X7 (product quality) yang berpengaruh terhadap X11

    (specification buying), sedangkan variabel lain tidak.

    Penafsiran hasil Cara penafsiran koefisien regresi logistik adalah dengan

    pendekatan probabilitas.

    Angka (-), dianggap probabilitas 0. Angka (+) >1, dianggap probabilitas 1. Angka (+) di antara 0 s.d. 1 probabilitas sesuai dengan angka

    masing-masing.

  • Contoh:

    *Koefisien X3 sebesar 2,231 menunjukkan bahwa setiap perubahan 1 unit dalam X3, probabilitas konsumen melakukan

    specification buying bertambah 100%.

    *Sebaliknya, Koefisien X7 sebesar -3,35 menunjukkan bahwa setiap perubahan 1 unit dalam X7, probabilitas konsumen

    melakukan specification buying berkurang 100%.

  • Classification Tablea

    Observed

    Predicted

    Specification buying Percentage

    Correct use of

    specification buying

    employs total value

    analysis Step 1 Specification

    buying use of specification buying

    38 2 95,0

    employs total value analysis 2 58 96,7

    Overall Percentage 96,0

    a. The cut value is ,500