Regreso logística merupakan salada analógica multivariada, yang berguna untuk memprediksi dependente variabel berdasarkan variabel independen. Pada regressão logística, dependen variabel adalah variabel dikotomi (kategori). Ketika categoria variável dependência berjumlah dua kategori maka digunakan binário logística, ketika dependen variabelnya lebih dari dua kategori maka digunakan multinominal regressão logística. Lalu ketika dependen variabelnya berbentuk ranking, maka disebut dengan regressão logística ordinal. Konsep Regresi Logistik Regresso logistik merupakan alternativo uji jika asumsi multivariado distribuição normal pada variabel bebasnya tidak bisa terpenuhi ketika akan dilakukan analisis diskriminan. Tidak terpenuhinya asumsi ini dikarenakan variável bebas merupakan campuran antara variável kontinyu (métrico) dan kategorial (não métrico). Misalnya, as probabilitas bahwa, orang, yang, menderita, serangan, jantung, pada, waktu, ter, dapat, dipreded, dari, informasi, kebiasaan, merokok, jenis, kelamin, dan lainnya. Asumsi Regresi Logistik Registros Logistik tidak membutuhkan hubungan linier antara variável bebas dengan variabel terikat. Regressar à lista de discussão não foi registada para este tópico. Odd dalam regresi logistik sering dinyatakan sebagai probabilitas. Misal Odd sebuah perusahaan dapat bangkrut atau berhasil atau estranho seorang anak dapat lulus atau tidak pada Ujian Nasional. Variable bebas tidak memerlukan asumsi multivariada normalidade Asumsi homokedastis tidak diperlukan Variabel bebas tidak perlu dirubah ke bentuk métrico (intervalo atau skala ratio) CONTOH KASUS Dados de Regressão Logística Yang Diberikan Adalah Data Fiktif Bukan Data Sebenarnya, Cuma Sebagai Latihan Uji Estatísticas Seorang dokter ingin mengetahui probabilitas seorang ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Logistic Masukkan variabel sakit ke Dependente, kemudian variável rokok dan usia ke 8220covariate box8221 Kemudian, Klik Opções, lalu beri tanda pada Classificação Parcelas, Hosmer-Lemeshow GoF, Matriz de correlação, história de iterações Klik Continuar, kemudian OK HASIL Dan INTERPRESTASI Menilai Model Fit Untuk Modelo menilai fit dapat diperhatikan Nilai statistik -2LogL yaitu tanpa mengikutsertakan variável hanya berupa konstanta yaitu sebesar 41.589. Descrição da foto 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 significante pada alfa 5 yang berarti Idéias, modelo artinya ajuste tidak. 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.), Modelo artinya ajuste dados dengan. Statistik - LogL dapat digunakan untuk menentukan apaká jika variabel bebas dimasukkan dalam modelo dapat secara signifikan mempengaruhi modelo. Dengan selisih 24.839 dan df (df1-df229-272) maka menunjukkan angka ini significante pada alfa 5. Hal ini berarti Ho ditolak dan Dados modelo dengan ajuste. Cox n Snell8217s R Quadrado adalah ukuran pengaruh bersama yaitu sebesar 0.563 dan nilai Nagelkerke R quadrado adalah sebesar 0.751. Dengan demikian dapat disimpulkan bahwa kemampuan variável bebas menjelaskan modelo adalah sebesar 75.10. Selanjutnya, Hosmer e Lemeshow8217s GoF dilakukan untuk menguji hipotesis. Jika sig lt 0,05 maka Ho ditolak yang berarti ada perbedaan signifikan antara modelo dengan nilai observasinya. Jika sig gt 0,05 maka Ho diterma, artinya tidak ada perbedaan antara modelo dan nilai observasinya. Estatisticamente Hosmer e Lemeshow8217s GoF diperoleh sebesar 0.594 (gt 0.05) sehingga dapat dinyatakan bahwa modelo fit dengan dados. Hosmer e Lemeshow8217s GoF juga menghasilkan nilai 6.475 probabilidades de sebesar 0.594 sehingga dapat disimpulkan bahwa modelo fit dengan dados. Parâmetros de Estimação de Interesses Estimais Máximo Likehood parâmetro modelo dapat dilihat dari output pada tabel Variáveis na Equação. Regressão logística kemudian dapat dinyatakan: 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 juga signifikan dengan probabilitas 0.032. Memorizar o conteúdo do ficheiro para o seguinte resultado: Log of Odds seseorang terkena secara positif berhubungan dengan rokok. Probabilitas atau Probabilidades 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 konstán, maka probabilitas seseorang terkena serangan jantung adalah sebesar 0.210 pada setiap kenaikan satu tahun usia. Jika Rokok dianggap konstán, maka seseorang memiliki odds terkena, penyakit jantung, adalah sebesar 1.233 pontos de vista penambahan usia. Sementara jika usia bernilai konstán maka odds seorang terkena penyakit jantung adalah sebesar 210.286 unguar perokok dibandingkan dengan yang tidak merokok. Hasil taxa de classificação geral adalah sebesar 90.0 pada cutoff 50 Pertama. Variável rokok dan usia memiliki hubungan positivo dengan odds penyakit jantung Kedua. Jika usia bernilai konstan, maka seorang perokok memiliki odds terkena penyakit jantung sebesar 5.384 kali lebih besar dibanding yang tidak merokok Ketiga. Jika rokok bernilai konstán, maka odds seorang terkena penyakit jantung adalá sebesar 0.210 pada setiap penambahan usia. Cuma diingatkan8230.data yang Diberikan Adalah Dados Fiktif Bukan Dados Seva, Cuma Sebagai Latihan Uji Estatísticas Imam Ghozali. 2009. Aplikasi Analisis Programa multivariado de dengan SPSS. Semarang BP: Undip, hal. 261-275Minggu yang lalu, saya, menyampaikan, mengenai, kari, dari, analisis, regresi, logistik, biner. Pada minggu ini, saya akan coba melanjutkan pembahasan berkaitan dengan l angkah-langkah pengolahan nya dengan menggunakan programa bantuan SPSS. Langkah-langkahnya adalah sebaian berikut: 1. Buka lah programa SPSS yang anda miliki 2. Dados de entrada nya --gt sebagai contoh, data yang saya gunakan dados de adalá dados de data buku Análise de dados categóricos (Alan Agresti, 2007, edisi 2 --gt Halaman 132), pada kasus saya variabel penjelasnia ada 2 (Durasi skala rasio dan T dengan skala nominal) dan variabel terikatnya Y dalam bentuk nominal (terdiri atas 2 kategori - gt biner) 3. Pilih opsi variabel view. Lalu ubahlah variabel nome dan etiqueta - nya sesuai dengan kasus masing-masing. Saat ini, saya akan menggubah nama menjadi D, T dan Y misalnya. Valores Kemudianos nya disesuaikan nilainya. Bila dados binários nominais nominal ordinal (misalnya untuk T dan Y), medida nya diganti dari escala menjadi nominal. 4. Os dados cobrem, kemudian pilih opsi Analisam gt Regressão gt Logística binária 5. Masukkan Y sebagai variabel Dependente dan D serta T sebagai covariates. Untuk Método nya saat ini saya masih tetap menggunakan enter. 6. Karena Categoria do artigo: Categoria de tópicos relacionados com a categoria Categoria do artigo: Categoria: nya dengan cara memilih opsi Categorical. Untuk kemudahan interpretasi biasanya saya memilih primeiro a referir-se nya. Palavras-chave para esta categoria. Kemudian JANGAN LUPA mudança pilih. Clique em Continuar. 7. Pilih opções. Kemudian centang hosmer lemeshow dan classificação parcelas dan klik continuar. Kemudian OK. Está bem. Untuk Interpretasi Produzido por silhkan membaca postingan berikutnya yang berjudul. Analisis Regresi Logistik (interpretasi). Terimakasih telah membaca. - Ferdi Fadly - Sabagai kelanjutan dari tulisan mengenai modelo pilihan kualitatif, pada bagian ini, akan dijelaskan contoh modelo binário logit dan estimulante dengan menggunakan programa SPSS. Sebagai contoh ilustrativo, misalnya ingin diprediksi pengaruh umur, jenis kelamin dan pendapatan terhadap pembelian mobil. 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Selanjutnya akan muncul tampilan berikut: 2. Masukkan Y sebagai variável dependente dengan cara klik Y di kotak kiri, kemudian klik tanda panah disamping kotak Dependent. Masukkan X1, X2 dan X3 kedalam kotak Covariates, dengan cara klik masing-masing variável, kemudian klik tanda panah disamping kotak covariates. 3. Selanjutnya, karena variabel X3 merupakan peubah categoria (ordinal) dengan lebih dari dua kategori (yaitu 0pendapatan renda, 1pendapatan sedang dan 2pendapatan tinggi) maka diubah terlebih dahulu ke dalam 2 variabel dummy, untuk mengembangkan modelo yang logis dan mudah diinterpretasi, sebagai berikut : (Ini sama dengan prosedur regresi dengan variável bebas dummy sebelumnya) X31 1, jika konsumen berpendapatan menengah 0, jika selainnya X32 1, jika konsumen berpendapatan tinggi 0, jika selainnya Dalam programa SPSS untuk mengkonversi ini dengan cara klik Categoral dari tampilan diatas, maka Akan muncul tampilan berikut: Selanjutnya, klik X3, klik tanda panah disamping Categorical Covariates. Pilih Categoria de referência dengan Primeiro, kemudian klik Alterar dan Continuar. OK OK. 4. Saída de saída de Akan SPSS para retornar o logit sebagai (disini hanya ditampilkan bagy-bagian terpenting saja yang akan dibahas): Impressão de tabelas pertama diatas menjelaskan transformasi variabel X3 dengan kategori 0,1 de 2 menjadi dua variant dummy yaitu X31 dan X32. Seperti yang terlihat dari tabel tersebut, variavel X31 1 comentário para 1 (pendapatan menengah) dan 0 untuk kategori lainnya. Varibel X32 bernilai 1 não classificado 2 (pendapatan tinggi) dan 0 untuk kategori lainnya. Dengan demikian, categoria 0 (pendapatan rendah) akan bernilai 0 baik pada variabel X31 dan X32. Imprimindo di tabel kedua diatas merupakan nilai Khi-kuadrat (2) dari modelo regresi. Sebagaimana halnya modelo regresi linear dengan metode OLS, kita juga dapat melakukan pengujian artigo penting modelo secara keseluruhan. Jika metode OLS M, M, M, M, M, M, M, M, M, M, M, M,. Karenanya dalam pengujiannya, nilai G dapat dibandingkan dengan nilai 2 tabel pada tertàtu dan derajat bebas k-1. (Pengujian de kriteria de dan pengujian de cara de persis sama dengan uji F pada metode regresi OLS). Tetapi, kita juga bisa melihat nilai p-valor dari nilai G ini yang biasanya ditampilkan ole-software-software statistik, termasuk SPSS. Dari saída SPSS, didapatkan nilai 2 sebesar 18,131 dengan p valor 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 modelo regressar logistik secara keseluruhan dapat menjelaskan atau memprediksi keputusan konsumen dalam membeli mobil. Cópia impressa do quadro que contém o modelo que aparece no formulário. Dalam pelaporannya, modelo regressi logistiknya dapat dituliskan sebagai berikut: Dari output SPSS diatas menjadi sebagai berikut: Modelo ini merupakan modelo peluang membeli mobil (P (xi) yang dipengaruhi oleh faktor-faktor umur, jenis kelamin dan pendapatan Modelo tersebut adalah bersifat non - Lineal dalam parâmetro. Salanjutnya, untuk menjadikan modelo tersebut linear, dilakukan transformasi dengan logaritma natural, (transformasi ini yang menjadi, penting dalam regresi logistik dan dikenal dengan istilah logit transformação), 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, em P (xi) 1-P (xi) secara sederhana merupakan registro dari perbandingan antara peluang membeli mobil dengan Peluang, tidak, membeli, mobil, Oleh, karenanya, juga, koefisien dalam, persa, ini, menunjukkan, pengaruh, dari umur, jenis, kelamin, dan, pendapatan, terhadap, peluang, relativ E indivíduo membeli mobil yang dibandingkan dengan peluang tidak membeli mobil. ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Erro masing-masing koefisien. Dari saída SPSS ditampilkan nilai Wald dan p-valuenya. Berdasarkan nilai p-valor (dan menggunakan kriteria pengujian 10), dapat dilihat seluruh variabel (kecuali X31), berpengaruh nyata (memiliki p-valor dibawah 10) terhadap keputusan membeli mobil. Lalu, bagaimana interpretasi koefisien regi regi dari persamaan di atas. Dalam modelo regressivo linear, koefisien i menunjukkan perubahan nilai variabel dependente sebagai akibat perubahan satu satuan variabel independente. Hal yang sama sebenarnya joga berlaku dalam modelo regressar logit, tetapi secara matematis sulit diinterpretasikan. Koefisien dalam modelo logit menunjukkan perubahan dalam logit sebagai akibat perubahan satu satuan variabel independente. Interpretasi yang tepat untuk koefisien ini tentunya tergantung pada kemampuan menempatkan arti dari perbedaan antara dua logit. Oleh karenanya, dalam modelo logit, dikembangkan pengukuran yang dikenal dengan nama odds ratio (). Relação de Odds untuk masing-masing variável de código de erro SPSS sebagaimana yang terlihat tabel diatas (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 0,201 (saída de saída SPSS). Dalam kasus variabel X2 (jenis kelamin dimana 1 de 0 pontos), dengan odds ratio sebesar 0,201 dapat diartikan bahwa peluang wanita untuk membeli mobil adalah 0,201 kali dibandingkan pria, jika umur dan pendapatan mereka sama. Artinya wanita memiliki peluang lebih rendehi dalam membeli mobil dibandingkan pria. Dalam kasus variabel X1 (umur), dengan odds ratio sebesar 1,153 dapat diartikan bahwa konsumen yang berumur lebih tua satu tahun peluang membeli mobilnya adala 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 (proporção de skang da variabilidade de yang merupakan), hati-hati menginterpretasikan nilai perbedaan peluangnya. Jika perbedaan umur lebih dari 1 tahun, misalnya 10 tahun, maka odds razya akan menjadi 4,14, yang diperoleh dari perhitungan sbb: e (10 x 0,142). Artinya peluang membeli mobil konsumen eang berumur lebih tua 10 tahun adalah 4,14 kali dibandingkan konsumen yang lebih muda (10 tahun) darinya. Selanjutnya, dalam konteks variável pendapatan, terlihat bahwa X31 tidak berpengaruh significikan. Artinya, peluang membeli, mobil antara, konsumen, pendapatan, sedang, pendapatan, rendah, adalah, sama saja. Sebaliknya, untuk X32, dapat diinterpretasikan bahwa peluang membeli mobil konsumen pendapatan tinggi adala 6,45 kali dibandingkan pendapatan rendah, jika umur dan jenis kelaminnya sama. Selamat pg pak, sy mau bertanya. Diatas bpk mengatakan uji G kriteria penguiana 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. ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Semua variabell lebih dari 0.05, apakah buruk apa yang harus dilakukan Maksudnya probabilita (sig) wald gt 0.05 (tidak significado) Jika semuanya tentu saja modelo harus diperbaiki. Langkah yang harus dilakukan adalah periksa dados terlebih dahulu (terutama outliernya). Modelo de Kedua periksa, (uji multikolinearitas antar variabel bebas). Dados de Ketiga tambah. Makasih pak atas pembahasanya semoga berkah ilmunya, maaf saya mau tanya lagi pak. Regresi logiistik salah satu variavel saya adala plafon pinjaman, saya pakai manequim sebagai berikut plafon1 plafon2 1. 500.000 0 0 gt 1. 500.000 karena referência 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 value saya tulis 0 lainya dan 1 1. 500.000 kemudian saya olah, ternyata pas kolom caso processando summray, variabel gt 1. 500.000 di remover dari analisa dan jadi konstanta akhirnya di Kolom categórica variabel codificação 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 makasihKONSEP REGRESI LOGISTIK CONTOH DENGAN 16 (Kasus Binary Reglog) Malam ni sobat semua. Wah wah wah Pada gimana nih kabarnya Moga baik dan sehat-sehat saja ya hehehe. Yap, s ekarang kita belajar lagi yuk materi yang baru. Nah, kali ini saya mau ngebahas dan ngasi conto para mostrar estatística Regresi Logistik. A regressão múltipla do tentang do saya do posando do baca da perna de Kalau. Maka bedanya ada pada dados skala variabel terikatnya soluço. Untuk regressi logistik, skala dados variáveis terikat (Y) adalah kategorik (non metrik). Ya bisa dua categoria, lebih dari dua (categoria banyak) dan bisa juga skala datanya ordinal kategorik. Terkait konsep, sebenarnya sama saja dengan regi biasa (sederhana maupun berganda) yaitu melihat pengaruh dari variável-variável bebas terhadap variabel terikat. Regressar ao dicionário analítico e analítico (pembeda). Nah, sebagai pengantar pengetahuan saja, dalam analisis discrimina kan dibutuhkan asumsi kenormalan multivariat. Nah, b edanya dengan uji asumsi kenormalan biasa seperti ini k alau uji asumsi kenormalan biasa, yang diuji kenormalannya adalah residual dari variabel terikatdependennya sedangkan untuk multivariado normal, yang diuj kenormalannya adalah seluruh variabel bebasnya. Asumsi multivariat normal ini terkadang sulit dipenuhi dalam analisis diskriminan karena variavel bebas yang digunakan merupakan gabungan antara skala dados de categoria metria dan kontinyumetrik. Dalam regresi logistik dikenal konsep Relação de Probabilidades yang sama artinya dengan probabilitas atau kecenderungan. A propósito. T erkait analisis, diskriminan, ini, akan, dibahas, secara, khusus, pada, postingan, berikutnya. Sabar aja ya hehe. Kalau seandainya, dalam penelitian sobat, pakainya ada dua categoria variável terikatnya misalnya 8220lulus8221 dan 8220tidak lulus8221, maka dinamakan regressão logística binária. Kalau semisalnya lebih dari dua kategori alias banyak dinamakan regressão logística multinomial. Nah, satu lagi, kalau skala dados variabel terikatnya ordinal (peringkat), dinamakan ordinal regressão logística. Oke deh kali ini saya berikan contoh pengerjaannya. Monggo, datanya download de disics Kalo sobat sudah ambil dan lihat datanya, ada tiga buah variabel yakni hasil tes tertulis, jenis kelas dan nilai tes praktikum. Disini saya mengambil sampel secar acak yakni 30 mahasiswa jurusan tehnik sipil suatu kampus. Hasil tes tertulis yang adala variabel terikat merupakan kategorik (dua kategori yaitu 1lulus dan 0tidak lulus), jenis kelas juga kategorik (1reguler dan 0non reguler) dan nilai tes praktikum adalah não kategorik (kontinyu). Berikut cuplikan tampilan data view dan variabel viewnya: japa: dalam analisis reglog kita menggunakan variavel bebas yang berskala dados kualitatif (nominal atau ordinal) seks kita tidak bisa menghitung variantes dan rerata dari variabel yang berskala data kualitatif. ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Uji F dan T sama dengue yang di OLS anonim: kalau untuk melihat besarnya pengaruh suatu variabel bebas kamu bisa lihat nilai koefisiennya modelnya saja dan coba sandingkan dengan teori yang ada. Ingat bahwa statistik itu hanya ferramentas sehingga harus selalu dilakukan uji kebaikan modelo estatística, bisa dgn melihat nilai quadrado R, traço de classificação bahkan mengembalikan hubungan variabel bebas terhadap tidak bebas ke dalam esensi keilmuannya (apa benar pengaruhnya benar seperti yang ditunjukkan estatística modelo). Demikian. Salam Salam kenal mas .. Saya punya tugas seberapa besar pengaruh site promosi yg saya buat terhadap jumlah transaksi penjualan perharinya selama 1bulan. Jd Y nya saya bikin 1 dari website saya 0 dari média lain, buat X nya saya buat kuisioner skla likert dengan 2 variável dr website saya, jadi ketika ada pembeli yg membeli barang saya kasikan kuisionernya. Apakah bisa analisis reg log untuk mencari besran pengaruh site promosi saya terhadap jmlah transaksi penjualan perharinya selama satu bulan. Guarnições
No comments:
Post a Comment