Seringkali di dalam penelitian, seseorang ingin memodelkan hubungan antara variabel X (prediktor; bebas) dan Y (respon; terikat). Metode yang paling sering dipakai dalam kasus seperti itu adalah regresi linier, baik sederhana maupun berganda.
Namun, adakalanya regresi linier dengan metode OLS (Ordinary Least Square) yang sering dipakai tersebut kurang sesuai untuk digunakan. Dikatakan kurang sesuai karena jika regresi linier biasa digunakan akan terjadi pelanggaran asumsi Gauss-Markov. Misalnya pada kasus dimana variabel respon (Y) bertipe data nominal, sedangkan variabel bebas/prediktornya (X) bertipe data interval atau rasio.
Contoh kasus (diambil dari rencana skripsi Choirul Maqsudi):
Ingin diketahui apakah konsumen akan membeli makanan di rumah makan berdasarkan penilaian konsumen terhadap lokasi, pelayanan, pendapatan, kebersihan, selera dan harga. Dalam kasus ini hanya ada 2 kemungkinan respon konsumen, yaitu konsumen membeli dan tidak membeli.
Dari contoh kasus di atas, dapat diketahui bahwa tipe data variabel respon (Y) adalah nominal, yaitu kategorisasi keputusan konsumen apakah membeli atau tidak (misal membeli dilambangkan angka 1, sedangkan tidak membeli dengan angka 0), sedangkan tipe data untuk variabel bebas (X) setidak-tidaknya interval (skala likert). Bila metode regresi linier biasa diterapkan pada kasus semacam ini, menurut Kutner, dkk.(2004), akan terdapat 2 pelanggaran asumsi Gauss-Markov dan 1 buah pelanggaran terhadap batasan dari nilai duga (fitted value) dari variabel respon (Y), yaitu:
-
Error dari model regresi yang didapat tidak menyebar normal.
-
Ragam (variance) dari error tidak homogen (terjadi heteroskedastisitas pada ragam error).
-
Sedangkan, pelanggaran bagi batasan nilai duga Y (fitted value) adalah bahwa nilai duga yang dihasilkan dari model regresi linier biasa melebihi rentang antara 0 s.d. 1. Hal ini jelas tidak masuk akal , karena batasan nilai pada variabel Y (dalam kasus ini adalah membeli=1 dan tidak membeli=0). Bayangkan jika Anda mendapatkan nilai duga Y = 4 saat Anda memasukkan suatu nilai X tertentu. What does it mean? It is no longer interpretable, guys.
Untuk mengatasi masalah ini, diperkenalkan metode Regresi Logistik. Sebagaimana metode regresi biasa, regresi logistik dapat dibedakan menjadi 2, yaitu: Binary Logistic Regression (Regresi Logistik Biner) dan Multinomial Logistic Regression (Regresi Logistik Multinomial). Regresi Logistik biner digunakan ketika hanya ada 2 kemungkinan variabel respon (Y), misal membeli dan tidak membeli. Sedangkan Regresi Logistik Multinomial digunakan ketika pada variabel respon (Y) terdapat lebih dari 2 kategorisasi.
Model Logistik memiliki bentuk fungsi seperti pada persamaan (1) dan (2). Untuk memudahkan interpretasi, maka model logistik ditransformasi menjadi bentuk fungsi logit, seperti pada persamaan (3). Nilai duga regresi logistik (Y duga) merupakan nilai peluang. Lebih tepatnya berapakah peluang seorang konsumen akan membeli makanan di warung/rumah makan tersebut berdasarkan penilaiannya pada variabel lokasi, pelayanan, pendapatan, kebersihan, selera dan harga. Rentang nilai duga yang dihasilkan akan berkisar antara 0 s.d. 1. (Kita ingat bahwa kisaran atau rentang nilai peluang adalah 0 s.d 1).
Catatan:
Regresi logistik tidak terbatas hanya da[pat diterapkan pada kasus dimana variabel X nya bertipe interval atau rasio saja. Tapi regresi logistik juga bisa diterapkan untuk kasus dimana variabel X nya bertipe data nominal atau ordinal. Hal ini seperti ini analog dengan regresi linier dengan variabel dummy.
Daftar Pustaka:
Kutner, M.H., C.J. Nachtsheim dan J. Neter. Applied Linear Regression Models. Fourth Edition. The McGraw-Hill Companies, Inc. Singapore.
FORUM STATISTIKA 
siiiiip lah.
okey…..
Reglog ini cukup menarik, tetapi saya malah jadi tambah bingung pakenya. Saya punya permasalahan dalam mengolah data penelitian saya. Saya penelitian tentang Pengaruh Motivasi terhadap Kepuasan Kerja karyawan, saya mengambil data dengan menggunakan kuesioner. Kuesioner itu hanya berisi pertanyaan tentang variabel2 yg mempengaruhi motivasi dan kepuasan. Nah untuk pengolahan ke regresi bisa tidak dilakukan?? Karena data untuk motivasi dan kepuasan sendiri tidak ada…
Tolong kalau ada jawabannya, kirimkan ke email saya.
Jawaban untuk Ramah – 16 Des 2007 – 5:29 pm
kalo Ramah bingung, apalagi saya ,heheheh. Sejauh pengalaman saya, kasus Anda bisa dianalisis dengan menggunakan regresi linier, bukan regresi logistik. Anda hanya perlu membuat kuesioner dengan skala likert (skala 1 s.d. 5 misalnya), masing2 untuk variable-variabel indikator motivasi dan kepuasan, kemudian lakukan ekstraksi data dari variabel indikator untuk dijadikan variabel laten, baik Motivasi maupun Kepuasan kerja. Nah setelah itu, baru lakukan analisis regresi linier untuk variabel laten Motivasi dengan variabel laten Kepuasan kerja.
🙂
Mohon mas denny berkenan memberikan pencerahan. Skripsi saya berjudul pengaruh komitmen dan motivasi terhadap karir auditor. Seperti kita ketahui data variabel x berjenis skala likert, sementara karir auditor merupakan kategori tingkatan. Pertanyaannya adalah, alat uji apa yg bisa saya gunakan?
Jawaban untuk dekill – 26 Des 2007 – 7:52 am.
Pertanyaan yang bagus. Untuk kasus seperti itu, dapat juga dikerjakan dengan regresi logistik.
🙂
#1
mas deny, apa yang dimaksud mas deny dgn jawaban untuk ekstraksi data dari variabel indikator untuk dijadikan variabel laten? gm caranya mas? (jawabn untuk Ramah 16 des @atas)
makasih
Respon untuk #1
Ok mbak Nti. Ekstraksi variabel adalah suatu metode untuk membentuk sebuah variabel Laten/Konstruk dari variabel-variabel indikatornya (item-item variabel). Misal: ada variabel kepuasan yang sedang diteliti. nah, variabel kepuasan ini adalah sebuah variabel laten (tidak dapat diukur secara langsung). Untuk dapat mengukur kepuasan seseoang, kita siapkan item2 pertanyaan (indikator variabel) di dalam suatu quesioner. Nah, data dari item2 ini kemudian diolah lebih lanjut sehingga akan membentuk sebuah variabel laten kepuasan. Well, variabel laten kepuasan inilah yang nantinya akan dianalisis menggunakan metode statistika, misal regresi. Jadi, bukan item2 nya yang dianalisis di dalam regresi.
Cara untuk melakukan ekstraksi/pembentukan variabel laten dari variabel indikator dapat dilakukan misalnya dengan men-total data dari var indikator, merata-ratakan var indikator, korelasi terkuat, recoding, analisis faktor, atau analisis komponen utama.
Untuk cara rincinya, Insya Allah akan segera saya buatkan, biar teman2 seperti mbak nti bisa baca. Doakan aja ya!
🙂
#3
Mas Denny saya punya sedikit problem…
penelitian saya tentang pengambilan keputusan.
Variable X1 pelayanan, X2 tarif, variable Y keputusan pelanggan, ketiga variable ini menggunkan skala likert.
Nah apakah penelitian saya ini dapat menggunakan regresi logistik?
#2
mau tanya judul skripsi saya ”analisis faktor2 yg mempengaruhi kualitas produk”.Variabel dependen: kualitas produk. Variabel independennya:kepemimpinan,pengembangan n pemberdayaan karyawan,perbaikan sistem kualitas,proses pengendalìan n evaluasi.mau tanya enaknya pake regresi linier atau regresi logistik?mksh.
Respon untuk #2
Jawaban untuk pertanyaan seperti itu cukup mudah. Anda hanya perlu tahu beda antara regresi linier dengan regresi logistik. Setelah tahu bedanya, maka Dhistya pasti bisa memilih diantara regresi linier dengan regresi logistik.
Ok, untuk tahu, Dhistya hanya perlu menjawab pertanyaan ini:
Apa tipe data yang ada pada variabel dependen? Kalo tipe datanya adalah nominal atau ordinal, maka gunakanlah regresi logistik. Tapi kalo tipe data pada variabel dependen adalah interval atau rasio, maka gunakanlah regresi linier.
Mudah kan?
🙂
Respon untuk #3
Kalo semua variabel menggunakan skala likert, berarti boleh dikatakan bahwa tipe data dari ketiga variabel adalah interval. Dengan demikian, metode yang tepat digunakan adalah REGRESI LINIER BERGANDA, bukan regresi logistik. Hal ini disebabkan karena, regresi logistik mensaratkan bahwa tipe data pada variabel Y (dependen) adalah nominal atau ordinal. Sedangkan seperti yang kita ketahui bersama, regresi linier berganda mensaratkan bahwa data pada variabel Y adalah interval atau rasio.
Namun, saya agak rancu dengan penjelasan Mimi, yaitu pada variabel Y yang berisi KEPUTUSAN PELANGGAN. Sejauh pengalaman saya, variabel keputusan pelangan HANYA berisi data apakah pelanggan membeli atau tidak, dan bukan skala likert. Keputusan membeli dilambangkan angka 1, sedangkan tidak membeli adalah 0. Jika seperti ini kasusnya, maka tipe data pada variabel Y adalah nominal. Dengan demkian, metode yang tepat adalah REGRESI LOGISTIK.
Nah, sekarang tolong di-kroscek ulang, manakah yang benar?
🙂
#4
mw konsultasi duunks…
Skripsi saya judul na, Analisis APBD Kota A Sebelum dan Sesudah Desentralisasi Fiskal, saya pk regresi logistik sbg alat analisis nya….
APBD Kota A Sebelum dan Sesudah jadi variabel dependen nya, truss faktor2 APBD n bagian2 APBD nya jadi variabel independen……
output yang saya harapkan, faktor2 APBD itu nantinya ngejelasin seberapa besar pengaruhnya terhadap bagian2 APBD nya dari masa sebelum desentralisasi hingga setelah desentralisasi fiskal……….
kl yang seperti itu termasuk logit tipe binary atw mulnomial??
trus, buku2 yang bisa jadi referen apa ya??
Respon untuk #4
Di dalam regresi logistik, yang menjadi darsar penamaan apakah termasuk binary ato multinom adalah banyaknya kategori pada variabel Y. Jadi, kasus Eha’ termasuk Binary Logistic Regression.
Buku yang bisa dibaca:
Kutner, M.H., C.J. Nachtsheim dan J. Neter. Applied Linear Regression Models. Fourth Edition. The McGraw-Hill Companies, Inc. Singapore
Dll…
🙂
#5
Mau tanya nie..
Apakah regresi logistik multinomial itu sama dengan regresi logistik politomus?
makasih
#6
aku baru dengar tentang ni ( regresi logistik) tapi kayaknya aku dah penasaran kali.
bisa tidak bapak/ ibu/kakak/abang menerangkan dengan sederhana
Respon untuk #5
Yup, regresi logistik multinomial itu sama dengan regresi logistik politomus.
Regresi logistik multinomial (politomus) menunjukkan model regresi logistik dengan banyaknya kategori pada variabel respon lebih dari 2.
🙂
Respon untuk #6
Secara umum, regresi logistik “mirip” dengan regresi linier, walaupun sebenarnya regresi logistik bukanlah termasuk ke dalam regresi linier, melainkan regresi nonlinier.
Bedanya, data pada variabel respon untuk regresi linier harus setidak-tidaknya bertipe data interval. Sedangkan tipe data untuk variabel respon pada regresi logistik bertipe data nominal atau ordinal.
Kalo bingung tentang tipe data, coba baca posting tentang “Tipe Data” pada kategori “Statistika Dasar”. Atau kalo gak ketemu, ketik aja “Tipe data” pada Search engine di weblog ini.
🙂
#7
mo nanya nih mas? saya ada ketemu rumus didalam penelitian yang tertulis seperti ini
Logit Y=a+b1x1+b2x2+b3x3+b4x4+b5x5+e
kira2 rumus tersebut merupakan rumus ap ya mas ??? tolong dong bingung nih???
#8
mas deny mo nanya nih, bisa jelasin tentang rgresi logistik berganda g???? please
saya mau minta tolong ni untuk menyelesaikan skripsi saya yg berhubungan dengan “METODE ANALISIS REGRESI SIRKULAR-LINIER”.Apa kelemahan dan kelebiahan menggunakan metode ini?Apa yang dimaksud dengan variabel dependen linier, variable independen sirkular, variabel independen sirkular dan linier.saya menggunakan 1variabel dependen dan 4variabel independen.Dan kira-kira buku-buku apa aja yang bisa saya pake untuk mebantu saya mencari keterangan/penjelasan/teori tentang metode ini?
Sebelumnya saya mangucapkan terima kasih.
#9
Mohon penjelasannya Pak, sy sedang menyusun skripsi yg uji hipotesisnya dengan menggunaka regresi logistik. Yg ingin sy tanyakan jika menggunakan analisis regresi logistik apakah juga diperlukan uji asumsi klasik, karena kata dosen saya tidak perlu. Jadi sy hanya melakukan uji validitas dan reabilitas saja. Tks
hallo !saya mahasiswa UNtirta di serang banten mau tanya mengenai multinomial logit.saya sangat kesulitan mencari tahu tentang itu….tolong banget kirim ke email saya.banyak terimakasih.
Respon untuk #7
Oh ya, itu rumus transformasi logit untuk respon fungsi. Kalo pake bahasa-nya Wayne Rooney, yaitu “logit response function “. Transformasi logit merupakan metode transformasi untuk “Logistic Mean Response Function” (rumus asal regresi logistik). Transformasi inilah yang sering kita temui dalam Regresi Logistik agar mudah saat melakukan interpretasi untuk regresi logistik. Kenapa perlu ditransformasi? Karena sebenarnya, rumus asli dari “Logistic Mean Response Function” itu tidak linier, yaitu: phi = (exp(b0+b1x1+…))/(1+exp(b0+b1x1+…). Variabel phi adalah peluang terjadinya suatu kejadian. Nol artinya suatu kejadian tidak terjadi, 1 artinya suatu kejadian terjadi.
Respon untuk #8
Bagian mana yang ingin didiskusikan mas? kalo semuanya, saya kuatir weblognya gak cukup , hehehe
🙂
Respon untuk #9
Yup, saya sependapat dengan dosen Anda. Akan tetapi, walaupun kita tidak melakukan uji asumsi klasik, tetapi ada beberapa uji yang berkenaan dengan residual dari regresi logistik untuk menguji apakah model regresi logistik yang Anda dapatkan sudah tepat atau belum. Jangan kuatir, gak ribet-ribet amat kok. Silahkan baca buku-buku yang ada bahasan tentang regresi logistik.
🙂
#10
Mas, apa bener klo kita menggunakan regresi logistik ganda, kita tidak memerlukan uji normal?
Respon untuk #10
Yup, kita tidak perlu menggunakan asumsi normal.
Akan tetapi, ada beberapa residual diagnostics (pemeriksaan terhadap residual) yang harus dilakukan.
#11
nanya lagi nih mas,residual diagnostics itu apa sih, modelnya gmn dan apa-apa pemeriksaan yang yang harus dilakukan itu mas?? bingung nih… boleh minta referensi g mas (buku yg wajib d baca biar paham regresi logistik)hehehe jd malu nanya melulu…….. Makasih atas jawabannya
#12
Saya ingin tanya kalau variable independen nya:
X1 = nominal polikotom ada 3 : penderita leukemia tipe L1
penderita leukemia tipe L2
penderita leukemia tipe L3
X2= nominal dikotom : status gizi baik
status gizi uderweight
X3= nominal dikotom : Sex : laki laki
Perempuan
variable dependen nya:
Y= nominal dikotom : anemia
tidak anemia
yang ingin saya tanyakan:
1. semua variable bebasnya nominal, bisakah dengan regesi logistik?
kalau tidak bisa, ada cara statistik lain utuk mengolahnya?
2. kalau bisa dengan regresi logistik, saya masih bingung untuk mengolah data X1 ( nominal polikotom )
caranya bagaimana ya?
terimakasih banyak ya…
nb. terimakasih telah membuat blog ini.
Respon untuk #11
1.Residual diagnostic adalah pemeriksaan terhadap residual dari model regresi logistik yang didapatkan. Residual diagnostik meliputi: pengecekan terhadap residual dengan Pearson residuals, Deviance residuals, dll.
2.Beberapa buku yang bagus:
Kutner, M.H. 2004. Applied Linear Regression Models. Fourth Ed. The McGraw-Hill Companies Inc. Singapore.
Everitt, B.S. 1994. A Handbook of Statistical Analyses Using S-PLUS. Chapman & Hall. London.
Dan buku-buku serta jurnal-jurnal ilmiah lainnya.
Gak usah malu, nyantai aja….hehehe
🙂
Respon untuk #12
1.Saya sarankan Anda menggunakan metode Contingency Coefficient (Koefisien Kontingensi). Metode ini termasuk ke dalam statistika nonparametrik, yang digunakan untuk mengukur keeratan hubungan (korelasi) antara 2 variabel, dimana kedua variabel bertipe data nominal. Jadi, metode ini dipakai sebagai ganti metode regresi. Tapi, Anda harus menerapkan metode ini satu persatu untuk setiap pasang variabel, yaitu: Y-X1, Y-X2 dan Y-X3. Kalo pingin tau uraian sederhana tentang koefisien kontingensi, saya sudah menyediakan tulisannya dalam bentuk PDF di kategori: Statistika Nonparametrik > Koefisien Kontingensi.
🙂
#13
mas mo nanya lagi nih….
bisa jelasin pearson residuals n deviance residuals, klo nggak salah satunya aj mas.
saya udah nyari buku na tp g dapet2 mas deni!Lagi-lagi Makasih banyak nih mas
Respon untuk #13
Pearson residual sebenarnya merupakan metode yang dapat digunakan untuk mendapatkan nilai residual yang lebih “aplikatif” daripada nilai residual murni dari model regresi logistik, yang nantinya dapat digunakan untuk melakukan pengujian diagnostik residual terhadap model regresi logistik tersebut. Hal ini disebabkan karena variabel terikat (Y) pada model regresi logistik hanya terdiri dari unsur angka 0 dan 1 saja, dimana kondisi seperti ini akan menyulitkan kita saat melakukan uji diagnostik terhadap residual dari model regresi logistik. Berbeda halnya dengan model regresi linier, yang memiliki data (untuk variabel terikatnya) tidak hanya 0 dan 1 saja.
Deviance residuals merupakan metode yang juga memiliki tujuan kurang lebih sama dengan Pearson residual. Saya tidak mungkin menjelaskan secara detail konsep ini disini. Saya sarankan coba cari di google: Pearson Residual + Logistic Regression + PDF.
🙂
#14
hii..
Mas saya mau nanya..tentang metode penelitian apa yang pas bwt tugas akhir saya..penelitian saya mengenai Pengaruh aplikasi bauran pemasaran(harga,tempat,produk,dll) terhadap pemberi dan penerima waralaba (frenchise makanan) dengan omset usaha sebagai intervening..kata pak dosennya sih regresi linier kurang pas,apa regresi logistik ini cocok bwt penelitian semacam punya saya?? kira2 metode apa yang cocok untuk penelitian saya??
sebelumnya makasih banyak ya mas..
Respon untuk #14
Coba Anda pelajari metode Moderated Regression Analysis (MRA). Kayaknya kasus Anda tepat dengan MRA oleh karena adanya variabel intervening. Kalo masih belum cocok, coba pelajari Path Analysis.
🙂
#15
wah..senang sekali saya baca blog ini…:D
saya ikut2an mau tanya mas deny, kalo penelitian saya mencari hubungan antara persepsi dan tingkat pengetahuan ttg suatu penyakit dengan tingkat kecemasan penderitanya, itu bisa dgn reg log inikah? krn jg ingin mengetahui mana yg lbh bpengaruh pd tgkat kcemasan itu, apakah perepsinya atau tingkat pengetahuannya…?
terimakasih sebelumnya…:)
Respon untuk #15
Yup, bisa. Asalkan tipe data variabel Y nya bertipe nominal atau ordinal.
:0
#16
mas, mw tny nh. skripsi saya berjudul kecenderungan siswa dalam memilih perguruan tinggu berdasarkan karakteristik sosial ekonomi siswa. PTnya yaitu PTN, PTS, dan PTK. karakteristk sos ek nya rata-rata dalam bentuk kategori. kira-kira bisa pke reglog ga y???
tengkyu, mas,,,
Respon untuk #16
Perlu saya ingatkan lagi bahwa regresi logistik mensaratkan untuk var Y data bertipe nominal atatu ordinal, sedangkan var X bertipe interval atau rasio. Oleh karena tipe data dari kasus Anda tidak memenuhi, yaitu var X nya tidak bertipe interval atau rasio, maka kasus Anda tidak tepat jika dianalisis dengan regresi logistik.
Kayaknya yang lebih tepat adalah korelasi nonparametrik, yaitu Koefisien Kontingensi.
Oh ya, kategori itu termasuk ke dalam tipe data nominal.
🙂
#17
mas sy mau nanya mslah skripsi sy. penelitian sy ttg pengaruh tk pendidikan pemirsa thd pilihan acara tv studi pd pemirsa mnrt jns klamin kel…..
disini ada 2 variabel bebas (tk pndidikn & jns kelamin) 1 variabel terikat (acr tv). apa bnr jns klmin termask variabel nominal sdkn tk pnddkn &acr tv trmsk skala ordinal?dg kasus spt ini apa msh bisa menggunakan reg logistik?
sy jg pgn nanya ttg rumus fungsi logit :
g(x)=B0+B1D1+B2D2
thanks b 4
Respon untuk #17
1. Yup, jenis kelamin termasuk ke dalam tipe data nominal. Jangan sampai jenis kelamin dimasukkan ke dalam tipe data ordinal lho, hehehe. Ntar bisa kena tindakan pornografi intelektual, heheh. Tau kenapa? Coba cari tahu.
2. Tingkat pendidikan termsauk skala ordinal.
3. Mnurut saya, acara TV juga termasuk nominal. Sebab saya mengasumsikan bahwa acara TV hanya digolongkan saja, tidak ada tingkatan.
4. Apabila data var bebas bertipe nominal atau ordinal, sedangkan data Y bertipe nominal/ordinal, menurut saya akan lebih tepat jika menggunakan korelasi nonparametrik saja.
5. Dari rumus fungsi tersebut, apa yang ditanyakan mbak?
🙂
#18
hmm…saya masih bingung, kenapa kalo pakai logit bisa mengabaikan asumsi klasik?
trims!
Respon untuk #18
Pertanyaan bagus.
Untuk melakukan pendugaan parameter (mendapatkan koefisien regresi), metode regresi logistik dihitung dengan metode MAXIMUM LIKELIHOOD (ML), sedangkan Regresi linier diperoleh dengan metode ORDINARY LEAST SQUARE (OLS) . ML tidak memerlukan asumsi klasik, sedangkan OLS membutuhkan asumsi klasik agar koefisien yang diperoleh bisa diterima/dianggap sahih.
Dengan demikian, regresi logistik (juga logit) tidak membutuhkan uji asumsi klasik.
🙂
Sebenarnya Regresi Logistik, tidak hanya mentranformasi ke Logit saja tetapi bisa ke log, identity, probit…ini lah yang sering disebut fungsi link. Jangan sampai melulu fungsi link yang digunakan hanya logit. Begitu juga untuk respon Y, kita musti tahu distribusinya, jika Y biner (kejadian YEs or No) maka perlu tahu dulu kejadian “Yes” apakah suatu kejadian Poison, Binomial, negatif binom, dsb. Itu juga perlu diperiksa supaya hasil olahan data mendapatkan penduga parameter yang terbaik!
mas, pliz dunk dibalas,,,
hiks hiks
T_T
ohh…begitu..terimakasih!!
#19
gi bingung nih….
seandainya suatu penelitian variabel independentnya ada 2,, dua2nya nominal…
mau lihat hubungan kedua variabel tersebut terhadap 1 variabel dependent yg jenis datanya ordinal… sebaiknya uji apa yg dipakai ? apa bener pake regresi logistik ?
plisss dibales yah…
Respon untuk #19
1. Coba pake Koefisien kontingensi atau Chi square test
2. Regresi logistik tidak tepat untuk kasus Anda. Regresi logistik dipakai saat tipe data pada variabel Y adalah nominal atau ordinal, sedangkan variabel X adalah interval atau rasio.
🙂
#20
Mas, saya mo tanya, untuk regresi logistik multinomial. Apakah ada syarat-syarat tertentu untuk penggunaan variabel dependen dan independennya? Misalnya variabel X maupun Y harus mempunyai tipe data tertentu, misalnya nominal atau ordinal? makasih
Respon untuk #20
Ya, variabel X harus bertipe interval atau rasio, sedangkan variabel Y harus bertipe nominal atau ordinal. Syarat tersebut berlaku baik untuk egresi logistik biner maupun multinomial.
🙂
Mas Deny sy mo tanya, skripsi sy kan menggunakan variabel pemoderasi apa bener klo pakai varibel moderasi ga perlu dilakukan uji multikolinearitas soalnya klo tetep di paksain nguji kemungkinan besar bakalan jd multikol? Tlng dijawab yg sejelas-jelasnya. Makasih sebelumnya
#21
Mas Deny yang hebat, saya mo nanya, karena lagi bingung juga nih. Saya mau nguji variabel dependennya adalah Indeks Prestasi Mahasiswa. Variabel yang mempengaruhinya banyak, keberorganisasiannya, partsipasi sosial, dsbnya. Setiap variabel terdiri sejumlah item pertanyaan. Item pertanyaannya dengan skala yang beda-beda, ada yang ya dan tidak, ada yang 1-4. ada yang kontinyu. Gimana tu baiknya regresi yang digunakan? Balas ke email juga ya mas. Trima kasih banyak.
Respon untuk #21
1. Coba dibuat variabel latennya dulu untuk variabel yang ada item2 pertanyaannya. Coba baca di ” Semua tentang kuesioner”.
🙂
Respon untuk #21
1. Coba dibuat variabel latennya dulu untuk variabel yang ada item2 pertanyaannya. Coba baca di ” Semua tentang kuesioner”.
2. Treus lakukan regresi linier biasa dengan variabel dummy. Dummy variabelnya adalah var yang berisi data ya-tidak.
🙂
bwt ayahtika ==> dari pengetahuan yang saya dapat, regresi linear sederhana bnyk asumsi yang hrs dipenuhi (normal, autokorelasi, multikolinieritas, homoskedastisitas, stokhastik), untuk itu Anda ttp bs meggunakan reglog yang hanya membutuhkan asumsi multikolinieritas, dgn jalan mengubah skala variabel dependent (Y) menjadi ordinal ato nominal, yaitu membuat “cutting skor”. klo variabel Y anda adalah indeks prestasi,anda bisa membuat cutting skor kurang dari 3,00 dan 3,00 ke atas (reglog biner) ato kurang 2,00 ; 2,00-3,00 ; di atas 3,00 (reglog multinom). yang penting anda pny dasar dalam membuat cutting skor (biar gak dibilang asal ngomong).
selain itu,reglog bisa digunakan untuk melihat kecenderungan (dilihat dari nilai expB). Ex: mahasiswa yang aktif dalam berorganisasi akan cenderung memiliki indeks prestasi tinggi (3,00 ke atas) sebesar 3,5 kali (nilai expB) dibanding mahasiswa yang kurang aktif dalam berorganisasi.
Ok juga tuh saran dari Rimeto.
Yang perlu diingat dari pemilihan metode apa yang tepat adalah kesesuain dengan tujuan penelitian. Selain itu, para pakar statistika selalu menyarankan para pengguna statistika untuk memilih metode yang paling sederhana. Sering sekali dalam kenyataan di lapangan, suatu kasus bisa diselesaikan dengan metode statistika yang sederhana. Jadi, coba pelajari metode regresi linier dan regresi logistik. Kemudian pilih metode yang sesuai untuk kasus Ayahtika dan tentu saja, yang paling mudah dikerjakan.
Thanx to Rimeto…
🙂
mas deny yang serba tahu
mo tanya neh….
kenapa pada uji-t menggunakan uji 2 arah,apa beda dengan menggunakan 1 arah
apa kelebihan dan kekurangan pada uji 1arah dan 2 arah
tolong jawab ya mas
pliiiissss……………….
#22
Mas, sy mau tanya niy, judul skripsi sy “pengaruh variabilitas ukuran perusahaan, intensitas persediaan, dan harga pokok penjualan terhadap pemilihan metode akuntansi persediaan.” Trus sy ada pake regresi logistik buat uji pengaruh dari 3 variabel independen tersebut ke variabel dependen. Trus kan keluar hasilnya dalam bentuk tabel. Nah dari tabel tersebut bisa diperoleh persamaan:
ln(metpers/1-metpers)=a+b1UP+b2IP+b3VHPP+e
ln(metpers/1-metpers)=-0.211+0.0001UP+6.352IP-1.290VHPP
Nah sy bingung bgt sm cara baca persamaan itu, trus artinya, trus jg a nya kan hasilnya negatif artinya jd berlawanan atau gmn??
Sy uda coba cari buku ttg regresi logistik tp belum ada yang memberikan jawaban. Thx.. 🙂
Respon untuk #22
1. Kalo menginterpretasikan model regresi logistik kayak gitu memang susah. Agar lebih mudah, Anda harus mendapatkan nilai Odds ratio dari setiap koefisien tersebut.
2. Cara mendapatkan Odds Ratio (OR), caranya:
OR1= exp(b1) = exp(0.0001) = 2.718282^0.0001 = 1.0001
OR2 = exp(b2) = exp(6.352) = 2.718282^6.352 = 573.6388
OR3 = exp(b3) = exp(-1.290) = 2.718282^-1.290 = 0.2752708
nilai OR untuk intersep tidak perlu dicari.
3. Interpretasi-nya mirip dengan regresi linier, walaupun tidak sama persis.
– untuk OR1: dengan menganggap kontribusi dari variabel IP dan HPP adalah konstan (tetap), maka setiap peningkatan 1 satuan UP, nilai odds metode akuntasi perusahaan (metpers) akan meningkat sebesar 0.1%, atau meningkat sebesar 1.0001 kali.
– untuk OR2: dengan menganggap kontribusi dari variabel UP dan HPP konstan, maka setiap peningkatan 1 satuan intensitas persediaan, nilai odds metpers akan meningkat sekitar 573 kali.
– untuk OR3: dengan menganggap kontribusi dari variabel UP dan IP konstan, maka setiap penurunan 1 satuan HPP, nilai odds metpers akan meningkat sekitar 27.52%.
4. Cara yang umum dipakai untuk menginterpretasikan regresi logistik adalah seperti yang saya bahas tadi. Jadi tidak menggunakan model aslinya, melainkan dicari dulu OR-nya. Dengan demikian, Anda terhindar dari kebingungan dalam menginterpretasikan nilai intersep yang negatif.
#23
Kalo mau pake regresi logistik semua variabel x harus bertipe interval atau rasio ya? Semua x atau paling tidak ada salah satu? Kalau semua variabel x berarti seperti variabel jenis kelamin (lk/pr), tempat tinggal (kota/desa) ga bisa donk dimasukkan sb var bebas dalam reg log?
Gimana sih bingung..
Respon untuk #23
1. Variabel x bertipe selain interval atau rasio BISA dimasukkan ke dalam model regresi logistik. Siapa bilang gak bisa? :p Hal ini analog dengan regresi linier dengan variabel dummy.
2. Saya harap tidak bingung lagi yach…hehehhe
🙂