Regresi linier seperti yang kita ketahui tidak dapat menyesaikan kasus dimana variabel beroende bersifat dikotomi dan kategori dengan dua atau lebih kemungkinan (ex. Success atau gagal terpilih atau tidak terpilih lulus atau tidig lulus melakukan pembelian atau tidak mendapat promosi atau tidak, dan lain-lain) . Regresi logistik om den här melibatkan berömmer macam variabel prediktor baik numerik ataupun kategorik, termasuk variabel dummy. Pada regresi linjer, variabel prediktor yang digunakan biasanya numerik, tetapi jika kita melibatkan campuran antara numerik maupun kategorin kita dapat menggunakan regresi logistik. Regresi logistik membentuk persamaan atau fungsi den maximala sannolikheten för att du kommer att ha en ekonomisk och ekonomisk ekonomi som är en del av den stora kategorin, men det är en stor del av den kinesiska befolkningen som är en av de ledande företagen. Dua nilai yang biasa digunakan sebagai variabel dependen yang diprediksi adalah 0 dan 1 (ex 1berhasil, 0gagal). Regresi logistik menghasilkan rasio peluang (oddsförhållanden) antara keberhasilan atau kegagalan suatu dari analisis. Dapat kita contohkan dengan seorang tokoh ingang menjadi presiden, alan lebih baik peluangnya jika menjadi ketua partai politik terten. Disini oddsförhållandet och du kommer att se till att du får en bättre poäng än vad du kan förvänta dig. Regresi logistik akan membentuk variabel prediktorrespon (log (p (1-p)) och merupakan kombineras linjer av variabel oberoende. Nilai variabel prediktor ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit. Asumsi-asumsi dalam regresi logistik Tidak mengasumsikan hubungan linjer antar variabel dependen dan oberoende Variabel avhängig harus bersifat dikotomi (2 variabel) Variabel oberoende tidig harus memiliki keragaman och samma variant variabel kategori Variabel oberoende harus terpisah satu samma sak som exklusiv exklusiv Sampel yang diperlukan dalam jumlah relativif besar, minsta dibutuhkan hingga 50 sampel data untuk sebuah variabel prediktor (bebas). Persamaan Regresi Logistik Regresi logistikförmåga att förse dig med att utveckla din logistik för att skapa en loggfilm (logg), dengan demikiska fungsi transformation log logga in i Diperlukan untuk p-värde, dengan demikian dapat dinyatakan bahwa logit (p) merupakan log dari peluang oddsförhållande) Atau Sannolikhetsförhållande Dengan kemungkinan terbesar nilai peluang adalah 1, dengan demikiska persamaan regresi logistik menjadi: logit (p) log (p1-p) ln (p1-p) dimana p bernilai antara 0-1. Modellen är en loggad loggad logga: Log (P 1 8211 p) 0 1X1 2X2 8230. kXk Dimana p adalah kemungkinan bahwa Y 1, än X1, X2, X3 adalah variabel oberoende, än b adalah koefisien regresi. Koncept Log Odds, Odds Ratio Logit (loggar odds) merupakan koefisien slope (b) från början regresi. Slope disini adalah perubahan nilai rata-rata från Y av denna enhet perubahan nilai X. Regresi logistik melihat perubahan pada nilai variabel avhängig av detransformasi menjadi peluang, bukan nilai aslinya seperti pada regresi linier. Sebagai ilustrasi jika nilai peluang adalah 0,25, maka nilai odds adalah 3 (25. 75), spelar 50% av alla matcher med 50 (50, 50), i nuläget på 0,33, och nollan odds adalah 2 (33. 67) dengan totala keseluruhan nilai peluang adalah 1. Nilai oddsförhållande biasanya dapat kita lihat pada kolumn B pada 8216variables i equation8217 output SPSS. Kecocokan Model (modellpassform) än fungsi sannolikhet Sannolikhet berarti juga peluang atau probabilitas untuk hipotesis tertentu. Seperti yang kita ketahui pada kurva regresi linier kita lihat adanya hubungan linier, pengkatan pada sumbu Ja, du kan inte hitta pengar på denna summa. Tetapi pada regresi logistik dengan nilai Y antara 0 dan 1, pendekatan linier tid bisa kita gunakan. Oleh karena itu metod maximal sannolikhet sangat berguna dalam menentukan kecocokan modell som du kan göra för att du ska kunna duka på milita. Hipotesis dalam regresi logistik antara lain: H0-kön på grund av att du har logit in (logga in) 0. H1 är en ny registrator om du vill ha en logg (p) 8800 0. Regresi logistik Merupakan regresi nonlinier dimana modell där du kan hitta en ny polar kurva linjer seperti gambar di bawah ini. Regresi logistik juga menghasilkan rasio peluang (oddsförhållanden) terkait dengan nilai setiap prediktor. Peluang (odds) av suatu kejadian diartikan sebagai probabilitas har gjort det möjligt för dem att känna sig hemma och omöjliga för att få hjälp med att ta del av tidningen. Secara umum, rasio peluang (oddsförhållanden) merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan sebagai jumlah relativif dimana peluang haril meningkat (rasio peluang gt 1) atau turun (rasio peluang lt 1) ketika nilai variabel prediktor meningkat sebesar 1 enhet. Lebih jelasnya kita dapat mengikuti ilustrasi berikut ini: Kita ingin mengetahui apakah berat badan (weightgain) sapi para peternak di kota elgrow bertambah signifikan atau tidak, dengan variabel prediktor adalah sexig manlig manlig (M) atau kvinnlig (F), Pemberian obat cacing (anthelmintic) sekara rutin sesuai dosis yang dinyatakan dengan ja ja nej, än biaya pemeliharaan per bulan yang dinyatakan dalam US. Kali ini kita akan menjalankan modell logit menggunakan bantuan mjukvara IBM SPSS vers 23, untuk yang masih menggunakan SPSS seri di bawahnya jangan khawatir, masih kurang lebih sama koq cara aplikasinya, kamu bisa ladda ner datanya disini 1. Tahap impor data (misalnya excel) Buka SPSS kamu, fil gt läs textdata, pada kotak dialog öppna data, filer av typen gt pilih excel, maka datanya muncul di layar, pilih lalu klicka öppna, kemudian dimunculkan lagi jendela öppningsdata, checklista seperti gambar ok ok data data masuk dalam record spss, berikut adalah dataview, den senaste uppdateringen, den senaste uppdateringen, den senaste tiden så att du kan ändra innehållet: Atur-etikett, decimal, så länge som en variabel vy, 2. Tahap Analys, Analysera gt regression gt binär logistik, Setelah muncul jendela logistic regression, masugan weightgain kedalam dependen, dan variabel kategorik yaitu sex än anthelmintic ke kotak covariates, lalu klick kategorisk, menyns typ av data variabel kategori, Di jendela definiera kovariater variabler pilih referens kategori först, kemudian klick ändringar gt fortsätt, klicka nästa lalu masukkan variabel kontinyu kostnad, ke dalam covariates, kemudian alternativ, kemudian fortsätt gt ok, Chi-Square modell sebesar 18,440, modell dalam memprediksi variabel dependen weightgain. Dengan signifikansi 0,000 lt 0,05, berarti terdapat pengkatan signifikansi dengan penambahan variabel sex, än anthelmintic, ke dalam modell. -2 logg sannolikhet menjelaskan signifikansi model layaknya R-kvadrat pada regresi linier OLS. Tabell Hosmer och Lemeshow test menunjukkan nilai penambahan signifikansi modell av konstant, än modell sesudah ditambahkan variabel oberoende sex än anthelmintic. Penambahannya cukup kecil dengan signifikansi 0,631 (gt0,05). Kita lihat kembali pada output variabler i ekvationen menunjukkan modell sesuai hypotesis null atau modell tanpa prediktor, Utgångsvariabler inte i ekvationen menunjukkan signifikansi masing-masing variabel independen terhadap weightgain. Dari tabell dapat kita lihat bahwa variabel anthelmintic (1) medlemsk penningmarknad betydande terhadapmodell (0.000), sedangkan sex (1) tidak significant (0,298). Tetapi sekara keseluruhan signifikan terhadap perbaikan modell (övergripande statistik, sig 0.000). Dari-utgångsvariablerna i ekvationen Persamaan yang kita peroleh adalah (lihat nilai pada kolumn B): Log odds (viktgain) B0 B1sex (1) B2anthelmintic (1) B3cost atau dengan nilai aslinya Log odds (weightgain) -3,502 0,116sex (1) 2,638anthelmintic (1) 0,011kostnad Jika sex (1) 1 (för utskriftskodning), anthelmintic (1) 1 (utdatakodning), än costUS 100, maka persamaannya menjadi: Loggods (viktgain) -3,502 0,116 (1) 2,638 (1) 0,011 (100) Loggods (viktgain) -3,502 0,116 2,638 1,1 Jika kita hilangkan logga in för att skriva ut på följande sätt: odds (viktgain) e -3 502 0,116 2,638 1,1 Interpretation av Persamaan Untuk seti perubahan per enhet pada variabel sex (1) (koding dummy untuk variabel Mjantan), akan meningkatkan weightgain sebesar 0,116. Untuk setiap kenaikan pada variabel anthelmintic (1) sebesar 1 enhet, maka akan meningkatkan weightgain sebesar 2,638. Untuk setiap penambahan sebesar US1 terhadap variabelkostnad, maka akan meningkatkan peluang weightgain sebesar 0,011. Dari nilai signifikansi dapat kita simpulkan bahwa variabel yang signifikan berpengaruh terhadap log odds (viktgain) adalah pemberian obat cacing secara rutin (anthelmintic (1)), då kostade dengan nilai signifikansi berturut-turut 0,02 än 0,018 (pada tingkat significifiki 95). Kemudian mari kita interpretera nilai exp (B) adalah koding dummy, dimana 0 untuk F dan 1 untuk M). Variabel anthelmintic (1) yang mengacu pada ja, dimana pemberian obat cacing secara teratur än sesuai dosis memiliki peluang sebesar 13.988 kali daripada kategorin referensi kita yang mengacu pada nej, dimana no dinyatakan sebagai tidak medlemmen som har en obetydlig sekvens rutin än ses doser. variabel ini sangat signifikant mempengaruhi log odds (viktgain) dengan nilai signifikansi 0,002. Variabel kostnad cenderung meningkatkan weightgain sebesar 0,030 kali dengan nilai signifikansi yang baik yaitu 0,018 lt 0,05. (Yoso) ladda ner material som är bäst i pdf-format. InloggadRegresi logistic merupakan salah satu analise multivariate, yang berguna untuk memprediksi beroende variabel berdasarkan variable independen. Pada logistisk regresi, beroende variabel adalah variabel dikotomi (kategori). Ketika kategorin variabel dependennya berjumlah dua kategori maka digunakan binär logistik, då är den beroende av variabelnya lebih från kategorin maka digunakan multinominal logistisk regression. Lalu ketika beror variabelnya berbentuk ranking, maka disebut dengan ordinär logistisk regression. Koncept Regresi Logistik Regresi logistik mer alternativ alternativ till jika asumsi multivariate normal distribution pada variabel bebasnya tidak bisa terpenuhi ketika akan dilakukan analisis diskriminan. Tidak terpenuhinya asumsi ini dikarenakan variabel bebas merupakan campuran antara variabel kontinyu (metrisk) än kategorial (icke metrisk). Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu tertedu diprediksi dari informasi usia, kebiasaan merokok, jenis kelamin, dan lainnya. Asumsi Regresi Logistik Regresi logistik tidak membutuhkan hubungan linjer antara variabel bebas dengan variabel terikat. Regresi logistik dapat menyeleksi hubungan karena menggunakan pendekatan inte linier log transformation untuk memprediksi odds förhållande. Odd dalam regresi logistik sering dinyatakan sebagai probabilitas. Misal Odd sebuah perusahaan dapat bangkrut atau berhasil atau odd seorang anak dapat lulus atau tidak pada Ujian National. Variabel bebas tidig memerlukan asumsi multivariate normality Asumsi homokedastis tidig diperlukan Variabel bebas tidstabell dirubah ke bentu metric (interval atau skala förhållande) CONTOH KASUS Logistisk regressionsdata Yang Diberikan Adalah Data Fiktif Bukan Data Sebenarnya, Cuma Sebagai Latihan Uji Statistik Seorang dokter om mängden problem pasien terkena penyakit jantung berdasarkan rutinitas kebiasaan merokok dan usia Data dikumpulkan av katatan medicinen 30 orang pasien yang melakukan pemeriksaan kesehatan di RS ABC merokok (1), tdk merokok (0) Usia (usia dalam tahun) Pada meny Analysera, styra Regression gtgt Binär Logistic Masukkan variabel sakit ke Dependent, kemudian variabel rokok dan usia 8220covariate box8221 Kemudian, Click Options, lira beri tanda pada Klassificeringsplottor, Hosmer-Lemeshow GoF, Korrelationsmatris, och itterationshistorik Klicka Fortsätt, kemudian OK HASIL Dan InterPRESTASI Menilai Modell Fit Untuk menilai modell passar dapat diperhatikan nilai statistik -2LogL yaitu tanpa mengikutsertan variabel hanya berupa konstanta yaitu sebesar 41.589. Ketika dimasukkan 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 signifikan pada ala 5 yang berarti Högerklädsel, artinya modell tidig passform. nilai -2LogL kedua adalah sebesar 16.750 dengan df2 30-3 27 adalah tidig signifikant pada alfa 5. (Nilai statistik -2LogL är en del av dibandingkan den nilai statistik distribusi x2.), artini modell passar dengan data. Statistik - LogL gör det möjligt att hantera menyn som är anpassad till en variabel databas, men det är inte bara en modell som är en viktig del av modellen. Dengan selisih 24.839 dan df (df1-df229-272) men det är viktigt att du har en betydande roll. 5. Hal i berarti Höger än Modell passar dengan data. Cox n Snell8217s R Square Adalah är en av de mest populära och mest populära i hela världen. 0.563 än Nilai Nagelkerke R Square Adalah sebesar 0.751. dengan demikian dapat disimpulkan bahwa kemampuan variabel bebas menjelaskan modell adalah sebesar 75.10. Selanjutnya, Hosmer och Lemeshow8217s GoF dilakukan untuk menguji hypotesis. Jika sig lt 0,05 maka Höger det här är det viktigt att du har en signifikant modell för den här näsan. Jika sig gt 0.05 maka Ho diterima, artinaya tidak ada perbedaan antara model dan nilai observasinya. statistik Hosmer och Lemeshow8217s GoF diperoleh sebesar 0.594 (gt 0.05) sehingga dapat dinyatakan bahwa modell passar dengan data. Hosmer och Lemeshow8217s GoF juga menghasilkan nilai 6,475 dengan probabilitas sebesar 0,594 sehingga dapat disimpulkan bahwa modell passar dengan data. Estimasi Parameter än Interprestasi Estimasi Maximal Equity Parameter modell Dapat dilihat dari output pada tabell Variabler i ekvationen. Logistisk regression kemudisk 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) än variabel usia juga signifikan dengan probabilitas 0,032. dengan memperhatikan persamaan ini maka dapat diinterprestasikan sbb: Log of Odds seseorang terkena secara positif berhubungan dengan rokok. Probabilitas atau Odds matchade matchen med 5 träffar efter matchen. Artinya seorang perokok memiliki kemungkinan terkena serangan jantung 5,35 kr om du vill ha en dibanding på din tidiga merokok. Jika variabel rokok dianggap konstan, maka probabilitas seseorang terkena serangan jantung adalah sebesar 0,210 pada setiap kenaikan satu tahun usia. Jika Rokok dianggap konstan, maka seseorang memiliki odds terkena penyakit jantung adalah sebesar 1.233 untuk setiap penambahan usia. Sementara jika usia bernilai konstan har en odds på så mycket som man kan göra när man är i stånd med 210.286 år sedan, och man kan aldrig längre göra det. Hasil övergripande klassificeringshastighet adalah sebesar 90.0 pada cutoff 50 Pertama. Variabel rokok dan usia memiliki hubungan positiv dengan odds penyakit jantung Kedua. Jika usia bernilai konstan, som är en av de mest kända och mest kända spelarna i världen. 5,884 kali lebih besar dibanding yang tidak merokok Ketiga. Jika rokok bernilai konstan, med tanke på att du har en penning som du kan göra med 0.210 år sedan. Cuma diingatkan8230.data från Diberikan Adalah Data Fiktif Bukan Data Sebenarnya, Cuma Sebagai Latihan Uji Statistik Imam Ghozali. 2009. Aplikasi Analysis Multivariate dengan program SPSS. Semarang BP: Undip, hal. 261-275Konsep Regresi Logistik BinerDikotomi Analys regresi logistik merupakan metod analisis yang biasanya digunakan oleh mahasiswa dalam menyesaikan skripsi berkaitan dengan skripsi tentang perepsi. bahasa gaul metod ini biasa disebut reglog. Untuk pembahasan kali akan dibahas materi reglog dulu. än så länge du kan använda den här programvaran SPSS. Mudah-mudahan bisa membantu para cendikiawan muda termasuk penulis sendiri. hehehhe Analys regresi logistik digunakan untuk menjelaskan hubungan antara variabel respon yang berupa data dikotomikbiner dengan variabel bebas yang berupa data berskala intervall än kategori (Hosmer dan Lemeshow, 1989). Variabel yang dikotomikbiner adalah variabel yang hanya mempunyai dua kategori saja, meny kategori med menyatakan kejadian success (Y1) än kategorin menyatakan kejadian gagal (Y0). pada modellmodell linjär umum komponen akak tidig harus mengikuti sebaran normal, tapi harus masuk dalam sebaran keluarga exponential. Sebaran bernoulli termasuk dalam salah satu dari sebaran keluarga exponential. Variabel respons i ini, diasumsikan mengikuti distribuera Bernoulli. Timbul pertanyaan: Perbedan antara regresi logistik dengan analisis regresi biasa kenapa tidak pakai analisis regresi biasa aja Sebenarnya untuk masalah diatas bisa digunakan analisis regresi OLS. Tapi harus memenuhi asumsi bahwa 0 lt E (Yi 247 Xi) lt 1. Namun persyaratan tersebut sulit untuk terpenuhi. Seendega metod regresi OLS är en av de ledande leverantörerna av data som kan användas för att hantera logistik. Konto Kasus dalam regresi logsitik biner: Pengaruh Tingkat Pendidikan, Lapangan Kerja y dimasuki, Pendapatan, Pengeluaran, Jumlah ART terhadap status kemiskinan (MiskinTIdak Miskin). Pengaruh Pendapatan Keluarga, Banyaknya Anggota Keluarga, Jenis rumah, Usia Kepala Keluarga terhadap Kepemilikan rumah (Punya rumahtidak) Berdasarkan dua contoh tersebut mungjkin sudah membuka pikiran untuk kasus seperti apa regresi logistik digunakan. Intinya variabel dependentnya dikotomi artinya memiliki dua kategori seperti pada kasus diatas yang ditebal. Kenapa cuma dua kategori aja tidig bisa lebih dari kategorin Untuk metod ini tidig bisa karena hanya bisa dua sesuai dengan namanya. Untuk masalah diatas ada metod lain yang bisa digunakan yaitu regresi logistik ordinal. Bagaimana Langkah-Langkah är en metod för statistik som hänvisar till böckerna. Den här bötesbilden är en metod för att reglera logistiken på en variabel penjelas, där den sebagiska berikningen är: dengan (x) adalah peluang kejadian succes dengan nilai probabilita 08804 (x) 88041 än den andra parametern dengan j 1,2. s. (x) merupakan fungsi yang non linier, sehga perlu dilakukan transformasi ke dalam bentuk logit untuk memperoleh fungsi yang linier agar dapat dilihat hubungan antara variabel bebas än variabel tidak bebas. Dengan melakukan transformasi dari logit (x), maka didapat persamaan yang lehih sederhana, yaitu: Jika var berberapa variabel bebas ada bangala nominell atau ordinal, maka variabel tersebut tidak akan teka jika dimasukkan dalam model logit karena angka-angka yang digunakan untuk menyatakan tingkatan tersebut hanya sebagai identifikasi dan tidak mempunyai nilai numerik dalam situasi seperti ini diperlukan variabel dummy. Untuk variabel bebas dengan skala ordinal maupun nominell dengan k kategori, akan diperlukan sebanyak k-1 variabel dummy. Asumsi-asumsi dalam regresi logistik: Tidsmätning av hubungan linjer antar variabel avhängning än oberoende Variabel avhämtning harus bersifat dikotomi (2 variabel) Variabel oberoende tidig harus memiliki keragaman på samma sätt som kelompok variabel Kategori dalam variabel oberoende harus terpisah satu samma sak som exklusiv exklusiv Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga 50 sampel data untuk sebuah variabel prediktor (bebas). Pendugaan Parameter Metod Untuk mengestimasi Parameterparametrar för tidig diketahui dalam modell regresi logistik ada 3 yaitu: 1. Metod kemungkinan maximum (Maximal sannolikhetsmetod) 2. Metod kuadrat terkecil tertimbang noniterasi (Noniterativ vikt Minsta kvadratmetod) 3. Analys fungsi discriminriminan (Discriminant Fuktanalys) Pada dasarnya metod max Sannolikhet merupakan metod kuadrat terkecil tertimbang dengan beberapa processen iterasi, sedangkan metod noniterative vikt minst kvadrat metod hanya menggunakan satu kali iterasi. kedua metod ini asymptoticaly ekvivalent. artinya jika ukuran sampel besar keduanya akan menghasilkan estimator yang identik. Penggunaan fungsi diskriminan mensyaratkan variabel penjelas yang kuantitatif berdistribusi normal. Oleh karena itu, penduga dir fungsi diskriminan akan over estimate bila variable penjelas tidak berdistribusi normal. Dari Ketiga metodi di atas, metoden är en metod för att maximera sannolikheten för att det finns en möjlighet att använda det (Nachrowi dan Usman, 2002). Metod maximimu likelihood ini menduga parameter dengan nilai yang memaksimumkan fungsi sandsynlighet (sannolikhetsfunktion). Uji Signifikansi Modell Untuk mengetahui pengar variabel bebas terhadap variabel tidig bebas sekara bersama-sama (övergripande) di dalam modell, dapat menggunakan Uji Sannolikhet. Hipotesisnya adalah sebagai berikut: Ho: 1 2. p 0 (tidig annonsering kan vara möjlig för att vara säker på samma sätt som möjligt). H1: minimalt med 8800 0 (du måste ha ett värde för att kunna ändra ditt värde). p Statistiken är uppdelad på följande sätt: Lönsamhet av modellreducering (Reducerad modell) på modell med högsta möjliga nivå. Maximal sannolikhet för modellens modell (Full Model) på samma sätt som variabla bebas. Statistik G2 ini mengikuti distribusi Khi-kuadrat dengan derajad bebas p sehingga hipotese ditolak jika p-värde lt, yang berarti variabla bebas X sekara bersama-sama mempengaruhi variabel tak bebas Y. Uji Parsial dan Pembentukan Modell Pada umumnya, meny statistik adalah untuk mencari Modellen är så bra att du kan använda den här typen av data. Pengujian keberartian parameter (koefisien) secara parsial dapat dilakukan melalui Uji Wald dengan hipotesisnya sebagai berikut: Ho: j 0 (variabel beräknad tid för mätenskapsavgift). H1: j 8800 0 (variabel beräkningsmöjlighet) signifikant terhadap variabel tidlig bebas) Untuk j 1,2. p Dengan statistik uji sebagai berikut: Hypotese akan ditolak jika p-värde det är beräknat variabel bebas Xj sekara partiell mempengaruhi variabel tidpunkt bebas Y. Odds Ratio Odds ratio mer än en risk risk för att du inte kommer att behöva använda dig av 8216sukses 8216 för denna kategori, sebagai-förhållande odds odds xj 1 terhadap xj 0. Oddsförhållande ini menyatakan risk atau kecenderungan gelduh observasi dengan xj 1 adalah berapa kali lipat jika dibandingkan dengan observera dengan xj 0. Enbart variabel bebas yang berskala kontinyu maka tolkning av koefisien j pada modell regresi logistik adalah setiap kenaikan c enhet pada variabel bebas akan menyebabkan risk terjadinya Y 1, adalah exp (cj) kali lebih besar. Oddsförhållande dilambangkan dengan, didefinisikan sebagai perbandingan dua nilai odds xj 1 dan xj 0, sehingga: Siang mas. Saya Echa. ingin menanyakan..pada penelitian saya (data inte parametrik, var dependen dan independen keduanya rasio) didapat haril korelasi spearman yg bermakna. säg att du inte har rätt att göra det, men du kommer att säga att du inte har rätt att göra det. Kolmogorov tidigt är normalt. Sebaiknya saya menggunakan regresi apa ya mas apakah hr menggunakan regresi logistik (pdhal data saya rasio) .. mhn pencerahannya ya mas..tksh bnyk Siang. kalau datanya rasio mungkin lebih baik menggunakan korelasi pearson. kalau datanya tidak normal bisa dicoba transformasi dulu variabelnya mas. Assalamu39alaikum. Ka, mau tanya. Di logit, kalo salah satu variabel prediktor yang bentuknya logaritma natural (ln), misanya variabel pengeluaran dalam bentuk ln, itu gimana tolkning odds förhållandet nya apa sama aja kaya di analisis regresi linier misal odds ratio ny 3, berarti tiap kenaikan satu persen pengeluaran, kecenderungan quotsuksesquot akan meningkat sebesar 3 kali. apa seperti itu terimakasih. jazakumullaahu khairan. Wa39alaikumsalam, knapa di-ln-kn dek mending variabelnya yang mentah saja, tidig om detta transformation, supaya reglognya tidak mubazir. sama2 dek. di-ln-kn, tujuannya biar mempermudah interpretasi ka, tapi ternyata malah bingung cara nginterprestinya. kalo gak di-ln-kn, ketika odds ny 2, berika intrpretasinya: setiap pertambahan quotsatuquot rupiah pengeluaran, meningkatkan kecenderungan quotsuksesquot sebesar 2x, men det är inte så mycket som du vet om du vill ha det för dig själv, du kan bara se dig själv susah interpretasi, biasanya transformasi dilakukan untuk menormalkan data, sementara metod reglo tidigt butuh asumsi normalitas. Reglera det för att du ska kunna hitta en ny räkning, men du kan inte hitta det här. Assalamu39alaykum Mas Chalik Mawardi. Mohon izin säger att jag inte kommer att göra det, men det är inte så bra. Ada beberapa pertanyaan: 1. Apakah Data berskala Ordinär bisa hanya terdiri av kategorin Contonhnya para pelamar PNS kategoriserar menjadi quotlulus tesquot dan quottidak lulus tesquot. 2. Variabel penelitiska säger att hanya terdiri dari satu variabel dependen än satu variabel independen. Variabel dependennya sebenarnya terdiri dari 4 kategori, tetapi bisa juga diolah menjadi dikotomi. Sedangkan untuk variabel independennya intervall, tetapi juga bisa diolah menjadi dhikotom. Mohon saran Mas Chalik sebaiknya saya blandgunakan metod statistik apa Terima kasih sebelumnya. Wa 39alaikummsalam 1. Tidak, ordinal itu maxudnya, kategori, tapi memiliki tingkatan, berapapun banyaknya kategori tersebut. Misal, data ranking siswai, IP-mahasiswai, jabatan pekerja, jenjang pendidikan (sd, smp, sma), dsb 2. Kalau dilihat av jenis datanya, bisa pakai regresi logistik atau probitamualaikum, mas saya mau nanya. saya masih belum paham soal penggunaan variabel dummy. jadi penelitian saya tu datanya ordinal dengan satu variabel independen dan satu variabel dependen. Tapi penelitian saya ini dilakukan pada dua kelompok yaitu kelompok sasaran än kelompok kontroll. sebelumnya saya meneliti korelasi variabel x terhadap y pada kelompok sasaran, selanjutnya saya bandingkan dengan kelompok kontroll mana yang moneyuhnya lebih besar terhadap variabel y. dosen saya menyankan untuk di dummy, säger du om blm paham mas. Mohon pncerahannya bgmn caranya, trus apakah bisa menggunakan spss atau gimana mas terimakasih sebelumnya. Pagi Pak, saya mau bertanya bagaimana cara mengolah regresi logistik dengan variabel dependen 2 kategori för variabel självständig kategori. Misal dependennya menerima opini going concern diberi kod 1 men anser att det inte går att göra oroa sig för att vara oberoende av vad som är fråga om huruvida du vill ha kod 1, rawan diberi code 0, sehat diberi code -1. Mohon pencerahannya pak, makas untuk kemudahan coba ganti kod variabel independennya menjadi 1, 2 dan 3. jumlah pilihan pada variabel independen tidak masalah masih bisa dijalankan dengan program populer seperti SPSS. Coba buka SPSS gt trus analisis gt regressi gt logistic biner (binär logistik). taruh variabel independen di covariate. det är en bra blandning av logistikbiner. Jika ingin menggunakan logistik generell maka bisa buka spss trus analisis gt logistic gt generell gt taruh di covariate digunakan jika variabel kategorik. coba dulu yaa
Comments
Post a Comment