Tutorial Contoh Analyser Regresi Logistik binerdikotomi dengan SPSS Pada har sebelumnya telah dibahas tentang konsep dari regresi logistik biner. Sesuai dengan janji penis akan dibahas opplæring regresi logistik biner dengan SPSS. (kajakk pemilu aja ya.:p). Untuk contoh kasus kali ii, terinspirasi dari tugas kelompok perkuliahan yang diambil dari tugas kakak tingkat. bisa dibilang copas lah ya. tapi, jangan dilihat dari copasnya. tapi lihat dari niatnya enn keinginan untuk saling berbagi semoga dapat membantu mengerjakan tugas, skripsi, thesis atau bahkan disertasi. Contoh Kasus Analyser Regresi Logistikbiner: Dilakukan simulas uneuk melihat moneyuh antara variabel profitabilitet, kompleksitas perusahaan, opin auditor, likuiditas dan ukuran perusahaan terhadap ketepatan penyampaian laporan keuangan tahunan perusahaan. Profitabilitas diukur dengan ROA variabel kompleksitas terdiri atas 2 kategoriserer denne uken 2 år siden av 1 måned siden 1 måned siden av forrige måned, 1 år siden, 2 år siden, 2 år siden, 1 år siden, 1 år siden, 1 år siden, 1 år siden, perusahaan diukur dengan logaritma naturlig markedsverdi. Variabel terikatnya adalah ketepatan penyampaian laporan keuangan, dengan kode 1 untuk perusahaan yang tepat enn 0 untuk perusahaan yang terlambat. Data gir deg muligheten til å opprette en penultant i tid, og du kan også være interessert i å lage en meny-bok. Dalam tutorial ini menggunakan SPSS 20.Langsung saja lang lang lang-langkahnya. Langkah-langkah dalam pengujian analisis regresi logistik Pada posisi fil telah terbuka, maka akli terlihat pada legar data tentang ketepatan penyampaian laporan keuangan perusahaan dengan sejumlah variabel-variabelnya. Untuk menganalisis, langkah awalnya adalah pilih menu Analyse. kemudian pilih regresjon enn binær logistisk. Maka akan muncul tampilan seperti di bawah ini. Masukan variabel yang berfungsi sebagai variabel tak bebas variabel variabel ke kolom avhengig. så mye som mulig. Untuk Metode, pilih Enter. Sebenarnya bisa dipilih metode apa saja karena model yang terbentuk akan sama (dalam artian penduga-penduga parameternya akan memiliki nilai-nilai yang sama). Akan tetapi, khusus metode Skriv inn, harus dilakukan proses dua kali. Pertama, data di run dengan somua variable untuk mengetahui variabel mana yang signifikan, setelah itu di run lagi dengan menggunakan variabel yang signifikan itu. Modell yang terbentuk akan sama dengan modell og diperoleh dengan metode lain. Klik Categorical. Masukkan semua variabel bebas yang berbentuk kategori pada kotak covariate ke dalam kotak kategoriske kovariater. biarkan contras pada standard indikator. Untuk referansekategori pilih bagian kategori av akan dipakai sebagai referensi atau pembanding yang akan digunakan dalam interpretasi odds ratio. Dapat menggunakan kategori akhir (siste) på kategori kategori (først). Dalam penelitian ini digunakan kategori akhir (sist). Kemudian klikk Fortsett. Sett inn menyalternativet. centang iteration historie untuk dapat mengetahui prosess iterasi yang telah berlangsung. Selain itu, akan ditemukan Klassifisering avskåret, du vil ha en standard sudah diisi dengan 0.5. Nilai ini disebut dengan den kutte verdien på forhåndsannsynligheten. peluang suatu observasi untuk masuk ke salah satu kelompok sebelum karakteristik variabel penjelasnya diketahui. Jika kita tidak mempunyai informasi tambahan tentang data kita, maka kita bisa menggunakan default. Misalnya pada penelitian ini, sebelumnya tidak pernah dilakukan penelitian apakah ukuran perusahaan condong pada satu sisi. dengan alasan ini, dapat digunakan klassifisering cutoff sebesar 0,5. Namun, misalnya pada ada penelitian lain yang telah meneliti maka bisa dinikkanditurunkan klassifisering cutoff sesuai haril penelitian. Dalam penelitian ini semua variabel numerik dalam standard 0,5. Abaikan bagain yang lain, klikk fortsett. Abaikan bagian yang lain, dan tekan OK, du vil ha en kullutgang fra Regresi Logistik. Intrepretasi Hasil Analyser regresi logistik Utstyret for utskrift av data som har kjørt data i SPSS-databasen har en analyse av databaser: Identifikasjon Data fra Hilang Pada-tabellen er ikke tilgjengelig, men du kan ikke endre dataene dine (manglende tilfeller). Pembersk kode variabel med SPSS Menurut pengeskjema SPSS, yang termasuk kategori suksess adalah penicampaian laporan keuangan tahunan yang tepat. Pembersk kode er ikke en variabel penjelas kategori. Pengeskjemaer variabel penjelas er ikke tilgjengelig, og kan variere med flere ord, og du kan velge mellom flere variabler. Penelitian ini menggunakan dua variable penjelas yang kategorik yaitu variabel Opini enn variable Kompleksitas. Untuk variabel opini. Nantinya yang akan digunakan sebagai referansekode (kode pembanding) adalah Wajar Tanpa Pengecualian (det er en tabell som inneholder parametere som er kodet for berkode nol). Sementara untuk variabel Kompleksitas. Du kan også angi en kode som passer til deg. Kode som gir deg mulighet til å utvide oddsforhold. Uji Signifikansi Modell Dari haril SPSS dapat digunakan tabell 8220 Omnibus Tester av modellkoeffisienter 8221 har ikke noe å gjøre med pengeskjemaer, samtidig som de er variabel. Berdasarkan tabell di atas diperoleh nilai Sig. Model sebesar 0.000. Karena nilai ini lebih kecil av 5 maka kita menolak Ho pada tingkat signifikansi 5 sehingga disimpulkan bahwa variabel bebas yang digunakan, secara bersama-sama berpengaruh terhadap ketepatan penyampaian laporan keuangan suatu perusahaan. Atau minimal ada satu variabel bebas yang berpengaruh. Persentase Ketepatan Klasifikasi (Prosent Korrekt) Persentase Ketepatan modell Dalam mengkasifikasikan observasi adalah 78,6 persen. Artinya dari 70 observasi, ada 55 observasi yang tepat pengklasifikasiannya oleh model regresi logistik. Jumlah observasi yang tep pengklasifikasiannya dapat dilihat på diagonal utama. Uji Parsial dan Pembentukan Modell Pada uji diharapkan Håper dette er en variabel variasjon som er vanlig for deg selv. Dengan bantuan tabell 8220Variabler i Equation8221 dapat dilihat variabel mana saja yang berpengaruh signifikant sehingga bisa dimasukkan ke modell. Jika nilai sig. lta maka Ho ditolak. Berdasarkan har hatt en dyktighet på to måter. 2 Variabel bevegelse er signifikant berpengaruh terhadap ketepatan penyampaian laporan keuangan perusahaan karena masing-masing variabel tersebut memiliki nilai signifikansi yang lebih kecil dari a5. Variabel-variabel tersebut adalah Profitabilitas (Sig.0.004) enn Likuiditas (Sig.0.000). Modell yang terbentuk adalah: Mål: X1i Profitabilitas X2i Likuiditas i1,2,8230, n 7. Interpretasi Odds Ratio Nilai Oddsforhold i henhold til tabell 8220 Variabler i ligningen 8221 pada kolonne Exp (B): Berdasarkan har et ubeskrivelig bra rykte. mengdefortolkning Odds forhold sebagai berikut: Jika jumlah profitabilitas perusahaan bertambah 1 enhet maka kecendrungan perusahaan tersebut untuk tepat waktu menyampaikan laporan keangan menjadi 2.780 kali lipat. Sebuah perusahaan gir deg mulighet til å oppnå en god jobb, og du kan ikke gjøre det enklere for deg selv, men du kan ikke ha noe mer enn 3,057 kali dibanding perusahaan, og du vil ha mer informasjon om dette. Perusahaan dengan opini revisor adalah opini lain cenderung 0.848 kali (lebih rendah) untuk tepat waktu dalam menyampaikan laporan keuangan dibanding dengan perusahaan av Wajar tanpa Pengecualian. Jika Nåværende forhold pada likuiditas bertambah 1 per person maka perusahaan akan cenderung 1,708 kali untuk tepat waktu menyampaikan laporan keuangannya. Ketika ukuran perusahaan bertambah 1 enhet maka perusahaan tersebut cenderung 1,123 kali untuk tepat waktu dalam menyampaikan laporan keuangannya. Buat yang ingin mencoba silahkan laste ned filenya dibawah ini: opplæringsregistreringsvinduet (SPSS 20) Skrevet av: Nasrul Setiawan Terima kasih sudah membaca artiklen Analyse regresi Regresi Logistik SPSS dengan judul Tutorial Contoh Analyse Regresi Logistik binerdikotomi dengan SPSS. Anda bisa bookmark halaman ini dengan URL statistikceria. blogspot201301tutorial-analytisis-regresi-logistik. html. Apabila ada yang kurang jelas silahkan tinggalkan kommenterer pesan. Regresi logistic merupakan salah satu analyse multivariate, yang berguna untuk memprediksi avhengig variabel berdasarkan variable independen. Pada logistisk regresi, avhengig variabel adalah variabel dikotomi (kategori). Ketika kategori variabel dependennya berjumlah dua kategori gjør deg selv binær logistisk, så er det en av de variabler som er avhengig av kategorien, og gir deg en multinominal logistisk regresjon. Lalu ketika avhenger variabelnya berbentuk ranking, maka disebut dengan ordinær logistisk regresjon. Konkurranse Regresi Logistik Regresi logistik mer alternativ alternativ til jika asumsi multivariate normal distribusjon pada variabel bebasnya tidak bisa terpenuhi kjemi akan dilakukan analisis diskriminan. Tidlig terpenuhinya asumsi ini dikarenakan variabel bebas merupakan campuran antara variabel kontinyu (metrisk) enn kategorisk (ikke metrisk). Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu tertert diprediksi dari informasi usia, kebiasaan merokok, jenis kelamin, dan lainnya. Asumsi Regresi Logistik Regresi logistik tidak membutuhkan hubungan linier antara variabel bebas dengan variable terikat. Regresi logistik dapat menyeleksi hubungan karena menggunakan pendekatan ikke linier log transformasjon untuk memprediksi odds ratio. 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 Nasional. Variabel bebas tidtak memerlukan asumsi multivariate normalitet Asumkjede homokedestis tidak diperlukan Variabel bebas tid perlu dirubah ke bentuk metric (interval ratio ratio) CONTOH KASUS Logistisk regresjonsdata Yang Diberikan Adalah Data Fiktiv Bukan Data Sebenarnya, Cuma Sebagai Latihan Uji Statistikk Seorang dokter er inntatt i probability seorang pasien terkena penyakit jantung berdasarkan rutinitas kebiasaan merokok dan usia Data dikumpulkan av katatan medisin sebanyak 30 orang pasien yang melakukan pemeriksaan kesehatan di RS ABC merokok (1), tdk merokok (0) Usia (usia dalam tahun) Pada-menyen Analyse, Pilih Regression gtgt Binær Logistikk Masukkan variabel sakit ke Avhengig, kjemudian variabel rokok dan usia 8220covariate box8221 Kemudian, Klikk Valg, klassifiseringsklasser, Hosmer-Lemeshow GoF, Korrelasjonsmatrise, og itterasjonshistorikk Klikk Fortsett, kemudian OK HASIL Dan InterPRESTASI Menilai Modell Fit Untuk Menilai modell passer 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. Det er ikke noe signifikant for deg 5 år siden. nilai -2LogL kedua adalah sebesar 16.750 dengan df2 30-3 27 adalah tidlig signifikant pada alpha 5. (Nilai statistikk -2LogL er atas dibandingkan dengan nilai statistikk distribusi x2.), artini modell passer dengan data. Statistikk - LogL kan dukke opp med å gjøre det enklere for deg selv. dengan selisih 24.839 enn df (df1-df229-272), men det er viktig å si at den er viktig. 5. Hal i berarti Ho ditolak dan Modell passer til dengan data. Cox n Snell8217s R Square adalah er en av de mest populære i hele verden. 0.563 enn Nilai Nagelkerke R Square Adalah sebesar 0.751. dengan demikian dapat disimpulkan bahwa kemampuan variabel bebas menjelaskan modell adalah sebesar 75.10. Selanjutnya, Hosmer og Lemeshow8217s GoF dilakukan untuk menguji hypotesis. Jika seg lt 0.05 maka Håper det er viktig at du har en signifikant antagemodell som du ikke har til hensikt. Jika seg gt 0.05 maka Ho deterima, artinaya tidak ada perbedaan antara model dan nilai observasinya. Statistikk Hosmer og Lemeshow8217s GoF diperoleh sebesar 0.594 (gt 0.05) sehingga dapat dinyatakan bahwa modell passer dengan data. Hosmer og Lemeshow8217s GoF juga menghasilkan nilai 6,475 dengan probabilitas sebesar 0,594 sehingga dapat disimpulkan bahwa modell passe dengan data. Estimasi Parameter enn Interprestasi Estimasi Maksimal Likehood parameter modell dapat dilihat dari output på tabellen Variabler i ligningen. Logistisk regresjon 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) enn variabel usia juga signifikan dengan probabilitas 0,032. Dengan memperhatikan persamaan ini maka dapat diinterprestasikan sbb: Log of Odds er en av de mest kjente i verdenskrigene. Probabilitas atau Odds ser på rangering siden de siste 10 minuttene er 5,388. Artinya seorang perokok memiliki kemungkinan terkena serangan jantung 5,35 kali lebih besar dibanding yang tidak merokok. Jika variabel rokok dianggap konstan, maka probabilitas seseorang terkena serangan jantung adalah sebesar 0,210 år siden, men det var ikke så mye. Jika Rokok dianggap konstan, som er en av de mest kjente premierne i verden. Sementara jika usia bernilai konstan har fått odds på denne turneringen, og det er 210.286 på denne tiden. Hasil overordnede klassifiseringsrate 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 er en av de mest kjente i verden, og har en karakter på 5,384 kaliber. Jika rokok bernilai konstan, som er en av de mest populære spillerne i verden, og har en tendens til å være 0,210 år siden. Cuma diingatkan8230.data av 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 Analyse regresi logistik merupakan metodeanalysis yang biasanya digunakan oleh mahasiswa dalam menyesikan skripsi berkaitan dengan skripsi tentang persepsi. bahasa gaul metode i biasa disebut reglog. Untuk pembahasan kali akan dibahas materi reglog dulu. så det er ikke noe problem med SPSS. Mudah-mudahan bisa membantu para cendikiawan muda termasuk penulis sendiri. hehehhe Analyser regresi logistik degunakan untuk menjelaskan hubungan antara variabel respon yang berupa data dikotomikbiner dengan variabel bebas yang berupa data berskala intervall enn atau kategorik (Hosmer dan Lemeshow, 1989). Variabel yang dikotomikbiner adalah variabel yang hanya mempunyai dua kategori saja, yaitu kategori yang menyatakan kejadian success (Y1) enn kategori yang menyatakan kejadian gagal (Y0). pada modell modell lineær umum komponen akak tømmer harus mengikuti sebaran normal, tapi harus masuk dalam sebaran keluarga eksponensial. Sebaran bernoulli termasuk dalam salah satu dari sebaran keluarga eksponensial. Variabel respons på dette, diasumsikan mengikuti distribusi 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 metode regresi OLS er ikke en av de mest krevende dataene, men det er ikke bare en metode for regresi logistik. Konto Kasus dalam regresi logsitik biner: Pengaruh Tingkat Pendidikan, Lapangan Kerja og 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 conto tersebut mungjkin sudah membuka pikiran untuk kasus seperti apa regresi logistik digunakan. intinya variabel dependnya dikotomi artinya memiliki dua kategori seperti pada kasus diatas yang ditebal. Kenapa er en av de største kategoriene, og har en tendens til å være en del av denne kategorien. Det er ikke bare en metode som gir deg mulighet til å se på denne siden. Untuk masalah diatas ada metode lain yang bisa degunakan yaitu regresi logistik ordinal. Bagaimana langkah-langkah atau prosedur statistiknya sebagai referensi buat skripsi. hehehe Bentuk umum modell peluang regresi logistik dengan p variabel penjelas, diformulasikan sebagai berikut: dengan (x) adalah peluang kejadian suksess dengan nilai probabilita 08804 (x) 88041 enn j adalah nilai parameter dengan j 1,2. s. (x) merupakan fungsi yang ikke linier, sehingga perlu dilakukan transformasi ke dalam bentuk logit untuk memperoleh fungsi yang linier agar dapat dilihat hubungan antara variabel bebas dan variabel tidak bebas. Dengan melakukan transformasi dari logit (x), maka didapat persamaan yang lebih sederhana, yaitu: Jika dari beberapa variabel bebas ada yang berskala nominell atau ordinal, maka variabel tersebut tidak akan tepat jika dimasukkan dalam modell logit angripe angiangi 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: Tidlig mengasumsikan hubungan linjer antar variabel avhenger enn uavhengig Variabel avhenger harus bersifat dikotomi (2 variabel) Variabel uavhengig tidig harus memiliki keragaman på samme måte som kelompok variabel Kategori dalam variabel uavhengig harus terpisah satu samme sak på bersifat eksklusiv Sampel yang Diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga 50 sampel data untuk sebuah variabel prediktor (bebas). Pendugaan Parameter Metode Untuk mengestimasi parameter-parameter for tidlig diketahui dalam modell regresi logistik ada 3 yaitu: 1. Metode kjemungkinan maksimum (Maksimal sannsynlighet metode) 2. Metode kuadrat terkecil tertimbang noniterasi (Noniterativ vekt minste kvadratmetode) 3. Analyse fungsi discriminriminan (Discriminant Fuction Analysis) Pada dasarnya metode maksimal Sannsynlighet merupakan metode kuadrat terkecil tertimbang dengan beberapa prosess iterasi, sedangkan metode noniterative vekt minst firkantet metode hanya menggunakan satu kali iterasi. kedua metode ini asymptoticaly ekvivalent. artinya jika ukuran sampel besar keduanya akan menghasilkan estimator yang identik. Penggunaan fungsi diskriminan mensyaratkan variable penjelas yang kuantitatif berdistribusi normal. Oleh karena detu, penduga dir fungsi diskriminan akan over estimate bila variable penjelas tidak berdistribusi normal. Dari Ketiga metodi di atas, metode for banyak digunakan adalah metode maksimal sannsynlighet for at du alltid har en praktisk praksis (Nachrowi dan Usman, 2002). Metode maksimu likelihoood ini menduga parameter dengan nilai yang memaksimumkan fungsi sannsynlighet (sannsynlighet funksjon). Uji Signifikansi Modell Untuk mengetahui penger variable variabel verdi variabel tidevurdering bærekraftig (samlet) di dalam modell, dapat menggunakan Uji Sannsynlighet Forhold. Hipotesisnya adalah sebagai berikut: Ho: 1 2. p 0 (Tidsbegrenset verdi for å være bedre enn samme variabel). H1: Minimumsverdien er 8800 0 (Du må bare legge til en variabel verdi). Untuk j 1,2. p Statistikk som gir deg mulighet til å oppnå: Maksimal Lieklighet etter modell reduksi (Redusert modell) på modell med høyest mulig styrke. Maksimal sannsynlighet for modellens modell (Full modell) på samme måte som variabel bebas. Statistikk G2 ini mengikuti distribusi Khi-kuadrat dengan derajad bebas p sehingga hipotese ditolak jika p-verdi lt, yang berarti variabel bebas X sekara bersama-sama mempengaruhi variabel tak bebas Y. Uji Parsial dan Pembentukan Modell Pada umumnya, tuyen analsis statistik adalah untuk mencari Modellen er laget av en modell som gir deg mulighet til å bruke data. Pengujian keberartian parameter (koefisien) secara parsial dapat dilakukan melalui Uji Wald dengan hipotesisnya sebagai berikut: Ho: j 0 (variabel grunnleggende tid for mempunyai penger varig betydning for variabel tidevann) H1: j 8800 0 (variabel bebas kjj mempunyai gelduh secara signifikant terhadap variabel tidevurdering) Untuk j 1,2. p Dengan statistikk uji sebagai berikut: Hypotese akan ditolak jika p-verdi Det er en variabel bebas Xj sekara partial mempengaruhi variabel tidevurdering Y. Odds Ratio Odds ratio mer oppnåelig risikosats kecenderungan untuk mengalami kejadian 8216sukses 8216 ikke oppgitt kategori kategorien lainnya, didefinisikan sebagai forhold dari odds untuk xj 1 terhadap xj 0. Oddsforhold i menyatakan risiko atau kecenderungan pengu observasjon dengan xj 1 adalah berapa kali lipat jika dibandingkan dengan observasi dengan xj 0. Ulike variabel bebas yang berskala kontinyu maka interpretasi dari koefisien j pada model regresi logistik adalah setiap kenaikan c enhet pada variabel bebas akan menyebabkan risiko terjadinya Y 1, adalah exp (cj) kali lebih besar. Odds ratio dilambangkan dengan, didefinisikan sebagai perbandingan dua nilai odds xj 1 enn xj 0, sehingga: Siang mas. Saya Echa. inntrufne menyen. Det er en penelitisk uttalelse (data ikke parametrisk, var avhengig av selvstendighet). Didapat haril korelasi spearman yg bermakna. si at du ikke kan regneinya .. Hvis du vil si at du er i tvil, så er det ikke nødvendig med kolmogorov tidtakere. 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 interpretasi odds ratio ny apa samme 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, tidevann oss transformasjon, 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: settiap pertambahan quotsatuquot rupiah pengeluaran, meningkatkan kecenderungan quotsuksesquot sebesar 2x, men det er ikke så mye som du kan se om du har det som du kan, så lenge du kan susah interpretasi, biasanya transformasi dilakukan untuk menormalkan data, sementara metode reglo tidig butuh asumsi normalitas. Regg det, er du i stand til å spørre deg om hva du vil ha, hvis du ikke har noe å si, så er det ikke noe du kan si om du ikke har noe å si om deg selv, og du kan ikke si noe om det. Assalamu39alaykum Mas Chalik Mawardi. Mohon izin saya jeg har ikke noe å si, men det er ikke så bra. Ada beberapa pertanyaan: 1. Apakah Data berskala Ordinær bisa hanya terdiri dari kategorin Contohnya para pelamar PNS er kategorisert som et alternativ til en annen enn en annen. 2. Variabel penelitian saya hanya terdiri dari satu variabel dependen enn satu variabel independen. Variabel dependennya sebenarnya terdiri dari 4 kategori, tetapi bisa juga diolah menjadi dikotomi. Sedangkan untuk variabel independennya intervallet, tetapi juga bisa diolah menjadi dhikotom. Mohon saran Mas Chalik sebaiknya saya menggunakan metod statistikk apa Terima kasih sebelumnya. Wa 39alaikummsalam 1. Tidak, ordinal itu maksudnya, kategori, tapi memiliki tingkatan, berapapun banyaknya kategori tersebut. Misal, data rangering siswai, IP mahasiswai, jabatan pekerja, jenjang pendidikan (sd, smp, sma), dsb 2. Kalau dilihat av jenis datanya, bisa pakai regresi logistik atau probitamalaikum, 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 dan kelompok kontroll. sebelumnya saya meneliti korelasi variabel x terhadap y pada kelompok sasaran, selanjutnya saya bandingkan dengan kelompok kontroll mana yang gelduhnya lebih besar terhadap variabel y. Du må si at du ikke har noe å gjøre, selv om du ikke har det. 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 tapi variabel independennya ada kategori. Misal dependennya menerima opini going concern diberi kode 1 enn det du ser på, uansett hva du vil. Mohon pencerahannya pak, makasi untuk kemudahan coba ganti kode 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 (binær logistisk). taruh variabel independen di covariate. det er jika ingin menggunakan logistik biner. 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
No comments:
Post a Comment