Anda di halaman 1dari 16

MODEL REGRESI LOGISTIK ORDINAL

Ordinal Logistic Regression Model


agung@stis.ac.id

Bahan Kuliah Sekolah Tinggi Ilmu Statistik (STIS) Oleh: Agung Priyo Utomo

Contoh-contoh (1)
Sebuah perusahaan riset pemasaran meneliti faktor yang mempengaruhi ukuran/kandungan soda (kecil, menengah, besar atau ekstra besar) yang orang pesan pada sebuah rumah makan cepat saji. Faktor-faktor yang diteliti termasuk jenis sandwich yang dipesan (burger atau ayam), apakah juga memesan kentang goreng, dan usia konsumen.

Penelitian tentang faktor-faktor yang mempengaruhi perolehan medali (emas, perak, perunggu) dalam suatu olimpiade renang. Variabel yang diduga berpengaruh adalah lamanya waktu berlatih, diet yang dilakukan, usia, dan popularitas olahraga renang di daerahnya.
agung@stis.ac.id

Contoh-contoh (2)
Penelitian tentang variabel yang mempengaruhi ketahanan pangan suatu wilayah (sangat tahan pangan, tahan pangan, cukup tahan pangan, tidak tahan pangan). Variabel yang digunakan adalah luas lahan pertanian tanaman pangan, kondisi tanah, PDRB, dan sebagainya.

Penelitian tentang variabel yang mempengaruhi kemiskinan rumahtangga di suatu wilayah (sangat miskin, miskin, tidak miskin). Variabel yang digunakan adalah pengeluaran untuk konsumsi, jumlah ART yg bekerja, dan sebagainya.
agung@stis.ac.id

Model RLO (1)


1. Cumulative Logits Menggunakan peluang kumulatif:

Shg Cumulative Logits didefinisikan sbg:

Sebuah model logit [P(Y j)] dpt dipandang seperti model logit dg respon biner dimana kategori 1 s.d j sbg kategori pertama dan kategori j+1 s.d J sbg kategori kedua.
agung@stis.ac.id

Model RLO (2)


2. Proportional Odds Model Merupakan model yg secara simultan menggunakan semua cumulative logit:

Setiap cumulative logit memiliki intersep masing-masing Nilai j meningkat seiring dg j, selama P(Y j|x) meningkat seiring dg j utk nilai x yg tetap. Model tsb memiliki efek yang sama utk masing-masing logit Untuk sebuah variabel prediktor x kontinyu dan J = 4, dpt digambarkan model sbb:

agung@stis.ac.id

Model RLO (3)


Untuk j tertentu, kurva variabel respon mpk kurva regresi logistik dg variabel respon biner dengan kategori hasil Y j dan Y > j. Kurva yg terbentuk memiliki kemiringan yg sama, namun berbeda posisi secara horisontal lihat gb. 7.3 Agresti (2nd) p.276 Cumulative logit model

memenuhi:

agung@stis.ac.id

Model RLO (4)


Odds ratio dari peluang kumulatif ini disebut rasio kecenderungan kumulatif (cumulative odds ratio) Nilai odd utk respon j pada x = x1 adalah exp['(x1 x2)] kali nilai odds pd x = x2. Nilai logaritma dari odds ratio kumulatif proportional thd jarak antara x1 dan x2 berlaku utk setiap logit Karena sifat tersebut McCullagh (1980) menyebutnya dg proportional odds model. Utk variabel prediktor tunggal, odds ratio kumulatif sama dg exp() jika x1 x2 = 1.

agung@stis.ac.id

Contoh: Mental Impairment


(Agresti (2nd) p. 279) Mental impairment mpk variabel respon berskala ordinal (well, mild symptom formation, moderate symptom formation, impaired). The life events index (x1) is a composite measure of the number and severity of important life events such as birth of child, new job, divorce, or death in family that occurred to the subject within the past 3 years. Socioeconomic status (x2). SES is measured here as binary (1 = high, 0 = low).

agung@stis.ac.id

Output: Mental Impairment

Model untuk kasus di atas:

agung@stis.ac.id

Output: Mental Impairment


Ilustrasi model: Misal seseorang yg memiliki kategori SES low (x2 = 0) dan rata-rata skor life events (x1) = 4,275, maka prob mental impairment berkategori 1 (well) adalah

agung@stis.ac.id

Analisis RLO menggunakan SPSS (1)


Sebuah studi bertujuan untuk melihat faktor-faktor yang mempengaruhi keputusan melanjutkan pendidikan ke jenjang yg lebih tinggi. Penelitian dilakukan terhadap siswa SMA apakah mereka tidak ingin melanjutkan, memiliki keinginan kuat, atau sangat kuat (apply, masing-masing diberi kode 0, 1, 2). Variabel yg diteliti meliputi data tentang status pendidikan orang tua (pared, kode 0 = maks SMA & 1 = diatas SMA), apakah SMA Swasta (0) atau Negeri (1) (public), dan IPK (gpa). Data yg digunakan bersumber dari http://www.ats.ucla.edu/stat/spss/dae/ologit.htm

agung@stis.ac.id

Analisis RLO menggunakan SPSS (2)


Menu yg dipilih:

agung@stis.ac.id

Analisis RLO menggunakan SPSS (3)


RLO mengasumsikan bhw persamaan yg terbentuk adalah paralel shg dalam interpretasi menjadi mudah

Variabel bebas numerik atau yg sudah dinumerik-kan

agung@stis.ac.id

Output RLO menggunakan SPSS (1)


Karena IPK (gpa) kuantitatif/kontinu

Semua data valid digunakan

agung@stis.ac.id

Digunakan untuk mengetahui apakah model dg beberapa variabel bebas lebih baik drpd model tanpa variabel bebas (hanya intersep). Nilai sig. sebesar 0.000 < (misal 5%) menunjukkan bahwa model dg variabel bebas lebih baik dari model tanpa variabel bebas.

Output RLO menggunakan SPSS (2)


Untuk menguji hipotesis: H0: Model cocok vs H1: model tidak cocok Hasil menunjukkan bahwa nilai sig. (p-value) > (misal 5%), yg berarti model regresi cocok Merupakan perkiraan/pendekatan untuk R2 seperti pada regresi OLS pada model non linier. (pada model non linier tidak bisa dihitung R2 scr langsung spt pada model regresi OLS). Terdapat banyak jenis pseudo R2, dan masing-masing akan memberikan nilai perkiraan yg berbeda Pendidikan ortu (pared) dan IPK (gpa) signifikan (pd = 5%) mempengaruhi keinginan untuk melanjutkan studi

agung@stis.ac.id

Test of Parallel Lines


Tujuan: menguji apakah koefisien slope sama untuk setiap kategori variabel respon Hipotesis yg diuji:

H0: H1:

agung@stis.ac.id