REGRESI LOGISTIK (LOGISTIC REGRESSION

)

Biner Regresi Logistik Multinomial Y berskala nominal dengan 2 kategori Y berskala nominal dengan lebih dari 2 kategori Ordinal Y berskala ordinal .REGRESI LOGISTIK Adalah regresi parametrik yang digunakan untuk Y berskala kategorik dan X berskala bebas.

REGRESI LOGISTIK • Jika pada regresi linier variabel prediktor digunakan untuk memprediksi nilai variabel respon.5 0 -∞ 0 x ∞ . maka pada regresi logistik variabel prediktor digunakan untuk memprediksi peluang munculnya kategori variabel respon. 1 (x) 0.

• Jika terdapat variabel prediktor berjenis kategorik.REGRESI LOGISTIK • Jika variabel prediktor SEMUANYA kontinyu dan berdistribusi normal. maka menggunakan analisis fungsi logit pada regresi logistik biner. maka dapat menggunakan analisis diskriminan. .

atau memastikan tidak ada multikolinieritas antar variabel prediktor.ASUMSI REGRESI LOGISTIK (Spring. • Variabel prediktor memiliki error dan data missing serendah mungkin bahkan tidak ada. Sedangkan untuk regresi logistik ordinal kode 0 untuk tingkatan paling rendah • Adanya linearitas antara fungsi logit dan variabel prediktor. dengan teknik random sampling) • Menyertakan semua variabel yang relevan dalam model • Menyingkirkan semua variabel yang tidak relevan. • Tidak ada outlier • Sampel berukuran besar . 2010) • Meaningful coding. variabel respon dikode 0 untuk kasus yang paling jarang terjadi. Untuk regresi logistik biner dan multinomial. • Pengamatan dilakukan secara independen (misalnya.

REGRESI LOGISTIK BINER (BINARY LOGISTIC REGRESSION) .

• Juga sering disebut sebagai regresi logistik Binomial (Binomial Logistic Regression) .Regresi Logistik Biner • Salah satu bentuk regresi logistik dimana variabel respon dalam bentuk biner / dichotomy / dua kategori.

MODEL REGRESI LOGISTIK BINER Regresi linier: 𝐸 𝑌 𝑥 = 𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 Regresi Logistik: 𝜋 𝑥 = 𝜋 𝑥 = 𝑒 𝛽 0 +𝛽 1 𝑥 1 +⋯+𝛽 𝑝 𝑥 𝑝 1+𝑒 𝛽 0 +𝛽 1 𝑥 1 +⋯+𝛽 𝑝 𝑥 𝑝  Fungsi peluang setiap kategori 𝑒 𝑥 𝑇 𝛽 𝑇 𝛽 1 + 𝑒 𝑥 Fungsi di-ln-kan 𝜋 𝑥 𝑔 𝑥 = 𝑙𝑛 1 − 𝜋 𝑥 = 𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 = 𝑥 𝑇 𝛽 𝑔 𝑥 = logit 𝜋 𝑥 .

REGRESI LOGISTIK MULTINOMIAL (MULTINOMIAL LOGISTIC REGRESSION) .

.REGRESI LOGISTIK MULTINOMIAL • Salah satu bentuk regresi logistik dimana variabel respon dalam bentuk MULTINOMIAL / polychotomy / lebih dari dua kategori.

𝜋 𝑥 = 𝜋 𝑥 = 𝑒 𝛽 0 +𝛽 1 𝑥 1 +⋯+𝛽 𝑝 𝑥 𝑝 1+𝑒 𝛽 0 +𝛽 1 𝑥 1 +⋯+𝛽 𝑝 𝑥 𝑝  Fungsi peluang setiap kategori 𝑒 𝑥 𝑇 𝛽 𝑇 𝛽 1 + 𝑒 𝑥 Fungsi di-ln-kan 𝜋 𝑥 𝑔 𝑥 = 𝑙𝑛 1 − 𝜋 𝑥 = 𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 = 𝑥 𝑇 𝛽 𝑔 𝑥 = logit 𝜋 𝑥 .MODEL REGRESI LOGISTIK MULTINOMIAL • Model tidak jauh berbeda dengan model regresi logistik biner.

REGRESI LOGISTIK ORDINAL (ORDINAL LOGISTIC REGRESSION) .

dimana uji tersebut digunakan untuk membuktikan terpenuhinya asumsi bahwa setiap kategori memiliki hubungan antara variabel independen dengan logit yang sama untuk semua persamaan logit. Ini berarti bahwa hasil model berupa sebuah garis paralel untuk setiap kategori variabel respon. diasumsikan bahwa hubungan antara variabel independen dengan logit adalah sama untuk semua logit. Jika tidak terpenuhi maka data cukup dimodelkan dengan regresi logistik multinomial.REGRESI LOGISTIK ORDINAL • Salah satu bentuk regresi logistik dimana variabel respon dalam bentuk ordinal. . • PERLU DIPERHATIKAN: Pada saat membuat model regresi logistik ordinal. Untuk membuktikannya dapat menggunakan Test of parallel lines. yaitu kategorik dengan memiliki tingkatan.

Kumulatif logit didefinisikan sebagai 𝑙𝑜𝑔𝑖𝑡[𝑃 𝑌 ≤ 𝑗𝑥 = ln 𝑃 𝑌≤𝑗 𝑥 1−𝑃 𝑌≤𝑗 𝑥 𝑗 = 1. 2. . ⋯ . 𝐽 = 𝛽0𝑗 + 𝛽 𝑇 𝑥. ⋯ . 2. 𝐽 = ln 𝑃 𝑌≤𝑗 𝑥 𝑃 𝑌>𝑗 𝑥 𝜋1 𝑥 + 𝜋2 𝑥 + ⋯ + 𝜋𝑗 𝑥 = ln 𝜋𝑗 =1 𝑥 + 𝜋𝑗 =2 𝑥 + ⋯ + 𝜋𝑗 𝑥 𝑗 = 1.MODEL REGRESI LOGISTIK ORDINAL 𝑃 𝑌 ≤ 𝑗𝑥 = 𝜋1 𝑥 + 𝜋2 𝑥 + ⋯ + 𝜋𝑗 𝑥 .

ODDS RATIO (ψ) • Odds Ratio digunakan untuk memperkirakan berapa besar kemungkinan risiko variabelvariabel prediktor terhadap variabel respon. 𝜓 a. b = 𝑌=𝑗 𝑥=𝑎 / 𝑌=𝑘 𝑥=𝑎 𝑌=𝑗 𝑥=𝑏 / 𝑌=𝑘 𝑥=𝑏 = exp 𝛽𝑖 𝑎 − 𝑏 .

ODDS RATIO (ψ) • Untuk ψ=1 berarti bahwa x = a memiliki risiko yang sama dengan x = b untuk menghasilkan Y = j. • Jika variabel prediktor berskala kontinyu maka interprestasi koefisien dugaan tergantung pada unit partikular dari variabel prediktor. maka odds ratio diperoleh dengan exp(cβi ) . Untuk variabel prediktor kontinyu diperlukan unit perubahan sebesar c. dan sebaliknya untuk 0<ψ<1 untuk menghasilkan Y = j. • Bila 1<ψ<∞ berarti x = a memiliki risiko lebih tinggi ψ kali daripada x = b.

. Jika variabel prediktor kategorik menggunakan uji chi-square.Langkah Analisis Regresi Logistik 1. Melakukan uji independensi antara variabel prediktor dengan variabel respon. jika kontinyu menggunakan korelasi (kendall’s tau/spearman).

multinomial) Interpretasi terhadap nilai odds ratio Uji kesesuaian model Interpretasi model secara serentak Menghitung ketepatan klasifikasi model .Langkah Analisis Regresi Logistik Analisis regresi logistik secara individu Analisis regresi logistik secara serentak Pengujian Parallel Line Test (Khusus Untuk Regresi Logistik ordinal. jika tidak memenuhi gunakan reg. log.

Yuk latihan….. .

Sign up to vote on this title
UsefulNot useful