REGRESI LOGISTIK (LOGISTIC REGRESSION

)

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

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

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

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

. 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. Ini berarti bahwa hasil model berupa sebuah garis paralel untuk setiap kategori variabel respon. • PERLU DIPERHATIKAN: Pada saat membuat model regresi logistik ordinal. diasumsikan bahwa hubungan antara variabel independen dengan logit adalah sama untuk semua logit. yaitu kategorik dengan memiliki tingkatan. dimana uji tersebut digunakan untuk membuktikan terpenuhinya asumsi bahwa setiap kategori memiliki hubungan antara variabel independen dengan logit yang sama untuk semua persamaan logit. Untuk membuktikannya dapat menggunakan Test of parallel lines.

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. . 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.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 .

dan sebaliknya untuk 0<ψ<1 untuk menghasilkan Y = j. Untuk variabel prediktor kontinyu diperlukan unit perubahan sebesar c.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 ) . • Bila 1<ψ<∞ berarti x = a memiliki risiko lebih tinggi ψ kali daripada x = b.

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

log.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. multinomial) Interpretasi terhadap nilai odds ratio Uji kesesuaian model Interpretasi model secara serentak Menghitung ketepatan klasifikasi model .

..Yuk latihan….

Sign up to vote on this title
UsefulNot useful