Otok3 - Model Log Linier 2014

Otok_bw@yahoo.
com 1
MODEL LOG-LINIER
Dr. Bambang Widjanarko Otok,M.Si
bambang_wo@statistika.its.ac.id, dr.otok.bw@gmail.com; otok_bw@yahoo.com
Department of Statistics, ITS Surabaya
1. Pendahuluan
Bila dihadapkan pada suatu data yang bersifat kualitatif, maka
analisis statistic yang sesuai untuk data ini adalah dengan pendekatan
statistic nonparametric. Yang dimaksud dengan data yang bersifat
kualitatif adalah data yang diperoleh dari skala pengukuran nominal
atau ordinal, atau berupa jumlahan dari suatu variabel yang bersifat
kategori.
Untuk mengetahui adanya tidaknya hubungan antara variabel-
variabel tersebut bersifat kategorikal dan memenuhi syarat-syarat
sebagai berikut :
1. Hubungan yang dimaksud tidak menyatakan tingkat atau derajat
hubungan maupun arah hubungan,
2. data yang diperoleh berupa jumlahan atau kategori dan
merupakan data diskrit,
maka metode analisis statistika nonparametrik yang sesuai adalah uji
independensi dan pengelompokan. Uji independensi disini menunjukkan
hubungan asosiasi antara variabel-variabel yang mempengaruhi, jadi
tidak menunjukkan arah atau derajat hubungan atau besaran
sumbangan antara variabel.
2. Tabel Dua Dimensi
Tabel dua dimensi merupakan bentuk tabel yang menunjukkan
pola hubungan dua variabel yang bersifat kategori, dimana masing-
Otok_bw@yahoo.com 2
masing variabel tersebut terdiri dari beberapa kelas yang memenuhi
syarat sebagai berikut:
Homogen
Yang dimaksud dengan homogen dalam satu sel tersebut harus
merupakan obyek yang sama.
Mutuallity Exclusive Dan Mutuallity Exhausive
Maksud dari mutuallity exclusive dan mutuality exhaustive adalah
antara kelas yang satu dengan kelas yang lainnya harus saling
asing dan didekomposisikan secara lengkap sampai unut yang
terkecil, sehingga dalam unsur hanya dapat diklasifikasikan
dalam satu unit saja.
Skala Pengukuran Nominal Dan Ordinal
Variabel kategori harus mempunyai skala pengukuran nominal
yaitu skala yang menunjukkan bahwa anggota yang satu berbeda
dengan anggota yang lainnya dan tidak membedakkan urutan
bahwa yang satu lebih kecil dari yang lain, atupun yang satu lebih
besar dari yang lain. Skala pengukuran yang lainnya adalah skala
pengukuran ordinal yaitu hampir sama dengan skala pengukuran
nominal hanya saja syaratnya ditambah dengan adanya urutan
atau tingkatan.
Tabel 2.1 dan 2.2. terdiri dari dua variabel yaitu variabel A dan variabel
B dengan banyaknya baris I dan banyak kolom j, maka dapat dibentuk
tabel seperti berikut:
Tabel 2.1. Tabel Dua Dimensi dengan frekuensi
B
1
B
2
B
J
Total
A
1
A
2
.
.
A
I
x
11
x
21
.
.
x
I1
x
12
x
22
.
.
x
I2
X
1j
x
2j
.
.
x
IJ
x
1.
x
2.
.
.
x
I.
Total x.
1
x
.2
x
.J
x..
Otok_bw@yahoo.com 3
Tabel 2.2. Tabel Dua Dimensi dengan Probabilitas
B
1
B
2
B
J
Total
A
1
A
2
.
.
A
I
p
11
p
21
.
.
p
I1
p
12
p
22
.
.
p
I2
p
1j
p
2j
.
.
p
IJ
p
1.
p
2.
.
.
p
I.
Total p.
1
p
.2
p
.J
p..
dimana p = ) ,..., ,..., (
ij
p p p
12 11
Dua marginal multinomial adalah saling bebas bila dan hanya bila
variable untuk kategori baris dalah saling bebas terhadap variabel
untuk kategori kolom.
3. Test Independensi
Untuk mengetahui ada tidaknya hubungan antara 2 variabel yang
telah ditetapkan, digunakan test independensi. Andai tabel 2 dimensi
mempunyai variabel A dan B dengan i baris dan j kolom, maka hipotesa
untuk mnguji independensi adalah:
Hipotesa awal (Ho) : tidak ada hubungan antara varibel A dan
variabel B (A dan B independent)
Hipotesa alternatif (H1) : ada hubungan antara variable A dan
variabel B (A dan B dependen).
Uji alternatif yang sesuai untuk hipotesa di atas dalah Statistic Pearson
Chi-Square ) (
2
, dimana untuk estimasi nilai harapan dalah:
N
x x
m
j i
ij
.
=
Otok_bw@yahoo.com 4
dan statistik ujinya dalah:

= =
=
n
j i
n
j j i
j i ij
h
N x x
N x x x
1
2
2
/
) / (
. .
. .
diamana :
. i
x = jumlah pengamatan pada baris ke-i
j
x
.
= jumlah pengamatan pada baris ke-j
ij
x = jumlah pengamatan pada baris ke-i kolom ke-j
N = jumlah seluruh pengamatan
ij
m = frekuensi nilai harapan (expected value)
i = 1,2,3,...,I (banyaknya baris)
j = 1,2,3,...,J(banyaknya kolom)
Hasil statistik uji tersebut selanjutnya akan dibandingkan dengan hasil
distribusi Chi-Square dengan derajat bebas (I-1)(J-1) serta dengan
kriteria penolakan Ho adalah :
) )(( ( 1 1
2 2

J I h
4. Pengujian Residual
Tahap selanjutnya, setelah melakukan uji Chi-Square adalah
menguji residual,yang bertujuan untuk menguji kesesuaian model dan
untuk mengetahui adanya ketergantungan atau tidak. Pengujian ini
sangat penting untuk menjamin model yang digunakan.
Residual ) (
ij
e adalah selisih antara nilai observasi dan nilai
harapan dari masing-masing sel. Residual mempunyai rumus :
ij ij ij
m x e

=
Otok_bw@yahoo.com 5
Sedangkan adjusted residual ) (
ij
d dalah residual dibagi dengan akar
taksiran varians dari residual, yaitu:
ij
ij
ij
v
e
d =
dimana
ij
v hdala taksiran varians dari
ij
e yang besaranya:
=
N
x
N
x
v
j
i
ij
.
.
1 1
Jika ternyata model cukup baik, nilai adjusted residual akan mendekati
distribusi normal dengan nilai 0 = dan nilai 1
2
= atau berdistribusi
N(0,1). Atau dengan kata lain, mempunyai asumsi distribusi normal bila
nilai adjusted residualnya berada di dalam range -1,96 sampai 1.96. hal
ini terjadi bila diambil = 0.05, sehingga 95% dari nilai residual masuk
ke dalam range tersebut. Bila ternyata ada yang keluar dari batas
tersebut, maka titik-titik tersebut merupakan titik-titik penting yang
perlu mendapat perhatian, sebab mungkin pada sel tersebut sebetulnya
penyebab terjadinya dependesi.
5. Model Log Linear
5.1. Model log linear untuk tabel dua dimensi
Dengan menggunakan mdel log linear dapat diketahui ada atau
tidaknya hubungan antara variabel pada data kategorik serta dapat
ditunjukkan kelas mana yang menjadi sumber dependensinya.
Model log linear untuk Tabel 2 dimensi mempunyai i baris dan j
kolom, yang mempunyai taksiran nilai harapan pada masing-masing sel
adalah :
N
x x
m
j i
ij
. .
^
= (1)
Otok_bw@yahoo.com 6
dimana :
=
=
I
i
ij i
x x
1
.
= jumlah pengamatan pada baris ke-i
=
=
J
j
ij ij
x x
1
= jumlah pengamatan pada kolom ke-j

= =
= =
I
j i
J
j
ij
x x N
1
.. = jumlah seluruh pengamatan
Jika kedua ruas persamaan (1) dinyatakan dalam bentuk logaritma
dengan bilangan dasar e, maka didapatkan :
N x x m
j i ij
log log log log + = (2)
Terlihat bahwa Persamaan (2i) ini ada kesamaan dengan bentuk analisis
varians, maka observasi
ij
m dapat dinyatakan dalam bentuk:
) ( ) (
log
j i ij
U U U m
2 1
+ + = (3)
dimana :
U =

= =
I
i
J
j
ij
m
IJ
1 1
1
log
= grand mean dari logaritma jumlah nilai harapan atau rata-rata
dari seluruh logaritma nilai harapannya.
U
) (i 1
=

=
J
j
ij
U m
J
1
1
log
= Main effect variabel pertama atau pengaruh dari variabel
pertama terhadap grand mean.
Otok_bw@yahoo.com 7
U
) ( j 2
=

=
I
i
ij
U m
I
1
1
log
= Main effect variabel kedua atau pengaruh dari variabel
kedua terhadap garnd mean.
Karena
) ( ) ( j i
U dan U
2 1
menunjukkan variansi dari grand mean U maka:

= =
= =
I
i
J
j
j i
U U
1 1
2 1
0
) ( ) (
Jika trdapat interaksi antara kedua variabel tersebut, maka modelnya
menjadi:
) ( ) ( ) (
log
ij j i ij
U U U U m
12 2 1
+ + + =
dimana:

= =
=
I
i
J
j
ij
U
1 1
12
0
) (
5.1.1.Derajat Bebas
Derajat bebas dari model log linear dua dimensi adalah sebagai
berikut :
Bentuk Derajat bebas
U 1
U1 I 1
U2 J 1
U12 (I 1)(J 1)
Total IJ
Otok_bw@yahoo.com 8
5.1.2.Prinsip Hierarkhi
Jika faktor U yang mempunyai tingkat yang lebih tinggi masuk
atau ada didalam model, maka faktor lain yang lebih rendah harus ada.
Tetapi bilafaktor U dengan tingkat lebih tinggi tidak ada dalam
model,maka U dengan faktor yang lebih rendah belum tentu tidak
masuk kedalam model. Misalnya U
12
ada di dalam model, maka U
1
pasti berada didalam model. Sedangkan bila U
12
tidak ada, maka U
1
pasti berada didalam model. Sedangkan bila U
12
tidak ada, maka U
1
belum tentu tidak masuk kedalam model.
5.1.3.Model Saturated
Model saturated adalah model yang terdiri dari semua parameter
independen, dan model tidak dapat dimasuki parameter parameter
yang lainnya.
Misal :
) ( ) ( ) (
log
ij 12 j 2 i 1 ij
U U U U m + + + =
Pada model saturated ini, frekuensi observasi sma dengan taksiran
frekuensi harapan. Atau taksiran residual sama dengan nol.
5.1.4.Goodness of fit statistics
Goodness of fit statistics merupakan dasar probabilitas untuk
membandingkan dan menentukan ada atau tidaknya kesenjangan
antara observasi dan model.
Goodness of fit statistics dinyatakan dengan :

= =
=
I
i
J
j ij
ij ij
E
E
1 1
2
2
0 ) (
ij
ij
ij
I
i
J
j
ij
E
G =

= =
), ( log ) (
0
0 2
1 1
2
Otok_bw@yahoo.com 9
2
dan G
2
mendekati distribusi
2
dengan derajat bebas sama dengan
jumlah sel yang dikurangi jumlah parameternya.
G
2
memeiliki sifat-sifat penting yang tidak dimemiliki oleh x
2
yaitu
1. G
2
adalah statistic yang diminimumkan oleh
2
oleh MLE, maksudnya
yaitu yang diminimumkan adalah error dari modelnya dan taksiran
parameter diperoleh dengan model MLE.
2. Dapat dipecahkan menjadi 2 bagian dengan 2 cara, yaitu :
Conditionally (bersyarat)
Structurally (dari segi strukturnya)
5.2. Model Log Linear untuk table Tiga dimensi
Pada tabel tiga dimensi dengan baris I, kolom J dan layer K, dan
jika di antara ketiga variabel tersebut saling independen, maka taksiran
nilai harapan dari masing-masing sel adalah sebagai berikut :
2
N
x x x
m
k
ijk
j i
..
. . ..
log =
(4)
Bila kedua ruas dari Persamaan (4) dinyatakan dalam bentuk logaritma
dengan bilangan dasar e (hal ini dikaitkan dengan distribusinya), maka
taksiran nilai harapannya adalah :
N x x x m
k j i ijk
log log log log log
.. . . ..
2 + + =
(5)
dimana:
U =

= = =
I
i
J
i j
K
k
ijk
m
IJK
1 1
1
log
= rata-rata dari seluruh logaritma nilai harapan
Otok_bw@yahoo.com 10
U
) (i 1
= U m
JK
J
j
ijk
K
k

= = 1 1
1
log
= pengaruh dari variabel pertama terhadap grand mean.
U
) ( j 2
= U m
IK
ijk
I
i
K
k

= =
1 1
1
log
= pengaruh dari variabel kedua terhadap grand mean
U
) (k 3
= U m
IJ
ijk
I J
j

= =
1 1 1
1
log
= pengaruh dari variabel ketiga terhadap grand mean
maka:
) ( log
) ( ) (
k U U U U m
j i ijk 3 2 1
+ + + =
Artinya bahwa variabel 1, variabel 2 dan variabel 3 ada di dalam model,

tetapi ketiganya saling independen atau tidak terdapat interaksi, baik
untuk dua faktor maupun tiga faktor dari ketiga variabel tersebut.
U
) (i 1
dan U
) ( j 2
menunjukkan penyimpangan dari U, sehingga :

= = =
= = =
I
i
J
j
K
k
k j i
U U U
1 1 1
3 2 1
0.
) ( ) ( ) (
Jika terdapat interaksi pada ketiga variabel model, diperoleh model :
. log
123 23 13 12 3 2 1
U U U U U U U U m
ijk
+ + + + + + + =
Model tersebut merupakan model yang lengkap, atau disebut juga model
jenuh (saturated) karena terdapat interaksi ketiga faktor, dimana :

= = = = = = = = =
= = = =
I
I
J
J
I
I
J
J
K
K
I
I
J
J
K
K
J
J
U U U U
1 1 1 1 1 1 1 1
123 23
1
13 12
0
5.2.1.Derajat Bebas
Besarnya derajat bebas untuk model log linear sama dengan
jumlah total del dikurangi dengan jumlah parameter fitted.
Model log linear tiga dimensi dengan baris, J kolom dan K layer
mempunyai derajat bebas sebagai berikut:
Bentuk Derajat bebas
U 1
U1 I 1
U2 J 1
U3 K 1
U12 (I 1)(J 1)
U13 (I 1)(K 1)
U23 (J 1)(K 1)
U123 (I 1)(J 1) (K 1)
Total IJK
5.2.2.Prinsip Hierarki
Pokok-pokok hierarkhi adalah jika factor U mempunyai tingkat
lebih tinggi masuk atau ada di dalam model, maka factor lain yang lebih
rendah harus ada. Sebaliknya jika faktor U yang mempunyai tingkat
lebih tinggi tidak masuk ke dalam model maka factor U yang mempunyai
tingkat lebih rendah belum tentu tidak masuk ke dalam model.
Misalnya U
123
ada di dalam model, maka U
12
pasti ada ada didalam
model. Sebaliknya bila U
123
tidak ada di dalam model, maka U
12
belum
tentu tidak masuk ke dalam model.
5.2.3.Model Saturated
Model satutared adalah jika model terdiri dari semua parameter
independen dan model tersebut tidak dapat dimasuki parameter-
parameter lainnya.
Model jenuh atau model saturated ini mempunyai frekuensi nilai
observasi dengan frekuensi harapan. Atau dengan kata lain, residual
atau selisih antara frekuensi observasi dengan frekuensi harapanya
adalah sama dengan nol.
Misalnya model :
) ( ) ( ) ( ) ( ) ( ) (
log
ijk jk ik ij j i ij
U U U U U U U m
123 23 13 12 2 1
+ + + + + + =
Hal ini secara lebih jelas dapat dilihat pada Tabel 5.1.
Nilai dari derajat bebas pada Tabel 5.1.diperoleh dengan mengurangi IJK
yaitu derajat bebas dari frekuensi observasi dengan derajat kebebasan
dari parameter fitted yaitu taksiran frekuensi harapan.
Pada akhirnya tampak di model nomer 9, ternyata nilai derajat
kebebasan sama dengan nol, atau residual dari model sama dengan nol
atau tidal ada.
Tabel 5.1 Parameter fitted dan derajat bebas model saturated
No Model Parameter Fitted Derajat Bebas
1 U+U1+U2+U3 1+(I-1)+(J-1)+(K-1) IJK-I-J-K+2
2 U+U1+U2+U3+U12 1+(I-1)+(J-1)+(K-1)+(I-1)(J-1) (K-1)(IJ-1)
3 U+U1+U2+U3+U13 1+(I-1)+(J-1)+(K-1)+(I-1)(K-1) (J-1)(IK-1)
4 U+U1+U2+U3+U23 1+(I-1)+(J-1)+(K-1)+(J-1)(K-1) (I-1)(JK-1)
5
U+U1+U2+U3+U12
+U13
1+(I-1)+(J-1)+(K-1)+(I-1)(J-1)
+(I-1)(K-1)
I(J-1)(K-1)
6
U+U1+U2+U3+U12
+U23
1+(I-1)+(J-1)+(K-1)+(I-1)(J-1)
+(J-1)(K-1)
J(I-1)(K-1)
7
U+U1+U2+U3+U13
+U23
1+(I-1)+(J-1)+(K-1)+(I-1)(K-1)
+(J-1)(K-1)
K(I-1)(J-1)
8
U+U1+U2+U3+U12
+U13+U23
1+(I-1)+(J-1)+(K-1)+(I-1)(J-1)
+(I-1)(K-1)+ (J-1)(K-1)
(I-1)(J-1)(K-1)
9
U+U1+U2+U3+U12
+U13+U23+U123
1+(I-1)+(J-1)+(K-1)+(I-1)(J-1)
+(I-1)(K-1)+ (J-1)(K-1)
+(I-1) (J-1)(K-1)
0
5.2.4.Goodness of Fit Statistics
Manfaat dari goodness of fit statistics dalah untuk mem-
bandingkan atau menentukan ada atau tidaknya jarak antara observasi
dan model.
Ukuran dari goodness of fit statistic dalah :

= = =
=
I
i
J
j
K
k ijk
ijk ijk
E
E
1 1 1
2
2
0 ) (
k j i
I
i
J
j
K
k ijk
ijk
ijk
E
Log G
, ,
, ) (
=

= = = 1 1 1
2
0
0 2
dimana :
ijk
O = observasi
ijk
E = ekspektasi
2
dan G
2
mendekati distribusi
2
dengan derajat bebas sama dengan
jumlah sel dikurangi dengan jumlah parameternya.
6. Seleksi Model
Dari beberapa model yang mungkin diterima, dipilh salah satu
model log linear yang terbaik dengan metode Stepwise. Ada dua cara
untuk melakukan seleksi model dengan Stepwise, yaitu Forward dan
Backward. Eliminasi Backward pada dasarnya adalah menyeleksi model
berdasarkan prinsip hierarkhi, yaitu mulai dari model terlengkap
menuju model yang lebih sederhana.
Dengan menggunakan paket program SPSS akan diperoleh hasil
perhitungan analisis log linear sampai diperoleh model terbaik.
Adapun macam seleksi model terdiri dari :
a. Test K-Way
1. Test that K-way and Higher Order effect are Zero
Test ini didasarkan pada hipotesis efek order ke-k atau lebih sama
dengan nol mulai dari order yang paling tinggi. Untuk tabel tiga
dimensi hipotesanya adalah sebagai berikut:
k = 3
0
H : interaksi order ke-3 = 0
0
1
H H :
k = 2
0
H : efek order ke-2 dan yang lebih tinggi = 0
0
1
H H :
k = 1
0
H : efek order ke-1 dan yanglebih tinggi = 0
0
1
H H :
2. Test that K-way are zero
Test ini didasarkan pada hiptesis efek order ke-k sama dengan nol
atau dengan kata lain, untuk menegaskan test tipe 1, bila ada
yang nol, maka bias diketahui order ke berapa yang nol.
Hipotesanya sebagi berikut :
k = 1
0
H : efek order ke-1 = 0
0
1
H H :
k = 2
0
0
1
H H :
k = 3
0
0
1
H H :
Tingkat signifikansi yang kecil menunjukkan bahwa hipotesa nol (H
0
)
ditolak atau jika probabilitasnya <, maka hipotesanya ditolak.
b. Test of partial Assosiation
Pada tabel tiga dimensi yang terdiri dari 3 variabel, test ini
bertujuan untuk menguji hubungan keteregantungan antara 2
variabel dalam setiap variabel yang lain.
Hipotesanya adalah sebagai berikut :
1.
0
H : X
1
dan X
2
independen dalam setiap level X
3
0
1
H H :
2.
0
H : X
1
dan X
3
2
0
1
H H :
3.
0
H : X
2
dan X
3
1
0
1
H H :
Hipotesa nol ditolak jika nilai probabilitasnya < .
Secara umum, hubungan antara ketiga variabel secara bersama-
sama dapat dilihat dari estimasi parameter model terlengkap, yang dapat
menunjukkan kelas-kelas atau sel yang cenderung menimbulkan
dependensi dalam model. Sel-sel dengan nilai Z diluar range -1.96 dan
1.96 atau 95% konfidensi interval (lower 95% CI dan upper 95% CI)
tidak memuat nol, maka sel inilah yang menyebabkan dependensi.
c. Seleksi model dengan eliminasi backward
1. Anggap model terlengkap yaitu [123] sebagai model terbaik, dalam
hal ini disebut sebagai model (0).
2. Keluarkan interaksi 3 faktor dari model, sehingga model menjadi
model (1), yaitu [12] [13] [23].
3. Dengan uji bersyarat (uji parsial) apakah model (1) merupakan
model terbaik dengan hipotesa sebagai berikut :
H
0
: model (1) sebagai model terbaik
H
1
: model (0) sebagai model terbaik
G
2
1
- G
2
0
=G
2
0 1 ) (
df
1
- df
0
= df
) ( 0 1
4. Bandingkan G
2
0 1 ) (
dengan
2
df
) ( 0 1
, dengan kriteria penolakan
G
2
>
2
.
5. Jika H
0
ditolak maka model (0) adalah model terbaik. Jika H
1
diterima, bandingkan model (1) tersebut dengan model (0), apabila
salah satu interaksi dua faktor dikeluarkan model.
6. Untuk menentukan interaksi mana yang dikeluarkan terlebih
dahulu, dipilih G
2
terkecil.
7. Seandainya salah satu interaksi dua faktor dikeluarkan, ulangi
langkah no.3 hingga no.6 sampai tidak ada lagi faktor yang harus
dikeluarkan dari model.
7. Conditional Test Statistic
Conditional Test Statistic merupakan cara untuk membandingkan
dua buah nilai ekspektasi yang berbeda dari model log linear, yaitu
model 1 dan model 2 dengan syarat model 2 merupakan bagian (subset)
dari model 1 Likelihood Ratio Statistiknya adalah:

= = 2
1
1 1
0 2
ected exp
ected exp
log ) (
I
i
J
j
ij
Likelihood ratio test ini dapat digunakan untuk menguji mana
diantara 2 buah model tersebut ysng merupaksn model terbaik.
Likehood test di atas dapat pula dinyatakan dengan selisih antara G
2
dari model 2 dengan G
2
dari model 1 dimana sebagai perbandingan
adalah distribusi
2
deengan derajat bebas model 2 dan nilai dan model
1, dengan kriteria penolakan adalah:

>
), ( ) ( 1 2
2 2
1 2
G
8. Daftar Pustaka
Bishop, Y.M.M., S.E. Feinberg, and P.W. Holland. 1975. Discrete
Multivariate Analysis: Theory and Practice. Cambridge, Mass.: MIT
Press.
Haberman, S.J., 1978. Analysis of Qualitative Data. London: Academic
Press.
Kraemer, H.C. 1982. Kappa Coefficient. In: Encyclopedia of Statistical
Sciences, S. Katz and N.L. Johnson, eds. New York: John Wiley and
Sons.
Upton, G.J.G., The Analysis of Cross Tabulated Data, New York: John
Wiley and Sons.
Studi Kasus:
Timbulnya masalah-masalah yang dihadapi oleh pekerja, baik mengenai
upah, jam kerja, jaminan yang diberikan oleh perusahaan, tingkat
kesejahteraan dan yang lain yang berkaitan dengan Taraf Hidup Pekerja
memberikan gagasan unutk mengkaji faktor-faktor apa yang mempunyai
hubungan dengan tingkat hidup pekerja.
Adapun faktor-faktor yang diduga ada kaitannya dengan Taraf Hidup
Pekerja adalah:
Y = Taraf Hidup Pekerja
1 = Kurang Baik
2 = Sama Baik (Biasa)
3 = Lebih Baik
X1 = Jenis Perusahaan
1 = Makanan, Minuman, Tembakau
2 = Tekstil Pakaian Jadi, Kulit
3 = Kayu, Percetakan, Penerbitan, Kertas, Perabot Rumahtangga
4 = Kimia, Minyak Bumi, Batubara, Karet, Plastik
5 = Logam dasar, Mesin dan peralatannya, Pengolah lainnya
X2 = Jenis Kelamin
1 = Laki-laki
2 = Perempuan
X3 = Status Pernikahan
1 = Belum Nikah
2 = Nikah
X4 = Pendidikan
1 = <= SD
2 = SLTP
3 = SLTA
4 = > SLTA
X5 = Lama Bekerja
1 = < 3 bln
2 = 4 12 bln
3 = 13 60 bln
4 = > 60 bln
X6 = Upah/Gaji perbulan
1 = < Rp 500.000
2 = Rp 500.000 Rp 1.000.000
3 = > Rp 1.000.000
Tujuan:
Mengetahui hubungan antara X1, X2 dengan X6
Mengetahui hubungan antara X1, X2, X4 dengan X6
Analisis faktor faktor X1, X2 dengan X6 dengan Log Linier
Analisis Log-Linier melalui pengolahan SPSS diperoleh hasil sebagai
berikut:
* * * * * * * * H I E R A R C H I C A L L O G L I N E A R * * * * * * * *
DATA Information
1620 unweighted cases accepted.
0 cases rejected because of out-of-range factor values.
0 cases rejected because of missing data.
1620 weighted cases will be used in the analysis.
FACTOR Information
Factor Level Label
y 3 Tingkat Hidup Pekerja
x1 5 Jenis Perusahaan
x6 3 Upah/Gaji
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
DESIGN 1 has generating class
y*x1*x6
Note: For saturated models .500 has been added to all observed cells.
This value may be changed by using the CRITERIA = DELTA subcommand.
The Iterative Proportional Fit algorithm converged at iteration 1.
The maximum difference between observed and fitted marginal totals is .000
and the convergence criterion is .250
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Observed, Expected Frequencies and Residuals.
Factor Code OBS count EXP count Residual Std Resid
y Kurang b
x1 Makanan,
x6 Kurang d 33.5 33.5 .00 .00
x6 Rp 50000 26.5 26.5 .00 .00
x6 Lebih da 27.5 27.5 .00 .00
x1 Tekstil,
x6 Kurang d 48.5 48.5 .00 .00
x6 Rp 50000 30.5 30.5 .00 .00
x6 Lebih da 37.5 37.5 .00 .00
x1 Kayu, Pe
x6 Kurang d 36.5 36.5 .00 .00
x6 Rp 50000 43.5 43.5 .00 .00
x6 Lebih da 32.5 32.5 .00 .00
x1 Kimia, M
x6 Kurang d 32.5 32.5 .00 .00
x6 Rp 50000 47.5 47.5 .00 .00
x6 Lebih da 29.5 29.5 .00 .00
x1 Logam Da
x6 Kurang d 27.5 27.5 .00 .00
x6 Rp 50000 52.5 52.5 .00 .00
x6 Lebih da 43.5 43.5 .00 .00
y Sama bai
x1 Makanan,
x6 Kurang d 28.5 28.5 .00 .00
x6 Rp 50000 34.5 34.5 .00 .00
x6 Lebih da 42.5 42.5 .00 .00
x1 Tekstil,
x6 Kurang d 44.5 44.5 .00 .00
x6 Rp 50000 29.5 29.5 .00 .00
x6 Lebih da 42.5 42.5 .00 .00
x1 Kayu, Pe
x6 Kurang d 50.5 50.5 .00 .00
x6 Rp 50000 40.5 40.5 .00 .00
x6 Lebih da 32.5 32.5 .00 .00
x1 Kimia, M
x6 Kurang d 38.5 38.5 .00 .00
x6 Rp 50000 26.5 26.5 .00 .00
x6 Lebih da 33.5 33.5 .00 .00
x1 Logam Da
x6 Kurang d 39.5 39.5 .00 .00
x6 Rp 50000 29.5 29.5 .00 .00
x6 Lebih da 24.5 24.5 .00 .00
y Lebih ba
x1 Makanan,
x6 Kurang d 41.5 41.5 .00 .00
x6 Rp 50000 36.5 36.5 .00 .00
x6 Lebih da 48.5 48.5 .00 .00
x1 Tekstil,
x6 Kurang d 29.5 29.5 .00 .00
x6 Rp 50000 39.5 39.5 .00 .00
x6 Lebih da 31.5 31.5 .00 .00
x1 Kayu, Pe
x6 Kurang d 28.5 28.5 .00 .00
x6 Rp 50000 46.5 46.5 .00 .00
x6 Lebih da 43.5 43.5 .00 .00
x1 Kimia, M
x6 Kurang d 31.5 31.5 .00 .00
x6 Rp 50000 36.5 36.5 .00 .00
x6 Lebih da 44.5 44.5 .00 .00
x1 Logam Da
x6 Kurang d 24.5 24.5 .00 .00
x6 Rp 50000 37.5 37.5 .00 .00
x6 Lebih da 35.5 35.5 .00 .00
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Goodness-of-fit test statistics
Likelihood ratio chi square = .00000 DF = 0 P = .
Pearson chi square = .00000 DF = 0 P = .
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
OUTPUT 1
Tests that K-way and higher order effects are zero.
K DF L.R. Chisq Prob Pearson Chisq Prob Iteration
3 16 25.759 .0575 25.592 .0600 3
2 36 65.209 .0020 66.041 .0017 2
1 44 69.155 .0091 69.556 .0083 0
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Interpretasi
Merupakan uji asosiasi dan interaksi antara variabel yang dilibatkan.
Output ini digunakan untuk pengujian Interaksi Pada Derajat K atau
lebih sama dengan nol, dengan hipotesis:
0
H : interaksi order ke-K atau lebih = 0
0
1
H H :
k = 3
0
H : U123 = 0
0
1
H H :
Nilai Prob. = 0,06 dan dengan tingkat signifikansi = 0,05
ternyata 0,06 > 0,05 maka Terima Ho yang berarti tidak terdapat
interaksi tiga faktor dalam model.
k = 2
0
H : U12 = U13 = U23 = U123 = 0
0
1
H H :
ternyata 0,0017 < 0,05 maka Tolak Ho yang berarti terdapat
interaksi dua faktor atau lebih dalam model.
k = 1
0
H : U1 = U2 = U3 = U12 = U13 = U23 = U123 = 0
0
1
H H :
interaksi satu faktor atau lebih dalam model.
OUTPUT 2
Tests that K-way effects are zero.
K DF L.R. Chisq Prob Pearson Chisq Prob Iteration
1 8 3.947 .8619 3.514 .8981 0
2 20 39.450 .0059 40.449 .0044 0
3 16 25.759 .0575 25.592 .0600 0
Interpretasi
Merupakan uji asosiasi dan interaksi antara variabel yang dilibatkan.
Output ini digunakan untuk pengujian Interaksi Pada Derajat K sama
dengan nol, dengan hipotesis:
0
H : interaksi order ke-K = 0
0
1
H H :
k = 1
0
H : U1 = U2 = U3 = 0
0
1
H H :
ternyata 0,8981 > 0,05 maka Terima Ho yang berarti tidak
terdapat interaksi satu faktor dalam model.
k = 2
0
H : U12 = U13 = U23 = 0
0
1
H H :
interaksi dua faktor dalam model.
k = 3
0
H : U123 = 0
0
1
H H :
ternyata 0,060 > 0,05 maka Terima Ho yang berarti tidak terdapat
interaksi tiga dalam model.
OUTPUT 3
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Tests of PARTIAL associations.
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Effect Name DF Partial Chisq Prob Iter
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
y*x1 8 14.432 .0712 2
y*x6 4 13.911 .0076 2
x1*x6 8 9.749 .2831 2
y 2 .312 .8557 2
x1 4 3.175 .5290 2
x6 2 .460 .7945 2
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Interpretasi
Untuk menentukan model yang lebih spesifik dan semua kemungkinan
interaksi ditampilkan. Dalam menentukan factor yang ada hubungan
dengan factor lain dilihat nilai asosiasi atau Prob. < dikatakan terdapat
hubungan. Ternyata model hanya melibatkan dua interaksi yaitu factor
1(y) dan factor 6(x6). Hal ini dapat dilihat dari nilai Prob. = 0,0076 yang
lebih Kecil dari = 0,05.
OUTPUT 4
Note: For saturated models .500 has been added to all observed cells.
This value may be changed by using the CRITERIA = DELTA subcommand.
Estimates for Parameters.
y*x1*x6
Parameter Coeff. Std. Err. Z-Value Lower 95 CI Upper 95 CI
1 .1604524907 .10391 1.54411 -.04322 .36412
2 -.0758209538 .10658 -.71141 -.28471 .13307
3 .1449945908 .09638 1.50436 -.04392 .33391
4 -.1836155969 .10177 -1.80424 -.38308 .01585
5 .0105172402 .09886 .10639 -.18324 .20428
6 -.0212575465 .09545 -.22272 -.20833 .16582
7 -.0691857597 .10208 -.67773 -.26927 .13090
8 .2000886354 .09821 2.03740 .00760 .39258
9 -.3206456963 .10354 -3.09670 -.52359 -.11770
10 .1904301243 .10265 1.85519 -.01076 .39162
11 -.0832904544 .09668 -.86150 -.27279 .10620
12 -.0372691312 .10272 -.36282 -.23860 .16406
13 .1104845468 .09525 1.15990 -.07621 .29718
14 .0044830429 .09600 .04670 -.18369 .19265
15 .0556098773 .10106 .55025 -.14247 .25369
16 -.1062255352 .10514 -1.01028 -.31231 .09986
y*x1
1 -.1825361174 .07439 -2.45376 -.32834 -.03673
2 .0448400426 .07006 .63999 -.09249 .18217
3 -.0408496220 .06944 -.58824 -.17696 .09526
4 .0185491425 .07147 .25953 -.12154 .15864
5 .0152251311 .07198 .21152 -.12586 .15631
6 .0653548921 .07011 .93216 -.07206 .20277
7 .0621485602 .06857 .90634 -.07225 .19655
8 -.0585239295 .07275 -.80442 -.20112 .08407
y*x6
1 .0041769214 .05066 .08246 -.09511 .10346
2 .0632918720 .04989 1.26875 -.03448 .16107
3 .1444699866 .05004 2.88715 .04639 .24255
4 -.1183083852 .05112 -2.31455 -.21849 -.01812
x1*x6
1 .0030941080 .07223 .04284 -.13848 .14467
2 -.0956986821 .07282 -1.31411 -.23843 .04704
3 .1149852877 .06968 1.65019 -.02159 .25156
4 -.1209071678 .07185 -1.68285 -.26173 .01991
5 -.0106828568 .06973 -.15320 -.14736 .12599
6 .0958750785 .06741 1.42224 -.03625 .22800
7 -.0054009535 .07200 -.07501 -.14653 .13573
8 .0041487443 .07146 .05806 -.13591 .14421
y
1 .0004044929 .03565 .01135 -.06947 .07028
2 -.0181929853 .03580 -.50825 -.08835 .05197
x1
1 -.0266345608 .05087 -.52356 -.12634 .07307
2 .0195743586 .04994 .39199 -.07830 .11745
3 .0811579810 .04882 1.66253 -.01452 .17684
4 -.0198918583 .05067 -.39258 -.11920 .07942
x6
1 -.0238034735 .03586 -.66386 -.09408 .04647
2 .0177471047 .03548 .50022 -.05179 .08728
Interpretasi
Menunjukkan koefisien dari model pada tiga interaksi, dua interaksi dan
efek utama.
OUTPUT 5
Backward Elimination (p = .050) for DESIGN 1 with generating class
y*x1*x6
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
If Deleted Simple Effect is DF L.R. Chisq Change Prob Iter
y*x1*x6 16 25.759 .0575 3
Step 1
The best model has generating class
y*x1
y*x6
x1*x6
Likelihood ratio chi square = 25.75885 DF = 16 P = .058
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
y*x1 8 14.432 .0712 2
y*x6 4 13.911 .0076 2
x1*x6 8 9.749 .2831 2
Step 2
y*x1
y*x6
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
y*x1 8 15.111 .0570 2
y*x6 4 14.590 .0056 2
Step 3
y*x6
x1
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
y*x6 4 14.590 .0056 2
x1 4 3.175 .5290 2
Step 4
y*x6
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
y*x6 4 14.590 .0056 2
Step 5
y*x6
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
The final model has generating class
y*x6
Interpretasi
Penentuan model dengan metode backward:
Step 1
Model Lengkap : Model yang melibatkan efek utama, dua interaksi
dan 3 interaksi.
Nilai P = . > 0,05 maka Terima Ho, yang berarti 3 interaksi
dikeluarkan dari model.
Sehingga model umumnya menjadi model yang terdiri dari efek
utama dan 2 interaksi.
Selanjutnya diperoleh model terpilih:
y*x1
y*x6
x1*x6
Step 2
y*x1 8 14.432 .0712 2
y*x6 4 13.911 .0076 2
x1*x6 8 9.749 .2831 2
Karena Prob. x1*x6 sebesar 0,2831 > 0,05 maka dikeluarkan dari
model. Selanjutnya diperoleh model terpilih:
y*x1
y*x6
Step 3
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
y*x1 8 15.111 .0570 2
y*x6 4 14.590 .0056 2
Karena Prob. y*x1 sebesar 0,057 > 0,05 maka dikeluarkan dari
model. Selanjutnya diperoleh model terpilih:
y*x6
x1
Step 4
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
y*x6 4 14.590 .0056 2
x1 4 3.175 .5290 2
Karena Prob. x1 sebesar 0,5290 > 0,05 maka dikeluarkan dari model.
Selanjutnya diperoleh model terpilih:
y*x6
Step 5
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
y*x6 4 14.590 .0056 2
Karena Prob. y*x6 sebesar 0,0056 < 0,05 maka model terbaiknya
adalah y*x6
OUTPUT 6
The Iterative Proportional Fit algorithm converged at iteration 0.
The maximum difference between observed and fitted marginal totals is .000
and the convergence criterion is .250
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Observed, Expected Frequencies and Residuals.
Factor Code OBS count EXP count Residual Std Resid
y Kurang b
x1 Makanan,
x6 Kurang d 33.0 35.2 -2.20 -.37
x6 Rp 50000 26.0 39.6 -13.60 -2.16
x6 Lebih da 27.0 33.6 -6.60 -1.14
x1 Tekstil,
x6 Kurang d 48.0 35.2 12.80 2.16
x6 Rp 50000 30.0 39.6 -9.60 -1.53
x6 Lebih da 37.0 33.6 3.40 .59
x1 Kayu, Pe
x6 Kurang d 36.0 35.2 .80 .13
x6 Rp 50000 43.0 39.6 3.40 .54
x6 Lebih da 32.0 33.6 -1.60 -.28
x1 Kimia, M
x6 Kurang d 32.0 35.2 -3.20 -.54
x6 Rp 50000 47.0 39.6 7.40 1.18
x6 Lebih da 29.0 33.6 -4.60 -.79
x1 Logam Da
x6 Kurang d 27.0 35.2 -8.20 -1.38
x6 Rp 50000 52.0 39.6 12.40 1.97
x6 Lebih da 43.0 33.6 9.40 1.62
y Sama bai
x1 Makanan,
x6 Kurang d 28.0 39.8 -11.80 -1.87
x6 Rp 50000 34.0 31.6 2.40 .43
x6 Lebih da 42.0 34.6 7.40 1.26
x1 Tekstil,
x6 Kurang d 44.0 39.8 4.20 .67
x6 Rp 50000 29.0 31.6 -2.60 -.46
x6 Lebih da 42.0 34.6 7.40 1.26
x1 Kayu, Pe
x6 Kurang d 50.0 39.8 10.20 1.62
x6 Rp 50000 40.0 31.6 8.40 1.49
x6 Lebih da 32.0 34.6 -2.60 -.44
x1 Kimia, M
x6 Kurang d 38.0 39.8 -1.80 -.29
x6 Rp 50000 26.0 31.6 -5.60 -1.00
x6 Lebih da 33.0 34.6 -1.60 -.27
x1 Logam Da
x6 Kurang d 39.0 39.8 -.80 -.13
x6 Rp 50000 29.0 31.6 -2.60 -.46
x6 Lebih da 24.0 34.6 -10.60 -1.80
y Lebih ba
x1 Makanan,
x6 Kurang d 41.0 30.6 10.40 1.88
x6 Rp 50000 36.0 38.8 -2.80 -.45
x6 Lebih da 48.0 40.2 7.80 1.23
x1 Tekstil,
x6 Kurang d 29.0 30.6 -1.60 -.29
x6 Rp 50000 39.0 38.8 .20 .03
x6 Lebih da 31.0 40.2 -9.20 -1.45
x1 Kayu, Pe
x6 Kurang d 28.0 30.6 -2.60 -.47
x6 Rp 50000 46.0 38.8 7.20 1.16
x6 Lebih da 43.0 40.2 2.80 .44
x1 Kimia, M
x6 Kurang d 31.0 30.6 .40 .07
x6 Rp 50000 36.0 38.8 -2.80 -.45
x6 Lebih da 44.0 40.2 3.80 .60
x1 Logam Da
x6 Kurang d 24.0 30.6 -6.60 -1.19
x6 Rp 50000 37.0 38.8 -1.80 -.29
x6 Lebih da 35.0 40.2 -5.20 -.82
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Goodness-of-fit test statistics
Pearson chi square = 53.65239 DF = 36 P = .029
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Interpretasi
Menunjukkan nilai Observed, Expected Frequencies and Residuals.
X6
1 2 3
y
1
X1
1
33
35.2
-0.37
26
39.6
-2.16
27
33.6
-1.14
2
48
35.2
2.16
30
39.6
-1.53
37
33.6
0.59
3
36
35.2
0.13
43
39.6
0.54
32
33.6
-0.28
4
32
35.2
-0.54
47
39.6
1.18
29
33.6
-0.79
5
27
35.2
-1.38
52
39.6
1.97
43
33.6
1.62
2
1
28
39.8
-1.87
34
31.6
0.43
42
34.6
1.26
2
44
39.8
0.67
29
31.6
-0.46
42
34.6
1.26
3
50
39.
1.62
40
31.6
1.49
32
34.6
-0.44
4
38
39.
-0.29
26
31.6
-1.00
33
34.6
-0.27
5
39
39.8
-0.13
29
31.6
-0.46
24
34.6
-1.80
3
1
41
30.6
1.89
36
38.
-0.45
48
40.2
1.23
2
29
30.6
-0.29
39
38.8
0.03
31
40.2
-1.45
3
28
30.6
-0.47
46
38.8
1.16
43
40.2
0.44
4
31
30.6
0.07
36
38.8
-0.45
44
40.2
0.60
5
24
30.6
-1.19
37
38.8
-0.29
35
40.2
-0.82
PRAKTIKUM
ANALISIS MODEL LOG LINIER
Menggunakan SPSS
Berikut adalah tahapan yang dilalui dalam analisis tersebut dengan
menggunakan SPSS.
Gambar 1: Memulai SPSS for Windows
Pada menu utama SPSS Pilih File selanjutnya Klik Open Pilih Data...
Klik seperti tampak pada Gambar berikut:
Gambar 2: Kotak Dialog Penyiapan Data
Selanjutnya Isikan Kotak Dialog File name: THP Industri Pengolahan
Klik Open seperti Gambar berikut.
Gambar 3: Kotak Dialog Open File
Selanjutnya akan tampak seperti Gambar berikut.
Gambar 4: Kotak Dialog Data View
Jika kita Klik Variable View akan tampak seperti Gambar berikut.
Gambar 5: Kotak Dialog Variable View
Langkah-lagkah untuk melakukan analisis log linier menggunakan SPSS
adalah sebagai berikut:
Pada menu utama SPSS pilih Analyze pilih Loglinear Pilih Model
Selection seperti Gambar berikut.
Gambar 6: Analisis Loglinear melalui SPSS
Klik, akan muncul kotak dialog Model Selection Loglinear Analysis,
Selanjutnya pindahkan Tingkat Hidup Pekerja (y) ke kotak Dialog
Factor(s) dan Klik Define Range, Selanjuntnya Isikan 1 pada Kotak
Dialog Minimum dan 3 pada Kotak Dialog Maximum Klik Continue
untuk kembali Gambar 7.
Gambar 7: Kotak Dialog Model Selection Loglinear Analysis
Selanjutnya pindahkan Jenis Perusahaan (x1) ke kotak Dialog Factor(s)
dan Klik Define Range, Selanjuntnya Isikan 1 pada Kotak Dialog
Minimum dan 5 pada Kotak Dialog Maximum Klik Continue untuk
kembali Gambar 7. Selanjutnya Upah/Gaji perbulan (x6) ke kotak
Dialog Factor(s) dan Klik Define Range, Isikan 1 pada Kotak Dialog
Minimum dan 3 pada Kotak Dialog Maximum Klik Continue untuk
kembali Gambar 7. seperti Gambar berikut.
Selanjutnya Klik Model... untuk memilih jenis analisis, sesaat akan
muncul kotak dialog Loglinear Analysis: Model dan Tandai Saturated
seperti Gambar 8 berikut dan Klik Continue untuk kembali ke menu
utama Gambar 7.
Gambar 8: Kotak Dialog Loglinear Analysis: Model
Selanjutnya Klik Options... untuk memilih jenis analisis, sesaat akan
muncul kotak dialog Loglinear Analysis: Options dan Tandai seperti
Gambar 9 berikut dan Klik Continue untuk kembali ke menu utama
Gambar 7.
Gambar 9: Kotak Dialog Loglinear Analysis: Options
Selanjutnya Klik OK, dan hasil analisis bisa dilihat pada Output Editor.
Seperti Gambar berikut.
Gambar 10: Kotak Dialog Output1 - SPSS Viewer
Data Latihan Log-Linier
# Responden Yang Menyatakan bahwa korupsi ada hubungannya
dengan tingkat pendidikan dan penghasilan suami
KORUPSI
Setuju
Tidak
Setuju
Ada
dukungan
Istri
PENDIDIKAN
S2/S3 PENGHASILAN
Kurang dari Rp 5 jt 33 28 41
Rp 5 jt - Rp 10 jt 26 34 36
Lebih dari Rp 10 jt 27 42 48
S1 PENGHASILAN
Rp 5 jt - Rp 10 jt 30 29 39
DIPLOMA PENGHASILAN
Rp 5 jt - Rp 10 jt 43 40 46
SLTA PENGHASILAN
Rp 5 jt - Rp 10 jt 47 26 36

Otok3 - Model Log Linier 2014

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Otok3 - Model Log Linier 2014

Diunggah oleh

Hak Cipta:

Format Tersedia

Otok_bw@yahoo.

Artinya bahwa variabel 1, variabel 2 dan variabel 3 ada di dalam model,

Anda mungkin juga menyukai