Oleh:
Agung Priyo Utomo
PENGGUNAAN
PENGGUNAAN
2.
1.
4.
3.
logit =
= 0 + 1 1 + 2 2 + +
1
= 0 +
= vektor parameter koefisien regresi 1, 2, , p
X = vektor variabel bebas X1, X2, , Xp
Review:
Y i = 0 + 1 Xi + i
X = skor GRE (Graduate Record Exam)
Y = 1 ; bila seseorang lulus ujian masuk PT
0 ; bila seseorang tidak lulus ujian masuk
PT (gagal)
Secara matematis, dengan mengasumsikan E(i) = 0,
E(Yi Xi) = 0 + 1Xi
Secara statistik, ekspektasi kondisional dari Yi jika
diberikan Xi
E(Yi Xi) = (Yi=1) P(Yi=1Xi) + (Yi=0) P(Yi=0Xi)
= P(Yi = 1 Xi)
Misal
i
: probabilita bahwa orang ke-i lulus ujian,
yaitu bila Yi = 1;
(1 i ) : probabilita bahwa orang ke-i tidak lulus
ujian, yaitu bila Yi = 0,
maka,
E(Yi X) = (Yi=0) P(Yi=0Xi) + (Yi=1) P(Yi=1Xi)
= P(Yi=1Xi)
= i
Akibatnya:
E(Yi Xi) = 0 + 1Xi = i
Karena 0 i 1, akibatnya: 0 0 + 1 Xi 1
CONTOH:
Akan dilihat pengaruh skor Graduate Record Exam
(GRE) terhadap kelulusan seseorang dalam ujian
masuk ke PT.
Model: Yi = 0 + 1 Xi + i
Yi = 1; Lulus ujian masuk PT
= 0; Tidak lulus ujian masuk PT
Xi = skor GRE
10
Status
Kelulusan
Skor GRE
No.
Status
Kelulusan
Skor GRE
Kelulusan
vs GRE
01
550
21
540
02
460
22
760
03
640
23
800
04
640
24
645
05
520
25
660
06
560
26
560
07
420
27
780
08
620
28
600
09
560
29
650
10
580
30
660
11
800
31
800
12
460
32
660
13
580
33
640
14
700
34
620
15
600
35
750
16
685
36
620
17
760
37
540
18
800
38
725
19
640
39
780
20
605
40
760
DATA:
No.
11
Interpretasi Model
Intercept = -1,587;
Bila skor GRE 0, maka probabilitas bahwa orang
tersebut lulus dalam ujian masuk PT adalah
negatif.
Bila skor GRE lebih kecil dari 529, probabilitas
orang tersebut lulus dalam ujian masuk PT masih
negatif.
12
Slope = 0,003,
artinya bila skor GRE naik 1 unit, probabilitas
seseorang untuk lulus dalam ujian masuk PT naik
0,3%.
13
MASALAH:
PERSYARATAN 0 E(YI XI) 1 SULIT UNTUK
DIPENUHI, BAGAIMANA MENGATASINYA?
Kita gunakan model yang menjamin bahwa E(Yi Xi)
terletak antara 0 dan 1.
Ada dua macam teknik yang dapat digunakan, yaitu :
(i). Logit Logistic Regression
(ii). Probit Probit Regression
14
1 +
0 +1
Zi = 0 + 1Xi
1
=
1 +
Pengamatan:
i terletak antara 0 dan 1, karena Zi terletak antara
- dan .
Bila Z , maka i 1
Bila Z -, maka i 0
i mempunyai hubungan non linier dengan Zi
= = 1| =
OLS
15
1
1 =
=
1+
1 +
1
1
+
= 0 +1
=
=
=
1
+
Odds
(risk)
sehingga
1
=
1 +
16
Odds
17
Bila odds ini kita log-kan, akan kita dapatkan log odds sebagai
berikut:
=
= 0 + 1
1
Persamaan diatas disebut dg MODEL LOGIT
Dalam bentuk probabilita, model logistik dapat dituliskan sbb:
exp(0 + )
1
=
=
1 + exp(0 + ) 1 + 0+
Catatan :
L linier dalam X, juga linier dalam 0 dan 1
Karena 0 1, L terletak antara - dan
L tidak linier dalam
1 = perubahan dalam L bila X berubah 1 unit
0 = log odds pada saat nilai X sama dengan nol.
18
19
0,999
0,001
0,900
0,111
0,800
0,250
0,700
0,429
0,600
0,667
0,500
1,000
0,400
1,500
0,300
2,333
0,200
4,000
0,100
9,000
0,001 999,000
0,001
0,100
0,200
0,300
0,400
0,500
0,600
0,700
0,800
0,900
0,999
Odds
= 15,705 + 0,025
1
21
Skor
GRE
550
460
640
640
520
620
540
725
780
760
Prob
0,131
0,015
0,590
0,590
0,066
0,466
0,105
0,924
0,980
0,967
1
2
3
4
5
36
37
38
39
40
Status
Kelulusan
0
0
0
0
1
1
0
1
1
1
exp(15,705 + 0,025 )
1 + exp(15,705 + 0,025 )
22
INTERPRETASI
= 0 + 1
1
23
INTERPRETASI
24
INTERPRETASI
= ln 1 = 0 = 0 + 1
1 0,5
= 0 1
25
26
likelihood (Model B)
G 2 ln
likelihood
(Model
A)
PENGUJIAN SIGNIFIKANSI
MODEL & PARAMETER
G berdistribusi Khi Kuadrat dengan derajat bebas
p atau G ~ p2.
2
28
Agung Priyo Utomo - agung@stis.ac.id
s.e. ( j )
29
INTERPRETASI MODEL /
PARAMETER
INTERPRETASI MODEL /
PARAMETER
p( X A )
1 p( X A )
;
p( X B )
1 p( X B )
XA : karakteristik individu A
XB : karakteristik individu B
31
Agung Priyo Utomo - agung@stis.ac.id
ADJUSTED/PREDICTED
PROBABILITY
Adjusted/Predicted
probabilitas merupakan
probabilitas terjadinya suatu peristiwa y = 1 dengan
karakteristik yang telah diketahui.
Dituliskan dg:
exp . (z)
P( y 1|x)
1 exp (z)
dimana z = 0 + 1 x1 + . + p xp
32
Agung Priyo Utomo - agung@stis.ac.id
INTERPRETASI PARAMETER
Variabel bebas: kategorik
Membandingkan nilai odd dari salah satu nilai
pada variabel tersebut dengan nilai odd dari nilai
lainnya (Referensi).
Misalkan kedua kategori tersebut adalah 1 dan 0
dengan 0 yang digunakan sebagai kategori
referensi, maka interprestasi koefisien pada
variabel ini adalah rasio dari nilai odds untuk
kategori 1 terhadap nilai odds untuk kategori 0;
dituliskan sebagai:
p(x j 1)
1 - p(x j 1)
p( x j 0)
exp .( j )
1 p( x j 0)
33
Artinya
resiko terjadinya peristiwa y=1 pada kategori xj = 1
sebesar exp. ( j ) kali resiko terjadinya peristiwa y=1
pada kategori xj = 0.
34
Agung Priyo Utomo - agung@stis.ac.id
CONTOH
Siapa pilih ParPol ITU?
Analisis hubungan antara karakteristik pemilih
dengan pilihan parpol
Variabel yg diduga berpengaruh terhadap pilihan:
1. Pendidikan
Pendidikan dapat mencerminkan tingkat
pengetahuan dan kecocokannya dengan program
partai
2. Lapangan pekerjaan
Pekerjaan sebagai proksi tingkat strata ekonomi
pemilih
35
Agung Priyo Utomo - agung@stis.ac.id
37
40
Agung Priyo Utomo - agung@stis.ac.id
CONTOH 1
41
LOGISTIC REGRESSION
Model Summary
-2 Log
Cox & Snell
likelihood
R Square
29,484a
,466
St ep
1
N
Included in Analy sis
Missing Cases
Total
Unselected Cases
Total
40
0
40
0
40
Nagelkerke
R Square
,626
Percent
100,0
,0
100,0
,0
100,0
Chi-square
3,491
Sig.
,900
Classificati on Tablea
Predicted
Internal Value
0
1
St ep 1
Observ ed
Kemampuan
Pegawai
Tidak Mampu
Mampu
Kemampuan Pegawai
Tidak Mampu
Mampu
20
3
4
13
Ov erall Percentage
a. The cut v alue is , 500
Tingkat
Pendidikan
SLTA/sederajat
Perguruan Tinggi
Max. SLTP/ sederajat
Frequency
12
15
13
Paramet er coding
(1)
(2)
1,000
,000
,000
1,000
,000
,000
St ep
Block
Model
Chi-square
25,064
25,064
25,064
df
3
3
3
Sig.
,000
,000
,000
B
Staep
1
x2
x2(1)
x2(2)
x1
Constant
,092
3,275
,027
-16,651
S. E.
1,162
1,218
,011
6,193
Wald
8,559
,006
7,229
6,567
7,230
df
2
1
1
1
1
Sig.
,014
,937
,007
,010
,007
df
Percent age
Correct
87,0
76,5
82,5
Exp(B)
1,097
26,449
421,027
,000
Nama Pendidikan
A
B
C
D
SLTA
S-1
SD
SLTP
Skor
stabilitas
emosional
509
602
500
546
Peluang
?
43
CONTOH 2
JK KRT
Lapangan
Pekerjaan KRT
Laki-laki
Perempuan
Miskin
Tidak Miskin
Pertanian
52
82
Non Pertanian
15
23
102
53
85
33
Pertanian
Non Pertanian
44