Materi ini dapat Anda download secara gratis di www.konsultanstatistik.blogspot.

com Regresi Logistik

Regresi logistik (logistic regression) sebenarnya sama dengan analisis regresi berganda, hanya variabel terikatnya merupakan dummy variabel (0 dan 1). Sebagai contoh, pengaruh beberapa rasio keuangan terhadap keterlambatan penyampaian laporan keuangan. Maka variabel terikatnya adalah 0 jika terlambat dan 1 jika tidak terlambat (tepat). Regresi logistik tidak memerlukan asumsi normalitas dan asumsi klasik yang lain, meskipun screening data outliers tetap dapat dilakukan. Interpretasi regresi logistik menggunakan odd ratio atau kemungkinan. Sebagai contoh, jika rasio keuangan ROA meningkat sebesar 1% maka kemungkinan ketepatan menyampaikan laporan keuangan meningkat sebesar 1,05 kali. Berarti semakin tinggi ROA kemungkinan tepat semakin tinggi. Atau jika rasio keuangan DER meningkat sebesar 2% maka kemungkinan ketepatan penyampaian laporan keuangan meningkat sebesar 0,98 kali atau bisa dikatakan menurun karena lebih kecil dari 1 yang berarti kemungkinan terlambat semakin tinggi. Berikut adalah simulasi aplikasi regresi logistik (logistic regression) dengan SPSS Versi. 11.5. Contoh tabulasi data dengan 84 sampel adalah sebagai berikut

Jika ada masukan silahkan ke kunjungi www.konsultanstatistik.blogspot.com

Materi ini dapat Anda download secara gratis di www.konsultanstatistik.blogspot.com Simulasi adalah untuk melihat pengaruh antara variabel profitabilitas, kompleksitas perusahaan, opini auditor, likuiditas dan ukuran perusahaan terhadap ketepatan penyampaian laporan keuangan tahunan perusahaan. Profitabilitas diukur dengan ROA; kompleksitas diukur dengan 1 jika mempunyai anak perusahaan dan 0 jika perusahaan tidak mempunyai anak perusahaan; opini auditor diukur dengan 1 jika mendapatkan opini wajar tanpa pengecualian dan 0 untuk opini yang lain; likuiditas diukur dengan Current Ratio; dan kompleksitas diukur dengan logaritma natural market value. Nah variabel terikatnya adalah ketepatan penyampaian laporan keuangan dengan kode 1 untuk perusahaan yang tepat waktu dan 0 untuk perusahaan yang terlambat. Klik menu Analyze, pilih Binary Logistic, seperti ini:

Jika ada masukan silahkan ke kunjungi www.konsultanstatistik.blogspot.com

Materi ini dapat Anda download secara gratis di www.konsultanstatistik.blogspot.com Jika anda benar, maka akan keluar menu box untuk regresi logistik. Masukkan variabel ketepatan ke dalam box dependend, dan masukkan variabel bebas ke dalam box covariate. Lalu klik pada options, sehingga akan keluar box seperti ini:

Beri tanda centang seperti pada gambar di atas lalu klik continue sehingga akan dikembalikan pada menu box logistik dan tekan OK. Program akan melakukan perhitungan secara otomatis, dan interpretasinya adalah dengan melihat kelayakan model dengan menginterpretasikan output berikut ini:

Jika ada masukan silahkan ke kunjungi www.konsultanstatistik.blogspot.com

Materi ini dapat Anda download secara gratis di www.konsultanstatistik.blogspot.com

Nilai -2 Log Likelihood adalah sebesar 96,607 yang akan dibandingkan dengan nilai Chi Square pada taraf signifikansi 0,05 dengan df sebesar N-1 dengan N adalah jumlah sampel, berarti 84 1 = 83. Dari tabel Chi Square, anda nyari tabel sendiri ya, diperoleh nilainya adalah 100,744. Jadi -2 Log Likelihood < Chi Square Tabel (96,607 < 100,744) yang berarti bahwa model dengan konstanta saja tidak layak. Yup??? Tapi jangan khawatir, ini belum selesai. Ada -2 Log Likelihood yang kedua, yaitu dengan memasukkan semua variabel bebasnya yang tampak pada output kedua pada gambar di atas yaitu sebesar 84,877. Sekarang df menjadi N 6 = 84 6 = 78 dengan 6 adalah jumlah seluruh variabel penelitian. Nilai Chi Square dengan df 78 pada signifikansi 0,05 adalah sebesar 100,744. Eh ternyata -2 Log Likelihood < Chi Square (84,877 < 100,744) yang berarti model masih belum layak. Nah, sekarang gunakan logika ini. Jika konstanta saja dimasukkan tidak layak, semua variabel bebas dimasukkan juga tidak layak, tapi kan ada penurunan -2 Log Likelihood. Yup penurunannya adalah sebesar 96,607 84,877 = 11,73. Atau kalau males ngitung manual, Output SPSS juga telah memberikan nilai itu yaitu sebagai berikut:

Jika ada masukan silahkan ke kunjungi www.konsultanstatistik.blogspot.com

Materi ini dapat Anda download secara gratis di www.konsultanstatistik.blogspot.com

Nah kelihatan kan kalau output selisihnya adalah sebesar 11,729 dan mempunyai signifikansi 0,039 < 0,05 yang signifikan. Berarti penambahan variabel bebas mampu memperbaiki model sehingga dapat dinyatakan sebagai fit, atau dengan kata lain model boleh digunakan. He he. Kalau masih kurang puas, bisa dilihat nilai Hosmer and Lemeshow Test. Tapi tunggul dulu, ini agak berbeda. Hosmer dan Lemeshow Test berbeda dengan uji kelayakan di atas. Ini adalah untuk melihat apakah data empiris cocok atau tidak dengan model atau dengan kata lain diharapkan tidak ada perbedaan antara data empiris dengan model. Nah kalau begitu model akan dinyatakan layak jika signifikansi di atas 0,05 atau -2 Log Likelihood di bawah Chi Square Tabel. Hati-hati, ini berkebalikan dengan uji yang lain sebelumnya. Jangan bingung lho.. nah tampak kan bahwa nilai Hosmer and Lemeshow Test adalah sebesar 9,778 dengan signifikansi 0,281 > 0,05. Berarti fit kan??? Kesimpulannya adalah bahwa model dinyatakan layak dan boleh diinterpretasikan!!! Gambar di atas memberikan nilai Nagelkerke R Square sebesar 0,191 yang berarti bahwa kelima variabel bebas mampu menjelaskan varians ketepatan penyampaian laporan keuangan sebesar 19,1% dan sisanya yaitu sebesar 80,9% dijelaskan oleh faktor lain. Jika ada masukan silahkan ke kunjungi www.konsultanstatistik.blogspot.com

Materi ini dapat Anda download secara gratis di www.konsultanstatistik.blogspot.com Pengujian hipotesis penelitian dilihat dengan output berikut ini:

Lihat aja signifikansinya, yang di bawah 0,10 (10%) berarti signifikan berpengaruh atau hipotesis diterima. Pembahasannya, ya silahkan dikaitkan dengan teori yang dikembangkan di awal. Misalnya kompleksitas mempunyai signifikansi 0,029 (< 0,1) yang berarti signifikan dan berpengaruh negatif karena koefisien (b) juga bernilai negatif (-1,316). Demikian juga opini audit yang dapat diinterpretasikan bahwa jika perusahaan mendapatkan opini 1 (wajar tanpa pengecualian) cenderung lebih tepat dalam penyampaian laporan keuangan 3,603 kali dari pada perusahaan yang mendapatkan opini selain wajar tanpa pengecualian (diberi kode 0). Jika Anda merasa artikel ini bermanfaat dan ingin berkontribusi terhadap kelangsungan blog Konsultan Statistik, silahkan transfer ke rekening: BCA KCU Gang Tengah Semarang No. 1822040807 an. Joni Kriswanto BTN Cabang Yogyakarta 00005-01-05-042083-7 an. Joni Kriswanto Melalui paypal dengan email account joni_krist@yahoo.co.id an. Joni Kriswanto Jika Anda memerlukan layanan olah data silahkan ke www.pascalsmart.blogspot.com Terima kasih Jika ada masukan silahkan ke kunjungi www.konsultanstatistik.blogspot.com