Anda di halaman 1dari 37

REGRESI LOGISTIK BINER

Dian fitriana arthati


Dwi afrizal
Dwina wardhani nasution
Edi kurniawan
Fajri iramaya purwanti
Felasofa rahmatanti
Fitra aulia
Analisis regresi logistik biner merupakan suatu teknik untuk
menganalisis data yang peubah responnya memiliki dua
kategori dengan satu atau lebih peubah bebas yang berskala
kategorik atau kontinu.
Regresi logistik biner telah banyak digunakan secara luas
sebagai salah satu alat analisis pemodelan ketika variabel
responnya (Y) bersifat biner. Istilah biner merujuk pada
penggunaan dua buah bilangan 0 dan 1 untuk menggantikan
dua kategori pada variabel respon. Contoh variabel respon
yang dimaksud adalah kesuksesan (sukses gagal), kesetujuan
(setuju tidak setuju), keinginan membeli (ya tidak), terpilih
atau tidak terpilih, lulus atau tidak lulus, mendapat promosi
atau tidak, dan masih banyak lagi.

Pendahuluan
Asumsi Asumsi dalam regresi logistik:
1. Tidak mengasumsikan hubungan linier antar variabel
dependen dan independent.
2. Variabel dependen harus bersifat dikotomi (2 variabel).
3. Variabel independent tidak harus memiliki keragaman yang
sama antar kelompok variabel.
4. Kategori dalam variabel independent harus terpisah satu
sama lain atau bersifat eksklusif.
5. Sampel yang diperlukan dalam jumlah relatif besar, minimum
dibutuhkan hingga 50 sampel data untuk sebuah variabel
prediktor (bebas).

Pendugaan koefisien model regresi logistik tidak dapat
dilakukan dengan metode kuadrat terkecil (ordinary least
squares) seperti halnya regresi linear karena pelanggaran
asumsi kehomogenan ragam. Metode kemungkinan
maksimum (maximum likelihood) menjadi salah satu alternatif
yang dapat digunakan.
Regresi logistik membentuk persamaan atau fungsi
dengan pendekatan maximum likelihood, yang
memaksimalkan peluang pengklasifikasian objek yang diamati
menjadi kategori yang sesuai kemudian mengubahnya menjadi
koefisien regresi yang sederhana. Dua nilai yang biasa
digunakan sebagai variabel dependen yang diprediksi adalah 0
dan 1 (ex. 1=berhasil, 0=gagal).
Hosmer dan Lemeshow (2000) menjelaskan bahwa model
regresi logistik dibentuk dengan menyatakan nilai P(Y=1|x)
sebagai (x), yang dinotasikan sebagai berikut:





Odds Rasio

exp( )
( )
1 exp( )
x
x
x
o |
t
o |
+
=
+ +
Karena x , maka ( )mendekati 0 ketika <0, dan (x) mendekati 1
ketika >1
x t | t
|

Log odds rasio



Log odds sering pula disebut sebagai logit. Sehingga, Jika (x)
menyatakan peluang suatu individu ke-i memiliki nilai Y = 1,
maka model regresi logistik dengan k buah variabel bebas
dapat dituliskan sebagai



dengan
Pengujian terhadap parameter-parameter model dilakukan baik
secara simultan maupun secara parsial. Menurut Hosmer dan
Lemeshow (2000), pengujian parameter model secara simultan
menggunakan uji nisbah kemungkinan (Likelihood Ratio Test)
dengan hipotesis:
H
0
:
1
= =
k
= 0
H
1
: minimal ada satu
i
0; i=1, 2, , k
Statistik uji G dirumuskan:


dimana:
: fungsi kemungkinan tanpa peubah penjelas.
: fungsi kemungkinan dengan peubah penjelas.






Dengan mengasumsikan H
0
benar, statistic uji G akan
mengikuti sebaran Chi-Square dengan derajat bebas k.
Keputusan tolak H
0
jika G >
Pengujian parameter secara parsial menggunakan uji Wald.
Hipotesis yang akan diuji adalah:
H
0
:
i
= 0
H
1
:
i
0; i=1, 2, , k
Statistik uji yang dipakai adalah statistik W, yaitu:


dengan sebagai penduga
i
dan sebagai penduga galat
baku
i
. Statistik W akan mengikuti persebaran normal baku
jika H
0
benar. Keputusan tolak H
0
diambil ketika |W| > Z
/2.



.
Interpretasi koefisien untuk model regresi logistik biner dapat
dilakukan dengan menggunakan nilai rasio oddsnya. Odd
sendiri dapat diartikan sebagai rasio peluang kejadian sukses
dengan kejadian tidak sukses dari peubah respon. Rasio odds
mengindikasikan seberapa lebih mungkin munculnya kejadian
sukses pada suatu kelompok dibandingkan dengan kelompok
lainnya.

Interpreting Parameters in Logistic Regression
Untuk variabel respon (Y) biner dan sebuah variabel penjelas (X),
misal:
(x) = P(Y=1 | X=x) = 1-P(Y=0 | X=x).
Model regresi logistik adalah:
(x) = (5.1)

atau dengan log odds (logit), yang mempunyai hubungan
linier:
logit [ (x)] = log = +x (5.2)


t
t
t
Interpreting : Odds, Probability, Linear Approach
Tanda pada menunjukkan apakah (x) naik atau turun
saat x naik.
Saat mendekati 0, kurvanya mendatar ke garis horizontal.
Saat =0, Y independen dari X.
Untuk x yang kuantitatif dengan >0, kurva (x)
membentuk distribusi logistic cdf.
Mengeksponensiasi kedua sisi dari (5.2) menunjukkan
bahwa odds adalah fungsi eksponensial dari x.
Odds meningkat dengan ganda oleh e

untuk setiap 1-unit


yang bertambah di x. Dengan kata lain, e

adalah odds ratio,
odds pada saat X=x+1 dibagi dengan odds pada saat X=x


t
t
Garis tangent di kurva pada x untuk setiap (x) = 1/2,
mempunyai slope (1/2)(1/2) = /4; ketika
(x)= 0.9 atau 0.1, slopenya 0.09.
Slope mendekati 0 saat (x) mendekati 1.0 atau 0.
Slope yang curam terjadi pada x untuk setiap
(x) =
Nilai x adalah /. Nilai x ini kadang kadang disebut
level efektif median dan dinotasikan sebagai EL
50
.

t
t
t
t
Looking at The Data
Sebelum mencocokkan model dan membuat interpretasi, lihat
data untuk mengecek apakah model reglognya layak. Disaat Y
mempunyai nilai 0 dan 1, sulit untuk mengeceknya dengan
membuat plot antara Y dan x.
Dengan membuat plot sampel proporsi atau logit terhadap x.
Misal n
i
adalah jumlah observasi, y
i
dinotasikan sebagai nilai
pada saat outcomenya 1 dengan p
i
=y
i
/n
i
. Sampel logit i adalah
log [p
i
/(1-p
i
)]= log[y
i
/(n
i
-y
i
)]
infinite saat y
i
=0 atau n
i
=0.

Logistic Regression with retrospective studies
Pada regresi ini berkaitan dengan situasi dimana variabel X
adalah penjelas dari variabel respon Y yang bersifat acak. Hal
interjadi pada design sampling retrospective seperti
pembelajaran case-control biomedical. Misalnya subjek dari
sampel memiliki nilai Y=1 (cases) dan Y=0 (control), X
merupakan nilai dari observasi. Efek model ini merujuk pada
odd rasio.

Misalny z adalah...
1
= P(Z = 1 | y = 1) menunjukan peluang
dari case dan
0
= P(Z = 1 | y = 0) menunjukan peluang dari
control. Asumsikan bahwa P(Y = 1 |x) mengikuti model
logistik.

Teori Bayes




Andaikan bahwa P(Z=1 | y,x) = P(Z=1 | y) untuk y=0 dan 1.
Untuk setiap y, nilai peluang sampelnya tidak tergantung dari
nilai x. Misalnya, x mengacu pada pemaparan beberapa tipe
seperti apakah seseorang telah merokok. Lalu, untuk case dan
untuk control nya, peluang terpilihnya sampel adalah sama
antara perokok dan bukan perokok.

1
0
( 1| 1, ) ( 1| )
( 1| 1, )
( 1| , ) ( | )
j
P Z y x P Y x
P Y z x
P Z y j x P Y j x
=
= = =
= = =
= = =

Substitusi
1
dan
0
kemudian bagi pembilang dan
penyebut dengan P(Y=0 | x) sehingga





Lalu bagi pembilang dan penyebut dengan
0
dan
gunakan bentuk
1
/
0
= exp [log (
1
/
0
)]



dengan
*
= + log (
1
/
0
)
1
0 1
exp( )
( 1| 1, )
exp( )
x
P Y z x
x
o |
o |
+
= = =
+ +
*
log [ ( 1| 1, )] it P Y z x x o | = = = +
*
log [ ( 1| 1, )] it P Y z x x o | = = = +
Model regresi tersebut memiliki efek yang sama dengan parameter
sebagai model pada P(Y=1 | x). Pada model case-control, salah satu
saja tidak dapat mengestimasi nilai pada model binary-response
yang lain. Tidak seperti odd rasio, efek conditional distribution dari
X given Y tidak sama dengan Y given X.

Regresi logistik terkadang bisa atau tidak bisa untuk
mendeskripsikan suatu hubungan variabel dengan baik. Pada suatu
kasus spesial, misalkan nilai Y = i dan X berdistribusi N(
i
, o
2
)
dimana i = 0,1. Lalu bayes teori, P(Y=1 | X=x) sama dengan (5.1),
= (
1
-
0
)/o
2
. Ketika suatu populasi adalah sebuah campuran dari 2
tipe subjek, tipe pertama nilai Y=1 kira-kira berdistribusi normal
pada X dan tipe lainnya Y=0 dengan kira-kira berdistribusi normal
juga pada X dengan nilai varians yang sama maka fungsi regresi
logistiknya seperti pada (5.1) dengan bentuk kurva t(x) yang baik.
Jika keduanya berdistribusi normal dengan variansnya berbeda maka
kurva yang terbentuk adalah kuadrat. Pada kasus tersebut, hubungan
variabelnya nonmonotone dengan t(x) menaik dan menurun atau
sebaliknya.


Tipe Inferensi

Untuk model dengan sebuah predictor:

Uji signifikansi fokus pada H
0
: = 0 (hipotesis independensi).
Uji Wald menggunakan log Likelihood pada , dengan statistik
uji atau kuadratnya. Di bawah H
0
, z
2
adalah asimtotik
Uji Likelihood-rasio menggunakan dua kali deferens di antara
maximized log likelihood pada dan pada = 0 dan juga
mempunyai asimtotik .
Uji score menggunakan log likelihood pada = 0 melalui
derivatif log likelihood pada titik tersebut. Statistik uji
membandingkan sufisien statistik untuk dengan nilai
harapannya, standardized yang sesuai [N(0,1) atau ].




Tipe Inferensi
Untuk sampel besar, ketiga tes tersebut biasanya memberikan
hasil yang sama. Uji Likelihood-rasio lebih disukai daripada Uji
Wald. Likelihood-rasio menggunakan informasi yang lebih
karena hal itu menggabungkan log likelihood pada H
0
sebaik
pada . Ketika | | relatif besar, maka uji Wald tidak sekuat
uji Likelihood-rasio dan bahkan dapat menunjukkan perilaku
menyimpang.
Selang kepercayaan lebih informatif daripada uji-uji. Selang
untuk dihasilkan dari pembalikan uji dari H
0
: =
0
. Interval
adalah kumpulan dari
0
dimana statistik uji Chi-Squarenya
tidak lebih besar daripada . Untuk pendekatan Wald,
hal ini berarti ; intervalnya adalah .

Tipe Inferensi
Untuk meringkas hubungan, karakteristik lain mungkin
memiliki kepentingan yang lebih besar daripada , seperti (x)
pada berbagai nilai x. Untuk fixed , ,
memiliki SE sampel besar yang diberikan oleh estimasi square
root dari:

Selang kepercayaan 95% untuk adalah .
Substitusi setiap endpoint ke transformasi inverse

memberikan interval yang sesuai untuk .
Tiap metode inferensi juga dapat menghasilkan selang
kepercayaan dan uji untuk sampel kecil.



Checking Goodness of Fit; Ungrouped and Grouped Data

Dalam prakteknya, tidak ada jaminan bahwa model regresi logistik
tertentu sesuai dengan data. Untuk beberapa tipe data biner, salah
satu cara untuk mendeteksi lack of fit adalah menggunakan uji
Likelihood-rasio untuk membandingkan model dengan model yang
lebih kompleks. Model yang lebih kompleks mungkin berisi sebuah
efek nonlinier, seperti bentuk kuadratik. Model-model dengan
multiple prediction akan mempertimbangkan interaksi. Jika model
yang lebih kompleks tidak memberikan kesesuaian yang lebih baik,
maka ini akan menyediakan beberapa jaminan bahwa model yang
dipilih adalah masuk akal.
Pendekatan lain untuk mendeteksi lack of fit search untuk banyak
cara model gagal. Hali ini simpel ketika variabel penjelas hanya
kategori. Pada masing-masing pengaturan x, salah satu akan
mengalikan perkiraan probability dari dua hasil banyaknya subjek
yang diatur untuk memenuhi frekuensi ekspektasi estimasi untuk y =
0 dan y = 1. Itu semua adalah fitted value.


Checking Goodness of Fit; Ungrouped and Grouped Data
Uji dari model membandingkan jumlah observasi dan fitted
value menggunakan statistik Pearson X
2
atau Likelihood-rasio
G
2
. Untuk jumlah pengaturan yang tetap, sebagai peningkatan
jumlah, X
2
dan G
2
mendekati distribusi Chi-Square. Derajat
bebas disebut residual df untuk model, mengurangi banyaknya
parameter di dalam model dari banyaknya parameter di dalam
saturated model.

Alasan pembatasan untuk prediktor kategori untuk uji secara
umum berhubungan dengan perbedaan di Section 4.5.3 bahwa
kita menyebutkan diantara grouped and ungrouped data untuk
model binomial. Saturated model berbeda pada dua kasus.
Sebuah asimtotik distribusi Chi-Square hasil deviance sebagai
dengan banyaknya parameter yang tetap di dalam model dan
karenanya sebuah jumlah yang tetap dari pengaturan nilai
prediktor.



Pengecekan kebaikan suai (goodness of fit) data tidak
berkelompok dengan cara pengelompokan
Sebagai catatan,:
dengan data tidak berkelompok atau penduga yang kontinu
atau hampir kontinu, dan tidak mempunyai batas pada
distribusi chi square, akan tetapi masih berguna dalam
membandingkan model untuk memeriksa bentuk kuadrat
dapat diterapkan dalam berbagai perkiraan untuk pengamatan
berkelompok dan nilai yang cocok untuk sebuah partisi dari
nilai x. seumpama jumlah variabel penjelas meningkat,
meskipun kelompok nilai secara keseluruhan untuk setiap
variabel dapat menghasilkan sebuah tabel kontingensi dengan
jumlah sel yang besar, sebagian besar memiliki perhitungan
yang sangat kecil


Pembentukan ini merupakan dasar dari uji Hosmer dan
Lemeshow (19980) yang mengemukakan statistik pearson
yang membandingkan pengamatan dengan perhitungan yang
pas untuk partisi ini.
Menunjukan hasil biner untuk pengamatan j dalam group
i pada partisi, i=1,,g, j=1,..,... .
Menunjukan coresponding fitted probability untuk model
yang tepat dari data yang tidak berkelompok.




ij
y
i
n
ij
t
2
1
( )
( )[1 ( ) / ]
g
ij ij
j j
i
ij ij
j j
y
n
t
t t
=


Ketika banyak pengamatan yang memiliki peluang estimasi
yang sama, ada beberapa kesewenang2an dalam pembentukan
kelompok, dan berbeda software dapat menghasilkan nilai
yang berebda. Statistik ini tidak memiliki batas distribusi chi
square, karena pengamatan dalam kelompok merupakan
percobaan yang tidak identik. Dan karena pengamatan dalam
kelompok tidak memiliki sebaran peluang yang umum.
Bagaimanapun, Hosmer dan Lemeshow mencatat bahwa
ketika jumlah perbedaan pola nilai kovariat sama dengan
ukuran sampel, distribusi nol mendekati distribusi chisquare
dengan derajat bebas. Df = g-2.
5.3 MODEL LOGIT DENGAN
PREDIKTOR KATEGORIK
5.3.1 ANOVA-Type Representasi Faktor
Pertimbangkan faktor X tunggal, dengan
kategori I. Dalam baris i dari tabel I x 2, y
i

adalah jumlah hasil kolom pertama
(sukses) dari uji coba n
i
. Nyatakan Yi sebagai
binomial dengan parameter
i
. Model logit
dengan faktor adalah

Sisi kanan persamaan (5.4) menyerupai rumus
model untuk cara sel dalam ANOVA satu arah.
Dengan kategori I, X memiliki I-1 parameter
nonredundan. Salah satu parameter dapat
diatur ke 0, katakanlah
i
= 0. Jika nilainya
tidak memenuhi, kita dapat merecode sehingga
menjadi benar. Misalnya, bentuk

=
i

1

dan =

+
1
yang memenuhi

1
=0. Maka

Ketika
1
=0, sama dengan logit dalam baris I,
dan
i
adalah perbedaan antara logits dalam baris
i dan I. Jadi,
i
sama dengan rasio log odds untuk
pasangan baris-baris itu.
Untuk setiap {
i
> 0}, {
i
} berlaku seperti model
(5.4). Model ini mempunyai banyak parameter
I sebagai pengamatan binomial. Ketika sebuah
faktor tidak berpengaruh,
1
=
2
= ... =
I
. Karena
ini setara dengan
1
= ... =
I
, model ini hanya
dengan sebuah intersep menentukan independensi
dari X dan Y secara statistik.
5.3.2 Dummy Variabel dalam Model Logit
Sebuah persamaan setara model (5.4)
menggunakan variabel dummy. Misalkan x
i
=1
untuk pengamatan di baris i dan x
i
=0 untuk
lainnya, i = 1, ..., I - 1. Modelnya adalah


Cara lain untuk memaksakan kendala bentuk

. Misalkan X yang memiliki I=2 kategori,


jadi
1
= -
2
. Hasil ini dari efek coding untuk
dummy variabel, x=1 dalam kategori 1 dan x=-1
dalam kategori 2.


Hasil substantif yang sama terjadi untuk setiap skema
coding. Untuk model (5.4), terlepas dari kendala untuk {
1
},
{ +

} oleh karena itu { } adalah sama. Perbedaan

untuk pasangan (a,b) kategori X adalah identik dan


mewakili estimasi rasio log odds. Dengan demikian,
exp(

) adalah estimasi peluang sukses dalam kategori a


dari X dibagi dengan estimasi peluang sukses dalam kategori b
dari X. Reparameterisasi model dapat merubah parameter
estimasi tapi tidak mengubah model fit.
Nilai
i
atau

tidak relevan untuk kategori tunggal. Berbagai


sistem kendala menghasilkan nilai yang berbeda. Untuk
prediktor biner, misalnya, menggunakan variabel dummy
dengan nilai referensi
2
= 0, rasio log odds sama dengan
1
-

2
=
1
; Sebaliknya, untuk efek coding dengan 11 variabel
dummy maka
1
-
2
= 0 , rasio log odds yang sama
1
-
2
=

1
(-
1
) = 2
1
. Sebuah parameter atau estimasinya masuk
akal hanya dengan dibandingkan dengan satu untuk kategori
lain.



.
Joint probability nya untuk N fungsi binomial adalah

1

= log

=1
1

=1

= exp log

1

1

1

ketika ada lebih dari 1 observasi/ percobaan pada nilai xi maka jumlah observasi dinyatakan ni dan
jumlah sukses adalah xi . Yi menunjukan sukses yang dihitung dari sekian percobaan dimana YiYN
adalah independent binomial dengan mean E(Yi)= , dimana , 2, , = .
Joint probability nya untuk N fungsi binomial adalah
Likelihood equation
pada model, logit ke i adalah

, jadi persamaan eksponensialnya menjadi


exp

= exp

. dan karena 1 = 1 +exp

1
, maka
log likelihoodnya sama dengan :
=

log 1 +exp



turunanan dari fungsi log nya
()

= 0 , karena
()

=

exp

1 +exp


dimana =
exp

1+exp

, sehingga Likelihood Rationya adalah

= 0, = 1, , ,

Distribution of Probability Estimator
Menggunakan , kita dapat melakukan inferensia terhadap
dan dihubungkan pada efek, seperti pada odds rasio. Kita
dapat juga membuat convidence interval untuk peluang
respon pada pengaturan x tertentu.
Estimasi varians dari logit adalah . Untuk
jumlah sampel yang besar, logit adalah
convidence interval untuk logit yang benar. Titik akhir
kebalikan pada interval yang sesuai untuk menggunakan
transformasi =exp(logit)/[1+exp(logit)].


,
Newton-Raphson Method Applied to logistik regresion
Kita kembali ke Section 4.6.1 untuk metode ITERATIVE
Newton-Raphson. Misalkan





Disini, , perkiraan t untuk , diperoleh dari melalui


Kita menggunakan
()
dan
()
dengan formula (4.39) untuk memperoleh nilai
(+1)

berikutnya, yang mana dalam konteks ini adalah:

(+1)
=
()
+{

}
1

, (5.22)
Dimana

()
=

()
. Ini digunakan untuk memperoleh
(+1)
, dan juga seterusnya.
Dengan perkiraan pertama
(0)
, persamaan (5.21) menghasilkan
(0)
, dan untuk t > 0
diproses berulang-ulang sebagaimana yang diperlihatkan menggunakan (5.22) dan (5.21).
Dalam
perbatasan,
()
dan
()
, menuju ke estimasi ML dan

(Walker dan Duncan 1967). Matrik

()
menuju ke

. Dengan (5.20), Estimasi asimtot matrik


covariance dari

adalah produk dari metode Newton-Raphson, dinamakan

1
.
Dari argument di Section 4.6.3,
(+1)
memiliki iterative reweighted least squares dari
(

1
)
1

()
, dimana
()
mempunyai elemen

()
=

()
1

()
+

()

(1

)
, (5.23)
Dan dimana

adalah matrik diagonal dengan elemen {1

(1

) }. Ekspresi di dini,

()
adalah bentuk linear dari fungsi link logit untuk data sampel, dievaluasi pada
()
[lihat
(4.42)]. Dari Section 3.1.6 elemen

asimtot variansnya diestimasi dari logit sampel. Estimasi


ML adalah batas dari rangkaian dari estimasi least squares tertimbang, dimana matrik penimbang
berubah tiap ulangan.