Contoh Penggunaan Metode Statistik Regresi Logistik Linear - Statistik Ceria

4/19/2016
CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria
-20%
-45%
-40%
-74%
-36%
-29%
PENCARIAN
MATERI
Home Unlabelled CONTOH PENGGUNAAN METODE STATISTIK REGRESI

LOGISTIK LINEAR
Dec 8, 2014
Google+
CONTOH PENGGUNAAN METODE

STATISTIK REGRESI LOGISTIK LINEAR
Fajar Choirul Anwar
Search
5 comments
nasrul setiawan
Follow
273 followers
METODE STATISTIK
REGRESI LOGISTIK LINEAR
Analisis Log Linier

Data yang bersifat kategori dan dapat dibentuk ke dalam suatu tabel
kontingensi, dapat dianalisis dengan menggunakan analisis log linier. Model log linier
http://statistikceria.blogspot.co.id/2014/12/metode-statistik-regresi-logistik.html
1/35
4/19/2016
Beranda
Daftar Isi
Tentang
digunakan untuk menganalisis atau mempelajari pola asosiasi antara beberapa

variabel yang diperhatikan merupakan variabel kategorik (Agung, 2001), dimana pola
hubungan atau asosiasi antar peubahnya dilihat dari interaksi antar peubah itu
sendiri.
-35%
Simpelnya analisis ini sering digunakan untuk menjelaskan antara beberapa
pilihan yang dipengaruhi berbagai peubah. Banyak peubah yang mempengaruhi
pilihan-pilihan variabel bebasnya. Dengan analisis log linier ini peneliti dapat
memperoleh gambaran unit observasi yang memiliki karakteristik tertentu akan
masuk ke dalam pilihan/kelompok mana. misalnya rumah tangga dihadapkan dengan
pilihan membeli rumah, mengontrak rumah atau membangun rumah dari lahan
kosong, Dengan mendata rumah tangga yang telah memiliki rumah di daerah itu
maka diperoleh
misalnya
variabel pendidikan,
pendapatan,
pengeluaran, jumlah
Analisis
Regresi
Parametrik
Multivariate
Time Series
anggota rumah tangga dan lainnya. Maka dengan data tersebut dapat diperoleh
gambaran jika ada rumah tangga baru dengan pendidikan, pendapatan, pengeluaran,
jumlah anggota tertentu akan memilih kepemilikan rumah yang mana.
Langkah-langkah analisis ini seringkali menggunakan program komputer untuk
menghitungnya. Jikalau ada yang menggunakan penghitungan manual rumus-rumus
ada di buku Alan Agresti. Mudah-mudahan nanti penulis bisa memberikan penjelasan
mengenai rumus dan penghitungan manual, itupun jika ada yang meminta (request).
Berikut ini akan dicontohkan tahapan penghitungan dengan data fiktif.
Asumsi
Sierra - Bedcover dan Sprei Retro x Dottie Onyx 200x200
Rp485.000
Jasa Konsultasi
Berikut langkah-langkah analisis Log Linier :

Contoh kasus analisis hubungan antara pola-pola kejahatan pencurian
kendaraan be motor.
Buka file data yang akan dianalisis
Klik Analyze => Loglinier => Model Selection pada menu sehingga kotak
dialog Model Selection muncul.
2/35
4/19/2016
Popular Posts
Uji hipotesis dengan Analisis
Ragam / Analysis of variance
(Anova)
Analisis varians (analysis of
variance, ANOVA) adalah suatu
metode analisis statistika yang
termasuk ke dalam cabang
statistika inferensi ....
Permasalahan dengan Data tidak
normal: Penyebab dan strategi
permasalahan
Data terdistribusi secara normal
adalah konsep umum yang
sering salah paham oleh
beberapa orang. Beberapa orang
percaya bahwa semua data
yan...
Masukkan variabel jenis,wilayah, TKP dan waktu pada kotak factor(s)

Kemudian klik Define Range, isi nilai range paling minimum dan maksimum
berdasarkan kategorinya, terus Continue sehingga kembali ke kotak dialog
Model Selection.
Selanjutnya klik Option dan beri tanda () pada Parameter estimates dan
Association table, terus Continue sehingga kembali ke kotak dialog Model
Selection.
Uji t Perbedaan Ratarata Dua

kelompok berpasangan
(dependent) parametrik
Uji t dua sampel/kelompok
seperti materi yang pernah dibuat
mengenai uji t dua sampel dibagi
kedalam dua jenis yaitu uji t dua
sampel/kelomp...
Pengujian Perbedaan Ratarata
Dua sampel saling bebas
(Independent two sample )
Sebelum ini sudah dibahas
mengenai Pengujian Ratarata
sampel tunggal (Single sample t
test) . untuk kali ini sedikit lebih
tinggi yaitu Pen...
cara membuat daftar gambar
otomatis menggunakan microsoft
3/35
4/19/2016
word
Trilogi dari tips menggunakan
microsft word akhirnya selesai
juga. Setelah 2 topik sebelumnya
yaitu cara menggunakan daftar
isi dan daftar ...
Analisis Ragam / Analysis of
variance (Anova) satu arah (one
way)
Dalam sebuah penelitian,
terkadang kita ingin
membandingkan hasil perlakuan
(treatment) pada sebuah populasi
dengan populasi yang lain
denga...
Klik OK sehingga output SPSS Viewer menampilkan hasil berikut :

***** HIERARCHICAL
LOG
LINEAR ***
*
DATA
Information
[Tutorial] cara membuat Grafik

pie (pie Chart) menggunakan
microsoft Excel 2013
Pie chart atau diagram pie
merupakan diagram yang
berbentuk bulat dan bisa di
potong-potong kedalam beberapa
bagian. sesuai dengan namany...
786 unweighted cases accepted.

0 cases rejected because of out-of-range factor
values.
Labels
0 cases rejected because of missing data.
786 weighted cases will be used in the analysis.
Analisis deskriptif
Analisis regresi
FACTOR Information
Factor Level Label
JNS
2 JENIS
WLH
2 WILAYAH
Asumsi
anova
Ekonometrik
grafik
Metode Penarikan Contoh
Metode Statistik
4/35
4/19/2016
TKP
5 TKP
WKT
2 WAKTU
Multivariate
Peluang
R statistic
--------------------------------
Regresi Logistik
SPSS
Tabel statistik
Time Series
***** HIERARCHICAL
LOG
LINEAR ***
uji rata-rata
Validitas dan realibilitas
DESIGN 1 has generating class
Blog Teman
JNS*WLH*TKP*WKT
Note: For saturated models
,500 has been added to all
observed cells.
METODE STATISTIK
Probability atau Non Probability
Sampling, Mana yang Lebih Baik
4 weeks ago
This value may be changed by using the CRITERIA = DELTA

Sleepingtux
Menggunakan IF Pada Excel
11 months ago
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
Awan Sehat
10 Tips Kesehatan Mata untuk
Menjaga Penglihatan
1 year ago
Melek Analisis Sosial dan
Ekonomi
-------------------------------Observed, Expected Frequencies and Residuals.
5/35
4/19/2016
Factor
Code
OBS count
EXP count
Residual
Std
Resid
JNS
WLH
R2
rawan ti
TKP
pemukima
WKT
siang
58,5
58,5
,00
WKT
malam
110,5
110,5
,00
,00
,00
TKP
lembaga/
WKT
siang
47,5
47,5
,00
WKT
malam
29,5
29,5
,00
,00
,00
TKP
pertokoa
WKT
siang
21,5
21,5
,00
WKT
malam
,5
21,5
,00
,00
,00
TKP
jalan um
WKT
siang
68,5
68,5
,00
WKT
malam
63,5
63,5
,00
54,5
54,5
,00
,00
,00
TKP
WKT
tempat u
siang
,00
6/35
4/19/2016
WKT
malam
24,5
24,5
,00
,00
WLH
rawan re
TKP
pemukima
WKT
siang
30,5
30,5
,00
WKT
malam
46,5
46,5
,00
,00
,00
***** HIERARCHICAL
LOG
LINEAR ***
*
Observed, Expected Frequencies and Residuals. (Cont.)
Factor
Code
OBS count
EXP count
Residual
Std
Resid
TKP
lembaga/
WKT
siang
2,5
2,5
,00
WKT
malam
4,5
4,5
,00
2,5
2,5
,00
,00
,00
TKP
WKT
pertokoa
siang
,00
WKT
malam
9,5
9,5
,00
,00
TKP
WKT
jalan um
siang
14,5
14,5
,00
7/35
4/19/2016
,00
WKT
malam
32,5
32,5
,00
,00
TKP
tempat u
WKT
siang
7,5
7,5
,00
WKT
malam
2,5
2,5
,00
,00
,00
JNS
WLH
TKP
R4
rawan ti
pemukima
WKT
siang
18,5
18,5
,00
WKT
malam
22,5
22,5
,00
,00
,00
TKP
lembaga/
WKT
siang
4,5
4,5
,00
WKT
malam
1,5
1,5
,00
5,5
,00
6,5
6,5
,00
12,5
12,5
,00
,00
,00
TKP
pertokoa
WKT
siang
WKT
malam
5,5
,0
,00
TKP
WKT
jalan um
siang
,00
8/35
4/19/2016
WKT
malam
12,5
12,5
,00
,00
TKP
tempat u
WKT
siang
6,5
6,5
,00
WKT
malam
3,5
3,5
,00
,00
,00
WLH
TKP
rawan re
pemukima
WKT
siang
12,5
12,5
,00
WKT
malam
13,5
13,5
,00
,00
,00
TKP
lembaga/
WKT
siang
1,5
1,5
,00
WKT
malam
,5
,5
,00
,00
,00
TKP
pertokoa
WKT
siang
1,5
1,5
,00
,00
WKT
malam
2,5
2,5
,00
14,5
14,5
,00
,00
TKP
WKT
jalan um
siang
,00
9/35
4/19/2016
***** HIERARCHICAL
LOG
LINEAR ***
*
Factor
Code
OBS count
EXP count
Residual
Std
Resid
WKT
malam
7,5
7,5
,00
,00
TKP
tempat u
WKT
siang
1,5
1,5
,00
,00
WKT
malam
3,5
3,5
,00
,00
-------------------------------Goodness-of-fit test statistics

Likelihood ratio chi square =
,00000
DF = 0 P = .
Pearson chi square =
,00000
DF = 0 P = .
-------------------------------Tests that K-way and higher order effects are zero.

K
DF
L.R. Chisq
Prob
Pearson Chisq
Prob
Iteration
10/35
4/19/2016
7,457
,1136
7,118
,1298
17
22,923
,1518
25,074
,0931
32
123,816
,0000
122,762
,0000
39
926,930
,0000
1130,947
,0000
3
4
2
0
-------------------------------Tests that K-way effects are zero.
K
DF
L.R. Chisq
Prob
Pearson Chisq
Prob
Iteration
1
803,114
,0000
1008,184
,0000
15
100,893
,0000
97,688
,0000
13
15,466
,2792
17,956
,1592
7,457
,1136
7,118
,1298
0
0
0
0
***** HIERARCHICAL
LOG
LINEAR ***
*
11/35
4/19/2016
Tests of PARTIAL associations.

Effect Name
DF Partial Chisq
Prob
Iter
JNS*WLH*TKP
3,425
,4894
JNS*WLH*WKT
1,123
,2892
JNS*TKP*WKT
3,956
,4119
WLH*TKP*WKT
6,575
,1601
JNS*WLH
8,942
,0028
JNS*TKP
11,607
,0205
WLH*TKP
31,098
,0000
JNS*WKT
3,197
,0738
WLH*WKT
1,633
,2014
TKP*WKT
33,575
,0000
JNS
344,007
,0000
WLH
193,756
,0000
4
3
4
4
4
4
4
4
4
4
2
12/35
4/19/2016
2
TKP
264,048
,0000
WKT
1,303
,2537
2
2
-------------------------------***** HIERARCHICAL
LOG
LINEAR ***
*
Backward Elimination (p = ,050) for DESIGN 1 with generating
class
JNS*WLH*TKP*WKT
,00000
DF = 0 P = .
-------------------------------If Deleted Simple Effect is
DF
L.R. Chisq Change
Prob
Iter
JNS*WLH*TKP*WKT
7,457
,1136
3
Step 1
13/35
4/19/2016
The best model has generating class

JNS*WLH*TKP
JNS*WLH*WKT
JNS*TKP*WKT
WLH*TKP*WKT
7,45684
DF = 4 P = ,114
DF
L.R. Chisq Change
Prob
Iter
JNS*WLH*TKP
3,425
,4894
JNS*WLH*WKT
1,123
,2892
JNS*TKP*WKT
3,956
,4119
WLH*TKP*WKT
6,575
,1601
4
3
4
4
Step 2
JNS*WLH*WKT
JNS*TKP*WKT
14/35
4/19/2016
WLH*TKP*WKT
10,88166
DF = 8 P = ,208
-------------------------------***** HIERARCHICAL
LOG
LINEAR ***
*
If Deleted Simple Effect is
DF
L.R. Chisq Change
Prob
Iter
JNS*WLH*WKT
1,731
,1883
JNS*TKP*WKT
3,666
,4531
WLH*TKP*WKT
6,050
,1954
3
3
4
Step 3
JNS*WLH*WKT
WLH*TKP*WKT
JNS*TKP
14,54752
DF = 12
P=
15/35
4/19/2016
,267
DF
L.R. Chisq Change
Prob
Iter
JNS*WLH*WKT
2,049
,1523
WLH*TKP*WKT
6,143
,1887
JNS*TKP
10,853
,0283
3
4
2
Step 4
JNS*WLH*WKT
JNS*TKP
WLH*TKP
TKP*WKT
20,69073
DF = 16
P=
,191
-------------------------------http://statistikceria.blogspot.co.id/2014/12/metode-statistik-regresi-logistik.html
16/35
4/19/2016
If Deleted Simple Effect is
DF
L.R. Chisq Change
Prob
Iter
JNS*WLH*WKT
2,232
,1351
JNS*TKP
11,087
,0256
WLH*TKP
30,578
,0000
TKP*WKT
33,055
,0000
3
3
4
3
***** HIERARCHICAL
LOG
LINEAR ***
*
Step 5
JNS*TKP
WLH*TKP
TKP*WKT
JNS*WLH
JNS*WKT
WLH*WKT
22,92320
DF = 17
P=
,152
17/35
4/19/2016
DF
L.R. Chisq Change
Prob
Iter
JNS*TKP
11,607
,0205
WLH*TKP
31,098
,0000
TKP*WKT
33,575
,0000
JNS*WLH
8,942
,0028
JNS*WKT
3,197
,0738
WLH*WKT
1,632
,2014
3
4
3
3
3
3
Step 6
JNS*TKP
WLH*TKP
TKP*WKT
JNS*WLH
JNS*WKT
18/35
4/19/2016
24,55564
DF = 18
P=
,138
DF
L.R. Chisq Change
Prob
Iter
JNS*TKP
11,515
,0213
WLH*TKP
34,584
,0000
TKP*WKT
37,062
,0000
JNS*WLH
8,485
,0036
JNS*WKT
2,741
,0978
2
3
3
3
3
***** HIERARCHICAL
LOG
LINEAR ***
*
Step 7
JNS*TKP
19/35
4/19/2016
WLH*TKP
TKP*WKT
JNS*WLH
27,29677
DF = 19
P=
,098
DF
L.R. Chisq Change
Prob
Iter
JNS*TKP
10,077
,0391
WLH*TKP
34,584
,0000
TKP*WKT
35,322
,0000
JNS*WLH
8,485
,0036
2
2
3
2
Step 8
JNS*TKP
WLH*TKP
TKP*WKT
JNS*WLH
20/35
4/19/2016
27,29677
DF = 19
P=
,098
-------------------------------***** HIERARCHICAL
LOG
LINEAR ***
*
The final model has generating class
JNS*TKP
WLH*TKP
TKP*WKT
JNS*WLH
The Iterative Proportional Fit algorithm converged at iteration
0.
The maximum difference between observed and fitted marginal
totals is
,051
and the convergence criterion is
,250
-------------------------------Observed, Expected Frequencies and Residuals.

Factor
Code
OBS count
EXP count
Residual
Std
Resid
21/35
4/19/2016
JNS
R2
WLH
TKP
rawan ti
pemukima
WKT
siang
WKT
malam
58,0
65,4
-7,39
-,91
110,0
105,8
4,15
47,0
46,5
,50
,40
TKP
WKT
lembaga/
siang
,07
WKT
malam
29,0
29,3
-,28
-,05
TKP
pertokoa
WKT
siang
WKT
malam
21,0
18,7
2,34
,54
21,0
24,4
-3,45
-,70
TKP
jalan um
WKT
siang
WKT
malam
68,0
62,4
5,58
,71
63,0
65,9
-2,89
-,36
TKP
tempat u
WKT
siang
WKT
malam
54,0
52,1
1,93
,27
24,0
24,5
-,50
-,10
WLH
rawan re
22/35
4/19/2016
TKP
pemukima
WKT
siang
30,0
27,8
2,21
WKT
malam
46,0
45,0
1,02
,42
,15
TKP
lembaga/
WKT
siang
2,0
3,8
-1,82
WKT
malam
4,0
2,4
1,60
-,93
1,03
TKP
pertokoa
WKT
siang
2,0
4,3
-2,28
-1,10
***** HIERARCHICAL
LOG
LINEAR ***
*
Factor
Code
OBS count
EXP count
Residual
Std
Resid
WKT
malam
9,0
5,6
3,39
14,0
23,7
-9,69
1,43
TKP
jalan um
WKT
siang
WKT
malam
-1,99
32,0
25,0
7,00
1,40
23/35
4/19/2016
TKP
tempat u
WKT
siang
7,0
7,1
-,09
WKT
malam
2,0
3,3
-1,34
-,03
-,73
JNS
R4
WLH
TKP
rawan ti
pemukima
WKT
siang
18,0
14,0
3,96
WKT
malam
22,0
22,7
-,72
4,0
3,2
,79
1,06
-,15
TKP
lembaga/
WKT
siang
WKT
malam
,44
1,0
2,0
-1,02
-,72
TKP
pertokoa
WKT
siang
5,0
4,3
,72
WKT
malam
6,0
5,6
,39
,35
,16
TKP
jalan um
WKT
siang
12,0
13,0
-,98
WKT
malam
12,0
13,7
-1,71
-,27
-,46
TKP
tempat u
24/35
4/19/2016
WKT
siang
6,0
7,1
-1,09
WKT
malam
3,0
3,3
-,34
-,41
-,19
WLH
TKP
WKT
rawan re
pemukima
siang
12,0
10,8
1,22
,37
WKT
malam
13,0
17,5
-4,46
-1,07
TKP
lembaga/
WKT
siang
WKT
malam
1,0
,5
,52
,76
,0
,3
-,30
-,55
TKP
pertokoa
WKT
siang
1,0
1,8
-,78
WKT
malam
2,0
2,3
-,33
-,58
-,22
TKP
jalan um
WKT
siang
14,0
8,9
5,09
WKT
malam
7,0
9,4
-2,40
1,71
-,78
TKP
tempat u
WKT
siang
1,0
1,7
-,75
WKT
malam
3,0
,8
2,18
-,57
25/35
4/19/2016
2,40
-------------------------------***** HIERARCHICAL
LOG
LINEAR ***
*
Goodness-of-fit test statistics
27,29677
DF = 19
P=
,098
Pearson chi square =
28,97815
DF = 19 P =
,066
Cara membaca output /analisis

Tahap pertama adalah menguji model yang sesuai untuk data kita, yaitu
menguji kesesuaian penuh dimana interaksi k-faktor dan yang lebih tinggi sama
dengan nol.
Hipotesis yang digunakan:
H0: interaksi k-faktor dan yang lebih tinggi sama dengan nol
H1: interaksi k-faktor dan yang lebih tinggi terkandung dalam model
Keputusan yang diambil adalah tolak H0 jika p , dimana = 0,05.
tests that K-way and higher order effects are zero.
K
DF
L.R. Chisq
Prob
Pearson Chisq
Prob
26/35
4/19/2016
Iteration
4
7,457
,1136
7,118
,1298
17
22,923
,1518
25,074
,0931
32
123,816
,0000
122,762
,0000
39
926,930
,0000
1130,947
,0000
3
4
2
0
Berdasarkan hasil output di atas, untuk k = 4 dan k = 3, memberi keputusan

bahwa H0 diterima yang berarti bahwa interaksi 4 faktor dan yang lebih tinggi serta
interaksi 3 faktor dan yang lebih tinggi, tidak ada dalam model. Sedangkan untuk k = 2
dan k = 1, memberi keputusan bahwa H0 ditolak, yang berarti secara signifikan
menjelaskan hubungan antar peubah di semua tingkat interaksi dalam model dan
minimal interaksi 2 faktor harus terdapat dalam model.
Tahap kedua adalah menguji kesesuaian model penuh dengan k-faktor sama
dengan nol. Hipotesis yang disusun adalah:
H0: interaksi k-faktor sama dengan nol
H1: interaksi k-faktor terkandung dalam model
Keputusan yang diambil adalah tolak H0 jika p , dimana = 0,05.
Tests that K-way effects are zero.
27/35
4/19/2016
DF
L.R. Chisq
Prob
Pearson Chisq
Prob
Iteration
1
803,114
,0000
1008,184
,0000
15
100,893
,0000
97,688
,0000
13
15,466
,2792
17,956
,1592
7,457
,1136
7,118
,1298
0
0
0
0
Berdasarkan output di atas, untuk k = 1 dan k = 2, H0 ditolak, berarti model

dengan interaksi 1 faktor dan 2 faktor signifikan menjelaskan hubungan antar peubah.
Tahap ketiga adalah menguji kebebasan secara parsial. Uji ini akan
menunjukkan interaksi-interaksi yang ada dalam model. Jika diuji pada tingkat
kepercayaan 0,05, dengan hipotesis:
H0: tidak ada interaksi antar berbagai peubah
H1: interaksi antar berbagai peubah terkandung dalam model
Maka dihasilkan empat interaksi berderajat dua serta tiga efek utama. Apabila
diurutkan berdasarkan tingkat signifikansinya, interaksi-interaksi yang ada dalam
model adalah [X], [Y], [Z], [XY], [XZ],[YZ], [ZW].
Tests of PARTIAL associations.
Effect Name
DF Partial Chisq
Prob
28/35
4/19/2016
Iter
JNS*WLH*TKP
3,425
,4894
JNS*WLH*WKT
1,123
,2892
JNS*TKP*WKT
3,956
,4119
WLH*TKP*WKT
6,575
,1601
JNS*WLH
8,942
,0028
JNS*TKP
11,607
,0205
WLH*TKP
31,098
,0000
JNS*WKT
3,197
,0738
WLH*WKT
1,633
,2014
TKP*WKT
33,575
,0000
JNS
344,007
,0000
WLH
193,756
,0000
TKP
264,048
,0000
WKT
1,303
,2537
4
3
4
4
4
4
4
4
4
4
2
2
2
29/35
4/19/2016
2
--------------------------------
Tahap selanjutnya adalah melakukan pengujian model log linier yang

mengandung interaksi dengan menggunakan metode backward elimination. Hasilnya
adalah model log linier terbaik [JNS*TKP] [WLH*TKP] [TKP*WKT] [JNS*WLH] atau
[XZ][YZ][ZW][XY].
The final model has generating class
JNS*TKP
WLH*TKP
TKP*WKT
JNS*WLH
Bentuk umum dari model log linier [XZ][YZ][ZW][XY] adalah:
Keterangan:
= frekuensi harapan pada sel ke-ijkl dalam model
= pengaruh umum rata-rata
= pengaruh utama peubah X, kategori ke-i
30/35
4/19/2016
= pengaruh utama peubah Y, kategori ke-j

= pengaruh utama peubah Z, kategori ke-k
= pengaruh utama peubah W, kategori ke-l
= pengaruh interaksi peubah X dan Y, kategori ke-ij
= pengaruh interaksi peubah X dan Z, kategori ke-ik
= pengaruh interaksi peubah Y dan Z, kategori ke-jk
= pengaruh interaksi peubah Z dan W, kategori ke-kl
Fajar Choirul Anwar, SST
31/35
4/19/2016
Rp152.000
Rp485.000
Rp33.000
Rp127.500
Rp52.000
Rp150.000
"Terima kasih sudah membaca artikel dengan judul CONTOH PENGGUNAAN

METODE STATISTIK REGRESI LOGISTIK LINEAR. Anda bisa bookmark
halaman ini dengan URL http://statistikceria.blogspot.co.id/2014/12/metodestatistik-regresi-logistik.html. Apabila ada yang kurang jelas silahkan tinggalkan
komentar atau pesan."
Share artikel ke: Facebook
Digg
Lintasme
Twitter
Google+
Linkedin
Technorati
Materi Terkait
32/35
4/19/2016
NEWER POST OLDER POST

COMMENT!
5 COMMENTS :
1.
MOBILE APP DEVELOPERSDecember 24, 2015 at

9:01 PM
I dont know how should I give you thanks! I am totally

stunned by your article. You saved my time. Thanks a million
for sharing this article.
ReplyDelete
2.
OBAT PELANGSING BADAN HERBAL

ALAMIFebruary 14, 2016 at 11:07 PM
33/35
4/19/2016
Keep Spirit !!!

ReplyDelete
3.
OBAT TRADISIONAL HIPERTENSI PALING

AMPUHFebruary 14, 2016 at 11:08 PM
keren banget
ReplyDelete
4.
UX DESIGNERS DELHIMarch 5, 2016 at 3:33 AM

Nice post, things explained in details. Thank You.
ReplyDelete
5.
JUAL TANAHApril 7, 2016 at 7:53 AM

sangat bermanfaat, thx.
ReplyDelete
34/35
4/19/2016
Enter your comment...
Comment as:
Publish
Zulfa QrW (Google)
Preview
Sign out
Notify me
Load more...
Copyright @ 2013 Statistik Ceria
35/35

Contoh Penggunaan Metode Statistik Regresi Logistik Linear - Statistik Ceria

Diunggah oleh

Informasi Dokumen

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

Contoh Penggunaan Metode Statistik Regresi Logistik Linear - Statistik Ceria

Diunggah oleh

Hak Cipta:

Format Tersedia

4/19/2016

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

Home Unlabelled CONTOH PENGGUNAAN METODE STATISTIK REGRESI

CONTOH PENGGUNAAN METODE

Analisis Log Linier

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

digunakan untuk menganalisis atau mempelajari pola asosiasi antara beberapa

Sierra - Bedcover dan Sprei Retro x Dottie Onyx 200x200

Berikut langkah-langkah analisis Log Linier :

Buka file data yang akan dianalisis

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

Masukkan variabel jenis,wilayah, TKP dan waktu pada kotak factor(s)

Uji t Perbedaan Ratarata Dua

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

Klik OK sehingga output SPSS Viewer menampilkan hasil berikut :

[Tutorial] cara membuat Grafik

786 unweighted cases accepted.

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

DESIGN 1 has generating class

,500 has been added to all

This value may be changed by using the CRITERIA = DELTA

and the convergence criterion is

-------------------------------Observed, Expected Frequencies and Residuals.

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

-------------------------------Goodness-of-fit test statistics

Pearson chi square =

-------------------------------Tests that K-way and higher order effects are zero.

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

Tests of PARTIAL associations.

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

-------------------------------If Deleted Simple Effect is

L.R. Chisq Change

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

The best model has generating class

-------------------------------If Deleted Simple Effect is

L.R. Chisq Change

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

L.R. Chisq Change

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

L.R. Chisq Change

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

If Deleted Simple Effect is

L.R. Chisq Change

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

-------------------------------If Deleted Simple Effect is

L.R. Chisq Change

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

Likelihood ratio chi square =

L.R. Chisq Change

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

L.R. Chisq Change

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

Likelihood ratio chi square =

and the convergence criterion is

-------------------------------Observed, Expected Frequencies and Residuals.

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria

CONTOH PENGGUNAAN METODE STATISTIK REGRESI LOGISTIK LINEAR - Statistik Ceria