Wahyu
Widhiarso
Fakultas Psikologi Universitas Gadjah Mada
Yogyakarta |
2012
1 Pengantar
Ketika variabel dependen (Y) berbentuk dikotomi atau biner dan
diasumsikan mengikuti distribusi binomial kita dapat menggunakan
analisis regresi logit atau probit. Salah satu keuntungan untuk
menggunakan regresi probit adalah bahwa nilainilai yang diperoleh dari
pencocokan model (fitting) langsung dapat diubah menjadi probabilitas
dengan menggunakan nilai dari tabel normal standar. Dalam hal ini kita
hanya perlu mencari nilai probabilitas terkait dengan skor z yang diperoleh
dari model.
2 Persamaan
Regresi linier dengan satu prediktor (X) didefinisikan dengan persamaan
di bawah ini. B0 adalah intersep dan B1 adalah slope. Slope
menunjukkan seberapa besar peranan prediktor (X) dalam menjelaskan
variabel keluaran (Y).
Y 0
1 X
exp(0 1 X ) P
X
P ata Ln
1 exp(0 1X ) u 0 1
1P
exp(Z ) P
P ata Ln Z
u
1 ) 1 P
exp(Z
Persamaan ini didasari pada distribusi normal () di bawah ini sehingga regresi
probit ditunjukkan dengan (Z) (Skrondal & Hesketh, 2004). Simbol
menunjukkan berlakunya fungsi deviasi standar distribusi normal
(inverse standard normal distribution).
t Z
2
1
P(Y 1) e 2 dt (z )
2
1|Page
Z adalah suatu variabel kontinu yang tidak teramati (laten) karena
merupakan suatu "kecenderungan" munculnya sebuah kejadian. Jadi
misalnya data teramati kita adalah lulus (kode 1) dan tidak lulus (kode
0), nilai Z menunjukkan kecenderungan atau probabilitas untuk lulus.
Contoh lainnya adalah data pelanggan. Melakukan pembelian ulang
(kode 1) dan tidak melakukan pembelian ulang (kode 0). Dalam kasus
ini Z merupakan suatu kecenderungan pelanggan untuk melakukan
pembelian ulang. Semakin besar nilai Z semakin besar
kecenderungan pelanggan untuk melakukan pembelian ulang.
Luas Area 1
50% probit() (0.500) 0
atau
=0.050
1
probit() (0.050) 1.645
Luas Area
5%
atau
=0.050 1
probit() (0.975) 1.96
Luas Area
97.5%
atau
=0.975
4 Praktek !
4.1.1 Data
Kali ini kita meneliti seberapa besar probabilitas jejaka untuk
memutuskan menikah didasarkan dari kesiapan (X1) dan tingkat
kemandiriannya (X2).
2|Page
Variabel keputusan menikah bersifat kategorikal, memutuskan menikah
(kode 1) dan belum memutuskan menikah (kode 0). Data prediktor
bersifat kontinyu karena didapatkan dari skor skala psikologi. Tabel di
bawah ini contoh penampakan data ini.
4.1.2 Menganalisis
Di program SPSS analisis regresi probit dengan tampilan data di atas lebih
tepat dianalisis dengan menggunakan syntax.
probit() 0
1 X
1
F (Z ) (Z )
1 -14.49
2.563(siap) 0.229(mandiri)
F (Z )
Hasil analisis melalui program STATA dapat dilihat pada Tabel di bawah
ini.
. probit menikah siap mandiri
4|Page
F adalah fungsi distribusi normal kumulatif. Interpretasi koefisien dalam
regresi probit tidak sama dengan regresi linier atau regresi logistik.
Peningkatan probabilitas dalam analisis ini dikaitkan dengan peningkatan
satu unit prediktor lain dan nilai awal prediktor.
Dari hasil analisis ini dapat ketahui koefisien (beta) untuk kesiapan menikah
adalah 2.563 (p<0.05). Nilai signifikansi di bawah 0.05 menunjukkan
bahwa nilai koefisien ini berbeda secara signifikan dengan beta=0.
Dengan kata lain merupakan prediktor pemilihan keputusan menikah
yang signifikan. Sebaliknya, nilai koefisien kesiapan tidak
signifikan (2.563; p<0.05) sehingga bukan
merupakan prediktor pemilihan keputusan menikah.
5 Referensi
Skrondal, A. and RabeHesketh, S. (2004). Generalized Latent Variable
Modeling: Multilevel, Longitudinal and Structural Equation Models.
Boca Raton, FL : Chapman & Hall/CRC
5|Page