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 1X
exp(0 1X ) P
X
P atau Ln
1 exp(0 1X ) 1 P 0 1
exp(Z ) P
P atau Ln Z
1 exp(Z ) 1 P
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 Z2
1
P (Y 1) 2
e 2 dt (z )
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 5%
probit() 1 (0.050) 1.645
atau =0.050
Penghubung logit dan probit sering memberikan hasil yang sama meskipun
penghubung probit mendiskriminasikan dengan lebih baik dan mendekati nilai
median (0.5 respon probabilitas).
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.
Gambar di atas menunjukkan syntax yang dapat kita terapkan. Anda tinggal
mengganti nama variabel di atas dengan nama variabel anda. Untuk kasus di
atas, nama variabel yang dipakai disesuaikan dengan nama variabel di dalam
data.
Model Final menggambarkan model yang mencakup variabel prediktor yang kita
analisis. Nilai ini didapatkan dari proses iterasi untuk menemukan log likelihood
3 |Page
yang maksimal (baca tulisan estimasi maksimum likelihood di bab sebelumnya).
Persamaan untuk model ini adalah sebagai berikut.
probit() 0 1X
F (Z ) 1(Z )
F (Z ) 1 -14.49 2.563(siap) 0.229(mandiri)
Hasil analisis melalui program STATA dapat dilihat pada Tabel di bawah ini.
. probit menikah siap mandiri
------------------------------------------------------------------------------
menikah | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
siap | 2.56276 .7542198 3.40 0.001 1.084516 4.041004
mandiri | -.2288208 .1566053 -1.46 0.144 -.5357616 .07812
_cons | -14.49084 4.175093 -3.47 0.001 -22.67387 -6.307806
------------------------------------------------------------------------------
Note: 22 failures and 25 successes completely determined.
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