5.1 Pengenalan
Bagi mendapatkan model regresi logistik terbaik kajian ini, analisis berpandukan
carta aliran proses analisis regresi logistik yang telah diperkenalkan pada bab
metodologi sebelum inni harus dilaksanakan. Bermula dengan mengira bilangan
model yang mungkin dan setserusnya diikuti oleh pemilihan model yang terpilih. Bagi
memilih model yang terpilih, ujian multikolinearan dan ujian pekali dijalankan. Ujian
wald turut dijalankan sebagai ujian sokongan. Kemudian jadual lapan kriteria
pemilihan yang diubahsuai (M8SC) akan digunakan dalam menentukan model regresi
yang terbaik. Setelah model terbaik diperolehi, maka ujian kebagusan penyesuaian
boleh dilaksanakan terhadap model tersebut. Berikutnya merupakan setiap proses
bagi mendapatkan model regresi yang tserbaik yang dijelaskan dengan lebih
terperinci bersama-sama keputusan data yang diperolehi.
Di mana,
N = bilangan semua model yang mungkin
K = bilangan pembolehubah tidak bersandar bagi j=1,2,3…k(tidak termasuk
pembolehubah patung)
M8:
Y = β0 + β1X1+ β2X2 + β12X12 + (βAA + βBB) +(β1AX1A + β1BX1B) +(β2AX2A + β2BX2B)+u …..(5.2)
Persamaan 5.2 mununjukkan persamaan model M8. Proses penyingkiran dilakukan
berdasarkan jadual matrix korelasi yang diperolehi daripada analisis SPSS. Jadual
adalah seperti berikut:
Berdasarkan jadual 5.3 proses penyingkiran adalah berdasarkan kes C, dimana setiap
pembolehubah hanya mempunyai satu sahaja kekerapan. Berdasarkan jadual
tersebut, nilai pekali korelasi tertinggi iaitu melebihi 0.95 adalah 0.970 dan 0.96.
Dalam menentukan pembolehubah yang perlu disingkirkan pembolehubah tidak
bersandar yang berkait rapat dibandingkan dari segi pekali korelasi mutlak dan nilai
yang terkecil berdasarkan nilai Y akan disingkirkan. Berdasarkan jadual 5.2 nilai
pekali korelasi mutlak yang terkecil adalah pembolehubah X 1 dan X2iaitu 0.029 dan
0.250. Maka, pembolehubah X1 dan X2 disingkirkan dari model M8.
Jadual 5.5 merupakan jadual pekali bagi model M1. Bedasarkan jadual tersebut nilai
p tertinggi ialah pembolehubah X1 yang mempunyai nilai p 0.546. Maka,
pembolehubah X1 akan disingkirkan terlebih dahulu. Penyingkiran pembolehubah X 1
menghasilkan model baru M1.0.1. Berikut adalah model M.1.0.1
M1.0.1 : Y = β0 + β1X1 + (βAA + βBB ) +u ………………………………………….(5.5)
Jadual 5.6 Jadual Pekali Model 1.0.1
Melalui jadual 5.6, nilai p bagi pembolehubah A adalah lebih besar dari 0.05, maka
pembolehubah ini disingkirkan dari model M.1.0.1 dan terbentuklah persamaan baru
iaitu;
M1.0.2 : Y = β0 + βA A + βBB +u …………………………………….. (5.6)
Coefficientsa
Pekali
Pekali Tidak Standard Standard
Std.
Model B Error Beta t Sig.
1 (Constant)
.330 .039 8.427 .000
Jadual 5.7 merupakan jadual pekali bagi M1.0.2 dimana pembolehubah A mempunyai
nilai p yang besar dari 0.05. Maka pembolehubah ini disingkirkan dan menghasilkan
persamaan M1.0.3 iaitu;
M1.0.3 : Y = β0 + βBB +u ………………………………………………..(5.7)
Pekali
Model Pekali tidak Pekali t Sig.
Piawai Piawai
B Ralat Beta
Piawai
1 (Constant) .333 .039 8.602 .000
Jadual 5.8 merupakan jadual pekali bagi M1.0.3 dimana semua pembolehubah telah
mempunyai nilai p kurang dari 0.05. Oleh itu, tujuan ujian ini terlah tercapai dan
model M1.0.2 merupakan salah satu model terpilih dalam kajian ini.
Model terpilih dalam kajian ini diperolehi setelah ujian multikolinearan da ujian pekali
dijalankan. Model-model terpilih adalah bebas dari masalah multikolinearan dan
bebas daripada pembolehubah-pembolehubah yang tidak signifikan. Jadual 5.9
merupakan ringkasan model terpilih bagi kajian ini serta parameter ( k + 1) dan nilai
statistik devians (G2) masing-masing.
HQ 2.6901 2.7446
Berdasarkan 5.10 model M1.0.3 mempunyai nilai minimum bagi setiap lapan kriteria.
Oleh itu, model M1.0.3 merupakan model terbaik dalam kajian ini.
Persamaan bagi model M1.0.3 ditunjukkan dalam persamaan 5.8 seperti berikut:
Y = β0 +βBB +u