UJI SIMULTAN
Hipotesis:
H0 : Tidak ada satupun variabel independen yang secara statistik signifikan memengaruhi variabel
dependen (𝛽1 = 𝛽2 = 𝛽3 = ⋯ = 𝛽𝑝 = 0)
H1 : Minimal terdapat satu buah variabel independen yang secara statistik signifikan memengaruhi
variabel dependen. ( 𝛽𝑖 ≠ 0 , i= 1,2,…,p)
Statistik Uji :
𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 (𝑀𝑜𝑑𝑒𝑙 𝐵)
𝐺 = −2𝑙𝑛 ( )
𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 (𝑀𝑜𝑑𝑒𝑙 𝐴)
dengan
Model B : model yang hanya terdiri dari konstanta
Model A : model yang mengandung semua variabel
UJI PARSIAL
Pengujian dilakukan dengan Uji Wald. Statistik Wald membantu untuk mengidentifikasi parameter mana
yang secara signifikan berpengaruh terhadap model yang dibentuk.
Hipotesis:
H0 : 𝛽𝑘 = 0, untuk k = 0, 1, …, p
H1 : 𝛽𝑘 ≠ 0, untuk k = 0, 1, …, p
Statistik Uji:
̂𝑘 2
𝛽
𝑊𝑗 = ( ̂ )
𝑠𝑒(𝛽𝑘 )
- 𝑊𝑗 berdistribusi Chi-Square dengan df = 1, 𝑊𝑗 ~ 𝜒12
2
- H0 ditolak jika 𝑊𝑗 > 𝜒𝛼,1 atau nilai-p < α
- Jika H0 ditolak, maka parameter tersebut secara signifikan memengaruhi model yang dibentuk.
2. Goodness of Fit (Pearson) dan Deviance
J adalah banyaknya nilai pengamatan 𝑥 yang berbeda. Jika beberapa subjek memiliki nilai x yang
sama maka 𝐽 < 𝑛.
Notasikan banyaknya subjek dengan nilai 𝑥 = 𝑥𝑗 dengan 𝑚𝑗 , j = 1, 2, …, J. Maka ∑ 𝑚𝑗 = 𝑛
𝑌𝑗 adalah banyaknya 𝑦 = 1 diantara 𝑚𝑗 subjek dengan 𝑥 = 𝑥𝑗 . Sehingga ∑ 𝑦𝑗 = 𝑛 yaitu
banyaknya subjek dengan 𝑦 = 1.
- Pearson Residual:
𝑦𝑗 − 𝑚𝑗 𝜋̂𝑗
𝑟(𝑦𝑖 , 𝜋̂𝑗 ) =
√𝑚𝑗 𝜋̂𝑗 (1 − 𝜋̂𝑗 )
2
statistik 𝜒 2 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 adalah 𝜒 2 = ∑𝐽𝑗=1 𝑟(𝑦𝑖 , 𝜋̂𝑗 )
- Deviance Residual
1/2
𝑦𝑖 (𝑚𝑗 − 𝑦𝑖 )
𝑑(𝑦𝑖 , 𝜋̂𝑗 ) = ± {2 [𝑦𝑖 ln ( ) + (𝑚𝑗 − 𝑦𝑖 ) ln ( )]}
𝑚𝑗 𝜋̂𝑗 𝑚𝑗 (1 − 𝜋̂𝑗 )
Tanda + atau − , sama dengan tanda dari 𝑦𝑖 − 𝑚𝑗 𝜋̂𝑗
2
Statistik Deviance adalah 𝐷 = ∑𝐽𝑗=1 𝑑(𝑦𝑖 , 𝜋̂𝑗 )
Transportasi (Y)
jenis kelamin Pekerjaan Pendapatan
(X1) (X2) (X3) bus taxi travel
rendah 4 3 0
PNS sedang 0 3 0
tinggi 1 0 0
rendah 8 2 5
tinggi 9 1 1
rendah 6 0 0
pelajar sedang 6 2 6
tinggi 5 4 0
rendah 1 3 2
perempuan PNS
sedang 0 0 0
tinggi 0 0 0
rendah 13 13 4
Swasta sedang 5 6 1
tinggi 2 1 0
rendah 4 0 0
pelajar Sedang 2 1 1
tinggi 0 2 0
Model Fitting
Criteria Likelihood Ratio Tests
-2 Log
Model Likelihood Chi-Square df Sig.
Model Fitting
Criteria Likelihood Ratio Tests
-2 Log
Likelihood of
Effect Reduced Model Chi-Square df Sig.
1. Jenis Kelamin
H0: Variabel jenis kelamin secara statistik tidak signifikan memengaruhi variabel alat transportasi
H1: Variabel Jenis kelamin secara statistik signifikan memengaruhi variabel alat transportasi
Keputusan : Tolak H0: dapat dilihat pada output diatas nilai sig. lebih kecil dari Alpha 5% yaitu
0,017 < 0,05
Kesimpulan : Dengan taraf nyata 5% data menyediakan cukup bukti bahwa variabel Jenis
Kelamin secara statistik berpengaruh nyata terhadap variabel dependen (alat transportasi)
2. Jenis Pekerjaan
H0: Variabel Jenis Pekerjaan secara statistik tidak signifikan memengaruhi variabel alat transportasi
H1: Variabel Jenis Pekerjaan secara statistik signifikan memengaruhi variabel alat transportasi
Keputusan : Terima H0: dapat dilihat pada output diatas nilai sig. lebih besar dari Alpha 5% yaitu
0,746 > 0,05
Kesimpulan : Dengan taraf nyata 5% data menyediakan cukup bukti bahwa variabel Jenis
Pekerjaan secara statistik tidak berpengaruh nyata terhadap variabel dependen (alat transportasi)
3. Pendapatan
H0: Variabel pendapatan secara statistik tidak signifikan memengaruhi variabel alat transportasi
H1: Variabel pendapatan secara statistik signifikan memengaruhi variabel alat transportasi
Keputusan : Terima H0: dapat dilihat pada output diatas nilai sig. lebih kecil dari Alpha 5% yaitu 0,040
< 0,05
Kesimpulan : Dengan taraf nyata 5% data menyediakan cukup bukti bahwa variabel pendapatan secara
statistik berpengaruh nyata terhadap variabel dependen (alat transportasi)
Chi-Square df Sig.
Dilakukan uji simultan yang dilihat pada nilai Pearson variabel Sig. yaitu 0.237 yang artinya model
layak digunakan karena p-value > α (0.237 > 0.05).
Parameter Estimasi
Parameter Estimates
[Jenis_kelamin=1] 0b . . 0 . . . .
[Jenis_Pekerjaan=3] 0b . . 0 . . . .
[Pendapatan=3] 0b . . 0 . . . .
[Jenis_kelamin=1] 0b . . 0 . . . .
[Pendapatan=3] 0b . . 0 . . . .
Pada penelitian ini kategori variabel respon yang digunakan sebagai pembanding adalah kategori
TRAVEL, sehingga terbentuk dua fungsi logit , dimana logit 1 untuk kategori Bus dan logit 2 untuk
kategori Taxi. Model regresi logistik multinomial dapat ditulis seperti dibawah ini :
𝑒 3,398−0,387𝐽𝐾0−3,000𝐽𝑃1−0,253𝐽𝑃2−1,820𝑃1−2,492𝑃2
𝑝𝑟𝑜𝑏 (𝑦 = 1) =
1 + 𝑒 3,398−0,387𝐽𝐾0−3,000𝐽𝑃1−0,253𝐽𝑃2−1,820𝑃1−2,492𝑃2
𝑒 2,986−1,325𝐽𝐾0+0,718𝐽𝑃1+0,031𝐽𝑃2−1,918𝑃1−2,086𝑃2
𝑝𝑟𝑜𝑏 (𝑦 = 2) =
1 + 𝑒 2,986−1,325𝐽𝐾0+0,718𝐽𝑃1+0,031𝐽𝑃2−1,918𝑃1−2,086𝑃2
Keterangan:
Jenis Kelamin JK0: Laki-laki
JK1: Perempuan
Jenis Pekerjaan JP1: PNS
JP2: Swasta
JP3: Pelajar
Pendapatan P1: rendah
P2: sedang
P3: tinggi
INTERPRETASI
Dalam analisis regresi logistik multinomial parameter yang dapat kita interpretasi/artikan yaitu odd
rationya. Sehingga kita peroleh interpretasi sebagai berikut :
1. Interpretasi jenis kelamin laki-laki pada alat transportasi bus
Kecenderungan penumpang dengan jenis kelamin laki-laki untuk menggunakan alat transportasi Bus
dibandingkan alat transportasi travel sebesar 0,679 kali lipat dari penumpang dengan jenis kelamin
wanita
Atau
kecenderungan penumpang jenis kelamin wanita untuk menggunakan alat transportasi bus
dibandingkan travel sebesar 1,473 kalinya dari penumpang dengan jenis kelamin laki-laki.
2. Interpretasi jenis pekerjaan PNS pada alat transportasi bus
Kecenderungan penumpang dengan jenis pekerjaan PNS untuk menggunakan alat transportasi Bus
dibandingkan alat transportasi travel sebesar 0,741 kali lipat dari penumpang dengan jenis pekerjaan
pelajar.
Atau
Kecenderungan penumpang dengan jenis pekerjaan pelajar untuk menggunakan alat transportasi
Bus dibandingkan alat transportasi travel sebesar 1,349 kali lipat dari penumpang dengan jenis
pekerjaan PNS.
3. Interpretasi jenis pekerjaan Swasta pada alat transportasi Bus
Kecenderungan penumpang dengan jenis pekerjaan Swasta untuk menggunakan alat transportasi
Bus dibandingkan alat transportasi travel sebesar 0,776 kali lipat dari penumpang dengan jenis
pekerjaan pelajar
Atau
Kecenderungan penumpang dengan jenis pekerjaan pelajar untuk menggunakan alat transportasi
Bus dibandingkan alat transportasi travel sebesar 1,288 kali lipat dari penumpang dengan jenis
pekerjaan Swasta.
4. Interpretasi pendapatan rendah pada alat transportasi Bus
Kecenderungan penumpang dengan pendapatan rendah untuk menggunakan alat transportasi Bus
dibandingkan alat transportasi travel sebesar 0,162 kali lipat dari penumpang dengan pendapatan
tinggi.
Atau
Kecenderungan penumpang dengan pendapatan tinggi untuk menggunakan alat transportasi bus
dibandingkan alat transportasi travel sebesar 6,173 kalinya dari penumpang dengan pendapatan
rendah.
5. Interpretasi pendapatan sedang pada alat transportasi Bus
Kecenderungan penumpang dengan pendapatan sedang untuk menggunakan alat transportasi Bus
dibandingkan alat transportasi travel sebesar 0,083 kali lipat dari penumpang dengan pendapatan
tinggi.
Atau
Kecenderungan penumpang dengan pendapatan tinggi untuk menggunakan alat transportasi Bus
dibandingkan alat transportasi travel sebesar 12,048 kali lipat dari penumpang dengan pendapatan
sedang.
6. Interpretasi jenis kelamin laki-laki pada alat transportasi taxi
Kecenderungan penumpang dengan jenis kelamin laki-laki untuk menggunakan alat transportasi taxi
dibandingkan alat transportasi travel sebesar 0,266 kali lipat dari penumpang dengan jenis kelamin
wanita.
Atau
Kecenderungan penumpang dengan jenis kelamin wanita untuk menggunakan alat transportasi taxi
dibandingkan alat transportasi travel sebesar 3,759 kali lipat dari penumpang dengan jenis kelamin
laki-laki.
7. Interpretasi jenis pekerjaan PNS pada alat transportasi taxi
Kecenderungan penumpang dengan jenis pekerjaan PNS untuk menggunakan alat transportasi taxi
dibandingkan alat transportasi travel sebesar 2,050 kali lipat dari penumpang dengan jenis pekerjaan
pelajar.
Diketahui
𝜋̅ = 0.08 , Rasio odds sama dengan 1.57, 𝜆 = log(1.57) = 0.45, 𝜆2 = 0.202, 𝛽 = 0.1, 𝛼 = 0.05,
𝑍𝛼 = 1.64, 𝑍𝛽 = 1.28
0.202
[1 + (1 + 0.202) exp (5 ×
𝛿= 4 )]
0.202
[1 + exp (− 4 )]
2.548
= = 1.306
1.951
[1.64 + 1.28 exp(−0.202⁄4)]2 (1 + 2 × 0.08 × 1.306)
𝑛= = 612
(0.08 × 0.202)
Power
Power adalah peluang untuk mendeteksi suatu efek, dengan syarat efek itu ada.
Power seharusnya sudah dihitung pada tahap perancangan studi sebelum penelitian dimulai, biasanya
digunakan 80%. Penurunan power dapat diperlambat dengan memperbesar ukuran sampel. Analisis
power dilakukan setelah penelitian dilakukan, yaitu jika ukuran sampel yang diinginkan tidak tercapai,
yaitu menghitung ulang power sesuai dengan ukuran sampel yang sebenarnya diperoleh. Jika pada
perhitungan ukuran sampel sebelum penelitian didapatkan ukuran sampel n1, tetapi pada pelaksanaan
penelitian hanya diperoleh ukuran sampel n2, maka setelah penelitian harus dilakukan analisis power
untuk menghitung ulang besar power yang sesungguhnya tercapai. Power dan beta tidak boleh
dispesifikasikan secara bersama (hanya salah satu yang dispesifikasikan), dengan hubungan 𝑝𝑜𝑤𝑒𝑟 =
1 − 𝛽.
Berdasar contoh soal sample size, diketahui kesalahan tipe 2 (𝛽 = 0.1) dan jumlah sampel minimal (n)
sebesar 612, maka dapat diketahui bahwa nilai power yaitu:
𝑝𝑜𝑤𝑒𝑟 = 1 − 𝛽 = 1 − 0.1 = 0.9
Maka dapat disimpulkan bahwa power yang ditargetkan sebesar 0.9 pada ukuran sampel minimal 612.
Refferensi:
Agresti, Alan. 2002. Categorical Data Analysis, Second Edition. Canada: John Willey & Sons.