Materi : Analisis Regresi Logistik Ordinal

1. Pengertian
Regresi logistik ordinal merupakan salah satu analisis regresi yang digunakan untuk
menganalisa hubungan antara variabel respon dengan variabel prediktor, dimana variabel
respon bersifat polikotomus dengan skala ordinal. Metode kemungkinan nilai
maksimum (Maximum Likelihood Estimator/MLE) merupakan metode yang digunakan untuk
menaksir parameter-parameter model regresi logistik. MLE memberikan nilai estimasi β
dengan memaksimumkan fungsi Likelihood. Model yang telah diperoleh perlu diuji
kesignifikansinya dengan melakukan pengujian statistik antara lain uji serentak dan uji
individu. Selain itu terdapat uji yang digunakan untuk menguji kesesuaian model regresi
logistik yaitu Goodness of Fit. Uji independensi dilakukan untuk mengetahui ada atau
tidaknya hubungan antara variabel respon dengan variabel prediktor.
Regresi logistik ordinal merupakan salah satu metode statistika yang menggambarkan
hubungan antara suatu variabel terikat (Y) dengan lebih dari satu variabel bebas (X) dimana
variabel terikat lebih dari dua kategori dan skala pengukuran bersifat tingkatan (Hosmer Dan
Lemeshow, 2000, n.d).

Pada saat membuat model regresi logistik ordinal, diasumsikan bahwa hubungan antara
variabel independen dengan logit adalah sama untuk semua logit, ini berarti bahwa hasil
model berupa sebuah garis paralel untuk setiap kategori variabel respon. Untuk membuktikan
dapat menggunkan Test of parallel lines, dimana uji tersenut digunakan untuk membuktikan
terpenuhinya asumsi bahwa setiap kategori memiliki hubungan antara variabel independen
dengan logit yang sama untuk semua persamaan logit. Jika tidak terpenuhi maka data cukup
dimodelkan dengan regresi logistik multinomial.

2. Model yang Digunakan Analisis Regresi Logistik Ordinal

Model cumulativelogit yang memenuhi asumsi Proportional odds merupakan model
regresi ordinal yang paling umum digunakan karena menghasilkan estimasi yang cukup
mudah untuk diinterpretasi (Lall, 2004).Pada model logit, sifat ordinal dari respon Y
dituangkan dalam peluang kumulatif sehingga cumulative logit models merupakan model
yang didapatkan dengan membandingkan peluang kumulatif yaitu peluangkurang dari atau
sama dengan kategori respon ke-j pada p variabel prediktor yang dinyatakan dalam vektor X,
P(Y≤ j|X), dengan peluang lebih besar dari kategori respon ke-j, P(Y ≤ j|X). Peluang
kumulatif, P(Y ≤ j|X), didefinisikan sebagai berikut:
Dimana j = 1,2,...,J adalah kategori respon.
3. Pengujian Parameter
a. Uji Parallel Lines
Uji Parallel Lines merupakan syarat untuk melakukan model cumulativelogit
Proportional odds.
Hipotesis
H0 : Koefisien slope tidak sama untuk semua variabel
H1 : Koefisien slope sama untuk semua variabel
lo
Statistik Uji: PL=−2 ln
[]l1
Dimana,
l 0 : nilai maksimum likelihood dari sebuah fungsi tanpa variabel independen
l 1 : nilai maksimum likelihood dari sebuah fungsi dengan semua variabel independen
Keputusan
Tolak H0, jika p- value < α atau PL > X 2 α,k(j-2)
b. Uji Simultan
Uji simultan dilakukan untuk memeriksa keberartian koefisien β secara keseluruhan.
Hipotesis
H0 : β1 = β2 = ... = βj = 0
H1 : Minimal ada satu βj ≠ 0, k = 1,2, ..., p
lo
Statistik Uji : G=−2 ln [] l1

Keputusan
Tolak H0, jika p- value < α atau G > X 2 α,p

c. Uji Kecocokan Goodness of Fit.

Hipotesis
H0 : Model cukup memenuhi
H1 : Model tidak memenuhi
Statistik uji
1) Statistik uji Pearson :
 2 (nij − µ^ ij )2
X =∑
ij ^µij

2) Statistik uji Deviance

nij
2
G =2 ∑ nij log
IJ
( )
µ
^ ij

Keputusan

Tolajk Ho, jika X 2 >X 2tabel dan G 2>X 2tabel atau p-value < α

d. Koefisien Determinasi Model

Besarnya nilai koefisien determinasi pada model regresi logistik ditunjukan oleh nilai
Mc Fadden, Cox dan Snell. Negelkerke R-Square
e. Uji Parsial
Untuk uji parsial, signifikansi parameter model dapat diuji dengan Wald Test. Hasil dari
Wald Testdigunakan untuk menunjukan apakah suatu variabel prediktor signifikan atau
layak masuk dalam model atautidak.
Hipotesis
H0 : βi = 0 (variabel independen ke-i tidak berpengaruh nyata terhadap variabel
dependen).
H1 : βi ≠ 0, i = 1,2,..., k (variabel independen ke-i berpengaruh nyata terhadap variabel
dependen).
Statistika uji W

H0 ditolak W> Z α /2 atau P – value < α. Hal ini dikarenakan statistika uji W mengikuti
distribusi normal. Uji W mengikuti distribusi normal dikarenakan jumlah sampel besar.
f. Pembentukan Model
Jika variabel dependen memiliki j (j = 1,2, ... , k) kategori, maka model yang terbentuk
adalah :
Logit [ P{Y≤ 1|X) | α 1+ β1 X 1 +…+ β k X k
Logit [ P{Y≤ 1|X) | α 1+ β1 X 1 +…+ β k X k
.........................................................................
 Logit [ P{Y≤ k-1|X) | α k−1+ β1 X 1 +…+ β k X k

g. Perhitungan nilai odds ratio

exp(a j + β j )
Θ = ( P ≤ j∨1 ) /( P>J ∨1) =
¿¿ exp (a j)

= exp ( β j )
Pada regresi logistik ordinal, terdapat juga interpretasi koefisien model regresi logistik
ordinal yangmerupakan inferensi dan pengambilan keputusan berdasarkan koefisien yang
diestimasi. Koefisien tersebutmenggambarkan slope atau perubahan pada variabel terikat
per unit perubahan pada variabel bebas. Untuk menginterpretasi koefisien parameter,
digunakan odds ratio(ψ). Odds ratio tidak hanya digunakan untuksatu variabel bebas
namun juga lebih dari satu. Interpretasi koefisien untuk model regresi logistik ordinaldapat
dilakukan dengan menggunakan nilai odds rasionya. Parameter βk menyatakan perubahan
fungsi logitdan diperoleh penduga untuk odds rasio yaitu ψ = exp(βk).

DAFTAR PUSTAKA

Agresti,A. 1990. Categorical Data Analysis. New York : JohnWiley& Sons.Inc.

Hosmer DW, Lemeshow S. Applied Logistic Regression New York: John Wiley & Sons,
Inc.; 2000.