KEGIATAN BELAJAR 5

REGRESI DENGAN RESPON KUALITATIF

Regresi ini dilakukan dan digunakan ketika variabel Y dalam suatu model adalah variabel
kualitatif (bukan berupa angka).

1. Model Probabilitas Linier (LPM)

Mengasumsikan bahwa probabilitas bersifat linear. Model ini dapat diestimasikan dengan
metode OLS. Kelemahan mendasar dari LPM adalah karena probabilitasnya yang tidak
mengandung tidak menjamin antara 0 dan 1.
a. Karakteristik :
Ketika model regresi dimana variabel bersifat kualitatif maka harus di kuantitatifkan
supaya regresi bisa dilakukan (dummy bernilai 1 dan 0). Tujuan dari model regresi
dengan respon kualitatif pada variabel dependen adalah untuk mementukan
probabilitas individu dengan keputusan yang bersifat kualitatif.
b. Model
Model dapat dituliskan sebagai berikut :

Model diatas disebut model LPM karena probabilitas seseorang individu untuk
membeli rumah adalah fungsi linear dari pendapatan individu tersebut. Selain itu
variabe Y menunjukan jawaban yang kualitatif yang di kuantitatifkan dengan angka 1
dan 0.

c. Evaluasi hasil Regresi Model LPM

Model LPM ini diestimasi dengan menggunakan metode OLS. Tujuannya adalah
mendapatkan prediksi sedekat mungkin dengan nilai aktualnya dengan cara mencari
jumlah residual kuadrat yang paling kecil.
 Evaluasi hasil metode OLS yang digunakan dalam LPM meliputi:
- Penilaian seberapa baik model regresi menjelaskan variasi variabel dependen
melalui koefisien determinan
- Uji kelayakan model dengan uji signifikansi pengaruh semua variabel independen
secera seretak terhadap variabel dependen melalui uji F
- Uji signifikansi pengaruh variabel independen terhadap varaiabel dependen secara
individu melalui uji t
- Uji gabungan koefisien regresi jika diperlukan
- Uji asumsi OLS
d. Kelemahan Model LPM
- Variabel gangguan error tidak terdistribusi normal
- Varian dari variabel gangguan mengandung unsur heteroskedastis
- E(Y|X) tidak selalu terletak pada 0 ≤ E(Y|X) ≤ 1
- Nilai koefisien determinasi diragukan kebenarannya

2. Model Logit
Model yang manjamin terpenuhinya kelemahan model LPM yakni probailitas bersifat
linier dan tidak menjamin nilai probabilitasnya antara 0 dan 1 adalah fungsi distribusi
kumulatif atau Cumulatif Distribution Function (CDF), misalnya probit dan logit.
Model fungsi distribusi kumulatif atau Cumulatif Distribution Function (CDF) adalah
sbeuah model yang mampu menjamin bahwa nilai probabilitas terletak antara 0 dan 1
sehingga dapat membuat model regresi dimana respon dari variabel dependen bersifat
dikotomis yakni 0 dan 1 terpenuhi.
CDF memenuhi dua sifat, yaitu :
a. Ketika X naik maka P(Y = 1|X) akan naik pula tetapi tidak pernah keluar dari interval
1-0
b. Hubungan antara P dan X adalah non linear seingga tingkat perubahannya tidak sama
tapi kenaikannya samakin besar dan kemudian sekamin kecil
 Evaluasi Hasil Logit :

Regresi dengan menggunakan metode Maximum Likelihood (ML) adalah mencari

koefisien regresi sehingga probabilitas kejadian dari variabel dependen bisa setinggi
mungkin atau isa semaksimum mungkin, bisanya disebut dengan Log of the Likelihood
(LL). Evaluasi hasil metode Maximum Likelihood (ML) yang digunakan dalam regresi
logistic meliputi :

a. Penilaian seberapa baik (Goodness of fit) model regresi

b. Uji kelayakan model yaitu uji pengaruh semua variabel independen secera serentak
terhadap variabel dependen (Overall model fit)
c. Uji signifikansi pengaruh variabel independen terhadap variabel dependen secara
individual (Significance test)

(Penjelasan lebih lengkap dapat dilihat pada modul)

3. Model Probit
Adalah model respon kualitatif yang didasarkan pada fungsi probailitas distribusi normal.
Perbedaan antara model probit dan model logit adalah pada nilai probabilitas angka 0
atau 1. Pada probit, probabilitas yang mendekati 0 atau 1 mempunyai tingkat penurunan
yang lebih cepat daripada model logit. Atau model logit lebih mendatar daripada model
probit.
Evaluasi model Probit :

a. Penilaian seberapa baik (Goodness of fit) model regresi

b. Uji kelayakan model yaitu uji pengaruh semua variabel independen secera serentak
terhadap variabel dependen (Overall model fit)
c. Uji signifikansi pengaruh variabel independen terhadap variabel dependen secara
individual (Significance test)

(Penjelasan lebih lengkap dapat dilihat pada modul)