Model Log Linear
Model Log Linear
Pembahasan
Apabila dalam suatu penelitian diperoleh data yang bukan merupakan hasil
pengukuran, tetapi suatu data yang bersifat kualitatif atau kategorikal dari suatu
variabel kategori K yang bersifat diskrit, maka analisis statistik yang sesuai adalah
dengan analisis data kualitatif yaitu analisi ln linear. Data-data kualitatif semacam ini
sering kita jumpai dalam penelitian-penelitian bidang sosial dan biolni.
dimana
n i n.. j
^
(X, Y) p ij = p p i.. j = (R -1) (c -1)
m ij
N
^
(XY) - = n ij 0
m ij
n n i.. j n i.
^ c ^ c c
= = =
m ij
m ij
N N
n. j,
yang c n. j = N , maka
n i.
^
= N = n i.
m i.
N
^
(Sama untuk ).
m. j
Derajat kebebasan untuk model (X, Y) sesuai dengan perbedaan antara sel
probabilitas linear dalam tabel dan jumlah probabilitas linear dalam kategori marjinal,
sehingga,
df = (rc - 1) - (r + c - 2) = (r - 1) (c - 1).
Probabilitas sel linear independen untuk dikurangkan dari (rc - 1), dalam rangka untuk
menentukan derajat kebebasan, adalah (r + c -2) untuk kategori marjinal, dan (r -1) (c -
1) untuk interaksi kategori, kemudian
Untuk frekuensi yang diharapkan diperkirakan dalam model (XY), model ini berisi
semua parameter yang mungkin, sehingga memberi cocok sempurna untuk data; maka
diharapkan frekuensi diperkirakan hanya
^
= N ij.
m ij
Sebagai model pas yang bersangkutan, kita mengatakan bahwa model memiliki fit yang
baik jika itu merupakan data. Ini berarti bahwa statistik
r c n ij
2
G = 2
n ij ln .
^
i j m ij
harus menjadi nilai yang, dalam ditetapkan G2 distribusi, memiliki nilai p lebih tinggi
dibandingkan 0.10 setidaknya. Artinya, frekuensi yang diharapkan diperkirakan cukup
dekat dengan frekuensi yang diamati.
Jika bentuk probabilitas model ini p ij = p p i.. j, G 2 statistik dengan p> 0,10 memberikan
bukti bahwa X dan Y adalah independen dan model (X, Y) sesuai dengan data yang benar
Efek
Tabel 2.3: Efek, hipotesis nol, frekuensi yang diharapkan diperkirakan, derajat kebebasan
Umum
p 11 = = p rc = [1 / (rc)] n 11 = = n rc = [N / (rc)] rc -1
efek
Tunggal
p 1 = = p r = 1 / r n 1 = = n r = N / r r-1
Faktor
p .1 = = p c =. 1 / c n .1 = = n. c = N / c c-1
Efek
Berinteraksi.
p ij = p i. p. j [(N i. n. J) / (N)] (R -1) (c -1)
Efek
Pada tabel 2.3 , untuk efek umum, hipotesis nol menentukan probabilitas yang sama untuk semua
sel RXC, maka equidistribution N dalam sel RXC. Untuk setiap variabel tunggal (faktor), hipotesis nol
menentukan probabilitas yang sama untuk kategori, maka equidistribution N dalam kategori. Untuk
efek interaksi, hipotesis nol menetapkan bahwa dua variabel X dan Y independen. Rasio
kemungkinan statistik G 2 digunakan untuk menguji hipotesis dalam tabel 2.3 .
Umum
- G G 2 = 2 {rc n ij ln (n ij / [N / rc])} rc -1
Efek
Tunggal
X G X 2 = 2 r i. n ln (n i. / N / r)} r -1
Faktor
Y G Y 2 = 2 c j n ln. (N. J / N / c)} c -1
Efek
Berinteraksi.
G XY 2 = 2 r c ij n ln (n ij / [(n i.
XY (R -1) (c -1)
n. J) / N])}
Efek
Nilai tinggi dari statistik 2 G (p <.05) memberikan bukti bahwa hipotesis nol ditolak dan bahwa ada
efek ditafsirkan karena faktor tertentu (variabel) atau interaksi dari X dan Y.
Parameter estimasi dalam model ln-linear
1
r c
^ ^
u
=
ln (
m ij
)
rc
1
c
^ ^ ^
u X (i)
=
ln (
m ij
)-
u
c
1
r
^ ^ ^
u Y (j)
=
ln (
m ij
)-
u
c
^ ^ ^ ^ ^
= Ln ( )- - -
u XY (ij) m ij u u X (i) u Y (j)
1 1
c r
^ ^ ^ ^
= Ln (
m ij
)-
ln (
m ij
)-
ln (
m ij
)+
u
.
c r
^
mana, dalam model jenuh, = n ij .
m ij
Analisis data
Kami mempertimbangkan sebuah contoh ilustratif. Sebuah tabel dua dimensi diberikan
(tabel 2.5 )
Tabel 2.5: frekuensi Diamati
Variabel Y
1 2 3
1 20 56 24 100
Variabel X
2 8 28 14 50
3 2 16 2 20
30 100 40 170
Frekuensi yang diharapkan diperkirakan dihitung untuk setiap sel (tabel 2.6 ). Para G
(X, Y) 2 statistik untuk model kemandirian dihitung dalam rangka untuk memberikan
bukti, baik bahwa (X, Y) model cocok dengan data, atau bahwa model tersebut tidak
sesuai dengan data dan efek interaksi hadir.
Variabel Y
1 2 3
30 100 40 170
( ) ( )
dengan dF=5,14 dan p> 0.10. Hasil ini menunjukkan bahwa (X, Y) model kemandirian
sesuai dengan data, yaitu,
Dalam tabel berikut estimasi untuk parameter dalam model ketergantungan (X,
Y) disajikan. Mereka adalah perkiraan marjinal untuk X dan Y kategori.
û X (i) û Y (j)
1 .77 -. 50
2 .07 .71
3 -. 84 -. 21
̂ [ ]
̂ [ ]
[ ]
=0.77
Begitu seterusnya
̂ [ ] [ ]
=-0.50
Begitu seterusnya.
ln m ij = u + u X (i) + u Y (j)
= 1.13
Dengan spss
Penentuan model:
H0: interaksi k-faktor dan yang lebih tinggi sama dengan nol
H1: interaksi k-faktor dan yang lebih tinggi terkandung dalam model
Tahap kedua adalah menguji kesesuaian model penuh dengan k-faktor sama dengan
nol. Hipotesis yang disusun adalah:
H0: interaksi k-faktor sama dengan nol
H1: interaksi k-faktor terkandung dalam model
Keputusan yang diambil adalah tolak H0 jika p ≤ α , dimana α = 0,05.
K-Way and Higher-Order Effects
Tahap ketiga adalah menguji kebebasan secara parsial. Uji ini akan menunjukkan
interaksi-interaksi yang ada dalam model. Jika diuji pada tingkat kepercayaan 0,05,
dengan hipotesis:
Partial Associations
d
y 2 47,573 ,000 2
i
x 2 9,839 ,007 2
m
Maka dihasilkan dua efek utama. Apabila diurutkan berdasarkan tingkat signifikansinya,
interaksi-interaksi yang ada dalam model adalah [y], [x].
a
Convergence Information
c. Prinsip Hirarki
Prinsip hirarki adalah suatu cara untuk mencari semua kemungkinan dari
metode yang ada. Prinsip hirarki pada dasarnya adalah mencari model secara
teratur dan beraturan dari U oorder tinggi menuju U order yang lebih rendah,
dengan prinsip bahwa jika u order yang mempunyai tingkatan lebih tinggi
masuk atau ada ada di dalam model, maka faktor lain yang lebih rendah
harus ada. Demikian sebaliknya, jika U dengan faktor yang lebih tinggi pasti
juga tidak masuk pada model misalnya, suku ada dalam model, maka
juga harus masuk dalam model. Sedangkan misalkan
tidak masuk dalam model, maka suku tidak masuk dalam model.
Model Simbol
ln (m ijk) = u + u X (i) + u Y (j) + u Z (k) + u XY (ij) u XZ (ik) + + u YZ (jk) (XY, XZ, YZ)