Oleh
Bambang Juanda
Seringkali dalam suatu survei kita berhadapan
dengan peubah kualitatif yang mempunyai skala
pengukuran nominal atau ordinal. Nilai-nilai
peubah respons kualitatif ini terbatas (limited
dependent variable), bahkan sering hanya bernilai
dua kemungkinan saja. Misalnya, apakah
seseorang membeli mobil atau tidak; memilih
atau tidak dalam Pilkada (pemilihan kepala
daerah); punya penyakit jantung koroner atau
tidak; dan masih banyak contoh lainnya. Peubah
kualitatif yang hanya mempunyai dua
kemungkinan nilai ini disebut peubah biner.
Meskipun logis kita memperkirakan suatu
hubungan langsung antara pendapatan dan
perilaku pembelian, namun kita tidak dapat yakin
apakah masing-masing konsumen dengan
pendapatan tertentu pasti akan membeli produk.
Oleh karena itu, tujuan model pilihan kualitatif
adalah menentukan peluang bahwa individu
dengan karakteristik-karakteristik tertentu akan
memilih suatu pilihan tertentu dari beberapa
alternatif yang tersedia. Jika pilihannya hanya ada
dua alternatif disebut model pilihan biner.
Overview
Response Analysis
Linear
Continuous Regression
Analysis
+ Xi , jika 0<(+Xi)<1
Pi = 1 , jika (+Xi) ≥ 1
0 , jika (+Xi) ≤ 0 (10.4)
Sebaran Peluang bagi εi
Yi εi Peluang
1 1- - Xi Pi
0 - - Xi 1 - Pi
E(εi) = (1- - Xi) Pi + (- - Xi) (1-Pi) = 0
sehingga Pi = + Xi
(1-Pi) = 1 - - Xi
Z F(Z) Z F(Z)
-3.0 .001 0.5 .691
-2.5 .006 1.0 .841
-2.0 .023 1.5 .933
-1.5 .067 2.0 .977
-1.0 .159 2.5 .994
-0.5 .309 3.0 .999
0.0 .500 3.5 .999
Model (Peluang) Linear vs Model Probit
Model Linear
Meskipun model probit lebih menarik dari
model peluang linear, namun untuk
menduga parameter koefisiennya
menggunakan pendugaan kemungkinan
maksimum (maximum likelihood, ML) non
linear. Selain itu, justifikasi atau interpretasi
koefisiennya agak terbatas. Oleh karena itu
sebaiknya menggunakan model logit yang
dibahas dalam subbab berikut
Model Regresi Logistik (Model logit)
menggunakan peubah penjelasnya (dpt peubah
kategorik atau peubah numerik) untuk menduga
peluang kejadian tertentu dari peubah respons
kategori.
e( X )
0 1 i
1 1
P( X i ) Pi
1 e ( X )
0 1 i
1 e g ( X )
Interpretasi: Peluang kejadian tertentu dari peubah respons kategori
(misalnya membeli) jika pendapatannya Xi
Pi
Transformasi
logit
Predictor (X) Predictor (X)
Interpretasi Koefisien Model Logit
Utk Peubah Bebas biner, mis Jenis Kelamin (X=1, X=0)
e( X )
0 1 i
P( X i ) X=1 X=0
1 e( X )
0 1 i
( 0 1 ) 0
e e
Y=1 P (1) P ( 0)
1 e( 0
1 )
1 e 0
1 1
Y=0 1 P (1) 1 P ( 0)
1 e( 0 1 )
1 e 0
Jumlah 1 1
P(1) : Peluang membeli produk utk konsumen Pria P (1)
Odd pria
P(0) : Peluang membeli produk utk konsumen Wanita 1 P (1)
P ( 0)
P(1) P(0) 1 Odd wanita
OddsRatio / e 1 P ( 0)
1 P(1) 1 P(0)
Interpretasi Koefisien
P( X i )
log g ( X i ) 0 1 X i
1 P( X i )
1 = g(X+1) – g(X)
utk X biner: 1 = g(1) – g(0)
P (1) P ( 0) P (1) /(1 P (1))
log log log
1 P (1) 1 P (01) P (0) /(1 P (0))
Ukuran Asosiasi
P(1) /1 P(1)
“Berapa kali Kemungkinan
Odds Ratio: e 1
membeli utk konsumen Pria
P(0) /1 P(0) dibandingkan Konsumen Wanita”
-0.5 0
Note:
^
• SK (1-) 100% bagi Odds Ratio: exp(c ± z/2 c s^)
• Dlm realitas P(x) jika x berbeda 1 unit (12 dgn 1011)
dapat cukup berbeda. →Dilema utk peubah kontinu
dimodelkan linear dlm model logit. Jika yakin bahwa logit
tdk linear dgn covariate grouping (Dummy)
Multiple Logistic Regression
P( X i )
logit (pi) = log g ( X i ) 0 1 X 1i 2 X 2i 3 X 3i
1 P( X i )
B S .E . W a ld df S ig . E xp( B)
Sate p AGE .0 2 5 .0 1 8 1 .9 7 4 1 .1 6 0 1 .0 2 6
1 G E N D E R (1 ) .5 1 1 .2 0 9 5 .9 5 4 1 .0 1 5 1 .6 6 7
IN C O M E 1 2 .3 0 5 2 .0 0 2
IN C O M E (1 ) -.7 87 .2 5 3 9 .6 7 6 1 .0 0 2 .4 5 5
IN C O M E (2 ) -.6 86 .2 4 3 7 .9 4 5 1 .0 0 5 .5 0 3
C o n stan t -1 .32 5 .7 2 0 3 .3 8 2 1 .0 6 6 .2 6 6
a . V a ria b le( s) e n ter e d o n ste p 1 : A G E , G E N D ER , IN C O M E.
Adjusted Odds Ratio
Predictor Outcome
Gender Purchase
Controlling for
Types of Logistic Regression