MODEL PILIHAN KUALITATIF

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

- -Model Peluang Linear

-Model Probit
Categorical
 Ilustrasi
Studi mengenai pengaruh tingkat pendapatan,
jenis kelamin dan umur terhadap membeli
tidaknya seseorang pada suatu produk yang
dijual dengan harga tertentu.

Peubah Penjelas (bebas): umur, jenis kelamin dan

tingkat pendapatan
Peubah Respons(Y): membeli (=1) atau tidak (=0)
 Ilustrasi utk 1 Peubah Bebas
Studi mengenai pengaruh tk pendapatan atau
jenis kelamin (X) terhadap membeli tidaknya
seseorang (Y) pada suatu produk yang dijual
dengan harga tertentu.
Peubah Penjelas (bebas):
Tk Pendapatan: X = Rp …… juta
atau Jenis Kelamin: X= 1, jika Pria
0, jika Wanita
Peubah Respons: Y = 1, jika membeli
0, jika tidak membeli
 1. Model Peluang Linear
Yi =  +  Xi + εi (10.1)
Dimana Xi = nilai karakteristik (misalnya pendapatan) individu ke-i,
Yi = 1 , jika pilihan kesatu dipilih (misalnya membeli mobil)
0 , jika pilihan kedua dipilih (tidak membeli mobil).
εi = peubah acak yang menyebar bebas dengan nilai tengah 0.
Untuk menginterpretasikan persamaan (10.1) kita tentukan nilai
harapan dari masing-masing pengamatan peubah respons Yi :
E(Yi) =  +  Xi (10.2)
Karena Yi hanya mempunyai kemungkinan dua macam nilai (1 dan 0),
kita dapat menggambarkan sebaran peluang Y dengan memisalkan:
Pi = P(Yi=1) dan 1-Pi = P(Yi=0),
sehingga E(Yi) = 1 (Pi) + 0 (1-Pi) = Pi. (10.3)

model (10.1)  peluang bahwa individu konsumen ke-i dengan

pendapatan tertentu (Xi) akan membeli mobil.
Slope garis mengukur pengaruh perubahan 1 unit pendapatan
terhadap perubahan peluang membeli mobil
 Dugaan Model Peluang Linear

 +  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

Ragam komponen sisaan

E ( i2 )  (1     Xi ) 2 Pi  (  X i ) 2 (1  Pi )  Pi (1  Pi )
2 2 2 2
Var(Yi )  E(Yi )  EYi   E(Yi )[1  E(Yi )]  Pi (1  Pi )  i  E(i )
Jadi, peubah Y menyebar menurut
sebaran (distribusi) peluang Bernouli.
 Masalah heteroskedastisitas
Kendala dalam model peluang linear perlu transformasi
model (linear) awal sedemikian rupa sehingga prediksi nilai
Y berada dalam selang (0;1) untuk semua nilai peubah
bebas X. Salah satu bentuk transformasi yang mempunyai
karakteristik seperti ini adalah fungsi peluang kumulatif
(cumulative probability function), F.[1] Sebaran
peluangnya dapat direpresentasikan dalam bentuk:
Pi = F( +  Xi) = F(Zi)

Sebenarnya banyak fungsi peluang kumulatif yang

mungkin dapat digunakan, namun disini hanya dua macam
yang dipertimbangkan, yaitu fungsi peluang normal dan
logistik kumulatif.

[1] Fungsi peluang kumulatif adalah F(xi)=Peluang (X≤xi)

 Model Probit
Pi = F( +  Xi) = F(Zi)
asumsikan ada suatu indeks Zi yg bernilai kontinu secara teoritis, yg
ditentukan oleh nilai peubah penjelas X shg dapat ditulis:
Zi =  +  Xi
asumsikan bahwa Z merupakan peubah acak yang menyebar normal
sehingga peluang bahwa Z lebih kecil (atau sama dengan) Zi dapat
dihitung dari fungsi peluang normal kumulatif. Untuk fungsi peluang
normal baku kumulatif dapat dituliskan dalam rumus:
Zi
1 s 2 2
Pi  F ( Z i )  e ds
2 
dimana s: peubah acak menyebar normal dgn nilai tengah 0 dan ragam1.
Dgn rumus transformasi diatas, peubah Pi akan bernilai dlm selang (0;1).
Pi menggambarkan peluang individu berkarakteristik (berpendapatan) Xi
memilih pilihan-1 (beli mobil). Karena nilai peluang ini diukur
berdasarkan luas daerah dibawah kurva normal baku dari - sampai Zi,
maka peluang pilihan-1 (beli mobil) makin tinggi jika nilai indeks Zi makin
tinggi. Untuk menduga indeks Zi, kita menggunakan kebalikan (inverse)
dari fungsi normal baku kumulatif (10.9) dengan:
Zi = F-1(Pi) =  +  Xi
 Hubungan Nilai Indeks Z dan
Sebaran Peluang Normal Kumulatifnya

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

Model Logit Sederhana : E (Yi  1 / X i ) 

1  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

Sebaran Logistik menyerupai kurva berbentuk S,

sehingga interpretasinya logis. 0 ≤ E(Y/X) ≤ 1
 Transformasi Logit
Peluang kejadian tertentu dari peubah
respons kategori (pi), ditransformasi shg
 pi   g ( x )     X
logit( pi )  log   i 0 1 i
 1  pi 
i indeks semua kasus (observasi 1,2,..,n).
pi peluang kejadian (misalnya, membeli) terjadi
untuk kasus ke-i.
log adalah natural log (bilangan dasar e).

Fungsi g(x) sudah Linear dalam Parameter,

dan -~ ≤ g(x) ≤ ~, shg dpt diduga dgn OLS
 Assumption
(peubah X berskala Interval)

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”

Interpretasi Pendekatan Peluang Relatif P(1)/P(0)

ini berlaku bila P(x) kecil

Utk X kontinu, exp(1) : Berapa kali Kemungkinan

membelinya jika X naik 1 unit
 Properties of the Odds Ratio
ODDS RATIO
OF GROUP A TO GROUP B
No
Association
=x =x+1

-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 (12 dgn 1011)
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

Purchase Gender Income Age

logit (pi) = 0 + 1X1 + 2X2 + 3X3

 Ilustrasi model utk mengkaji pengaruh jenis kelamin (X1),
umur (X2), dan tingkat pendapatan (X2) terhadap membeli
tidaknya seseorang pada suatu produk yang dijual dengan
harga tertentu.
(  0  1 X i   2 X 2 i   3 X 3 i )
e
P( X i )  (  1 X i   2 X 2 i   3 X 3 i )
1 e 0

P( X i )
logit (pi) = log  g ( X i )   0  1 X 1i   2 X 2i   3 X 3i
1  P( X i )

Utk Peubah Bebas X kontinu, seringkali 1 unit terlalu kecil atau

besar utk dipertimbangkan  Pendugaan utk perubahan “c” unit
g(x+c) – g(x) = c 1
c1
Odds Ratio-nya:  (c)   ( x  c, x)  e
Pengujian Model dgn p Peubah Bebas

Uji Model secara keseluruhan:

H0: 1= 2=…=p=0
H1: ada j≠0
2
Likelihood Ratio Test Statistics (G) ~ 
(p)
Uji parsial koefisien:
H0: j=0
H1: j≠0
WaldTest Statistics (W) ~ Z
 Categorical Variables Codings a
Classification Table

Param eter codin g Predicted

Frequ ency (1) (2)
IN C O M E Low 132 1,000 ,000 PU R C H ASE Percentage
M edium O bserved 0 1 C orrect
144 ,000 1,000
Step 1 PU R C H ASE 0 236 33 87,7
H igh 155 ,000 ,000 1 131 31 19,1
G EN D ERFem ale 240 1,000 O verall Percentage 61,9
M ale 191 ,000 a. The cut value is ,500

Variables in the Equation

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

Response Variable Type of

Logistic Regression
Binary
Two
Categories Binary
Yes No
Three Nominal
or
More
Categories Ordinal