Dos e n Pengampu :
Yudistira Hendra Permana, S.E.,M.Sc.,Ph.D
Metode analisis yang saya gunakan pada kelas tutorial ini yaitu adalah dengan menggunakan
metode uji model kualitatif fungsi logit dan probit. Analisis Logit adalah salah satu jenis
regresi yang menghubungkan antara satu atau beberapa variabel independen (variabel bebas)
dengan variabel dependen (variabel terikat) berupa variabel nominal. Variabel ini ditandai
dengan nilai 0 dan 1. Sehingga nilainya hanya terdiri dari 2 nilai saja. Jenis variabel dependen
berupa nominal inilah yang membedakan antara regresi logistik atau logit dengan regresi
berganda maupun linear pada umumnya.Analisis Probit sekilas hampir serupa dengan regresi
logit. Hal yang membedakan antara keduanya adalah pada model regresi yang terbentuk.
Jika model logistik diselesaikan dengan menggunakan fungsi distribusi kumulatif dari
distribusi logistik. Sedangkan model regresi probit digunakan fungsi distribusi kumulatif dari
distribusi normal. Analisis regresi probit adalah analisis yang digunakan untuk melihat
hubungan antara variabel dependen yang bersifat kategori (kualitatif) dan variabel-variabel
independen yang bersifat kualitatif maupun kuantitatif. Model probit menggunakan Normal
Cumulative Distribution Function (CDF).
Model probit merupakan model non linier yang digunakan untuk menganalisis hubungan
antara satu variabel dependen dengan beberapa variabel independen, dengan variabel
dependennya berupa data kualitatif dikotomi yaitu bernilai 1 untuk menyatakan keberadaan
sebuah karakteristik dan bernilai 0 untuk menyatakan ketidakberadaan sebuah karakteristik.
Tabel dibawah menunjukan tabel mentah dari data Y dan data X yaitu berupa data pengaruh
influencer terhadap keputusan pembelian produk.
Pada data di atas menunjukkan rata-rata, standar deviasi, nilai min, dan nilai max
seluruh variabel. X1 memiliki rata-rata 3.34, standar deviasi 0.74, nilai min 1, dan
nilai max 5. X2 memiliki rata-rata 24.6, standar deviasi 2.89, nilai min 20, dan
nilai max 35. X3 memiliki rata-rata Rp 2.344.000, standar deviasi Rp 1.746.927,
nilai min Rp 200.000, dan nilai max Rp 8.000.000. Variabel Y memiliki rata-rata
0.92, standar deviasi 0.2731, nilai min 0, dan nilai max 1.
1. Logit
Regresi
. logit Apakahandamengikutiparainflu DayaPengaruhInfluencer Usia RataPengeluaran
Marginal Effect
Hasil perhitungan marginal effect regresi logit melihat pengaruh variabel „Daya
Pengaruh Influencer‟ (dengan variabel independent lainnya terhadap probabilitas
pada pengikut influencer). Kemudian Tabel marginal effect memperlihatkan
dy/dx
yang dapat diterjemahkan sebagai pengukuran perubahan pada nilai probabilitas.
- Nilai dy/dx untuk variabel „Daya Pengaruh Influencer‟ sebesar 0.1401. Nilai tersebut
dapat diinterpretasikan bahwa Daya Pengaruh Influencer yang semakin tinggi, maka
probabilitas untuk semakin tinggi menjadi pengikut influencer akan meningkat
14,01%.
- Nilai dy/dx untuk variabel „Usia‟ sebesar 0.01547. Nilai tersebut dapat
diinterpretasikan bahwa usia yang semakin tinggi, maka probabilitas untuk semakin
tinggi menjadi pengikut influencer akan meningkat 1,54%.
- Nilai dy/dx untuk variabel „Rata Pengeluaran‟ sebesar -2.45. Nilai tersebut dapat
diinterpretasikan bahwa rata pengeluaran yang semakin tinggi, maka probabilitas
untuk semakin menurun menjadi pengikut influencer akan meningkat 24,5%.
2. Probit
Regresi
Margin Effect
Hasil perhitungan marginal effect regresi probit melihat pengaruh variabel „Daya
Pengaruh Influencer‟ (dengan variabel independent lainnya terhadap probabilitas
pada pengikut influencer). Kemudian Tabel marginal effect memperlihatkan dy/dx
yang dapat diterjemahkan sebagai pengukuran perubahan pada nilai probabilitas.
- Nilai dy/dx untuk variabel „Daya Pengaruh Influencer‟ sebesar 0.1483. Nilai tersebut
dapat diinterpretasikan bahwa Daya Pengaruh Influencer yang semakin tinggi, maka
probabilitas untuk semakin tinggi menjadi pengikut influencer akan meningkat
14,83%.
- Nilai dy/dx untuk variabel „Usia‟ sebesar 0.0144433. Nilai tersebut dapat
diinterpretasikan bahwa usia yang semakin tinggi, maka probabilitas untuk semakin
tinggi menjadi pengikut influencer akan meningkat 1,44%.
- Nilai dy/dx untuk variabel „Rata Pengeluaran‟ sebesar -2.33. Nilai tersebut dapat
diinterpretasikan bahwa rata pengeluaran yang semakin tinggi, maka probabilitas
untuk semakin menurun menjadi pengikut influencer akan meningkat 233%.
Analisis Uji Model Kualitatif Fungsi Logit dan Probit EVIEWS :
1. Probit
Uji Parsial
Koefisien Determinasi
Nilai r-squared sebesar 0.431526 berarti 43,15% variasi dijelaskan oleh variable yang ada dalam
model.sisanya 0,5685% dijelaskan oleh variable di luar model.
Model Persamaan Probit
sdcrf
Uji Parsial
Koefisien Determinasi
Nilai r-squared sebesar 0.430827 berarti 43,08% variasi dijelaskan oleh variable yang ada
dalam model.sisanya 0,5692% dijelaskan oleh variable di luar model.
Model Persamaan Logit