Gede Wirabuana Putra

Analisis Logit dan Probit

(Ekonometrika)
REVIEW
 Pengertian
Perbedaan

Outline Model regresi

Output Stata
interpretasi
Pengertian

Logit Probit
- Probability Logistic - Probability Normal
- Mencari Odds Ratio dari setiap variabel - Mencari Odds Ratio dari setiap variabel independent
independent  - Marginal Effek dari setiap variabel independent 
- Marginal Effek dari setiap variabel independent  - Variabel Y (depneden) = Diskrit/Kategori dan nilai
- Variabel Y (Dependen) = Diskrit/Kategori X (independent) bisa variabel kategori/numerik
(Nominal/ 2 kategori), (Ordinal/ 3 kategori) / - Sedangkan Probit – Cumulative standard normal
dummy variabel, dan nilai X (independent) bisa distribution (Φ)
varibel kategori/ numerik
- Cumulative standard logistic distribution (F),
 Estimator
1. Model probit dan Logit jauh berbeda dengan model OLS. Dalam model OLS
terdapat istilah BLUE (Best Linier Unbiased Estimator), namun pada model
probit dan logit tidak terdapat istilah ini, karena bukan model linier. Dalam OLS
hasil regresi menghasilkan sebuah garis linier yang merupakan agregat kuadrat
dari simpangan masing-masing observasi yang terkecil (least square),
2. Sedangkan model probit dan logit adalah model yang menggunakan pendekatan
Maximum Likelihood (ML). Oleh karena itu hasil regresi model probit atau logit
akan menghasilkan kecenderungan yang paling mungkin.
 Uji simultan (overall
significance test) :
likelihood ratio
Uji hipotesis
Uji parsial: Uji wald
 Pseudo R2 (McFadden R2)

Percent correctly predicted

Goodnes of fit
Comparing predicted probabilities
with sampel frequencies (Hosmer –
Lemeshow)
 pseudo R2
Nilai pseudo R2 /McFadden R2 : Sesuai dengan namanya kata
pseudo yang artinya seakan-akan, jadi nilai ini merupakan nilai
yang seakan-akan nilai R2 pada model OLS. Namun nilai
pseudo R2 disini tidak seakurat R2 atau adjusted R2 pada
model OLS.
Namun nilai pseudo R2 yang semakin tinggi pada model probi/
logit dapat diartikan model tersebut lebih baik
Interpretasi

Sensitivity : menyatakan Specitivity : menyatakan

seberapa besar hasil seberapa besar hasil
observasi positif secara observasi negatif secara
tepat dinyatakan positif tepat dinyatakan negatif
Output stata Model Logit
Output Logit

1. Command : Logit (var Y) (var X)

2. Prob > chi2 = 0,000 (P value)
3. Presudo R2 = 0,2112 (kekuatan model)
1. Command = (var Y) Var X), OR
2. Var Y = (Low)
BBLR = dummy variabel (1= ya, 0 = tidak )

3. OR (white) = 0,33
4. White memiliki peluang 0,33 kali
mempengaruhi BBLR
dibandingkan nonwhite OR (educ)
= 1,254
5. Educ memiliki peluang
meningkatkan infl sebesar 1,254
kali
Marginal effect
1. Command : mfx
2. Penjelasannya:
3. Pertama, probabilitas keseluruhan model terhadap
(INFL) , 0,58774394.
4. Kedua, penjelasan untuk marginal efek tiap variable,
5. misal untuk variabel kidslt6, secara rata-rata ketika
nilai kidslt6 naik satu satuan maka kemungkinan
perempuan untuk infl=1 (bekerja) akan turun sebesar
0.3487663 point atau 34.88%.
6. variabel educ, secara rata-rata ketika nilai educ naik
satu satuan maka kemungkinan perempuan untuk
infl=1 (bekerja) akan naik sebesar 0.0549967 point
atau sebesar 5.5%. 
Pengujian Goodness of 1. Pada hasil model kita, model fits hasilnya sangat baik.
Dimana, nilai number of covariate patterns saama dengan

Fit (Hosmer Lemeshow

number of observations yaitu 753, sedangkan nilai dari
(Prob>chi2) lebih besar dari α atau terima H0.
Logit Model
:Pengujian
Sensitivity dan
Specitivity 
1. Pada pengujian ini prinsipnya sama dengan uji goodness of
fit sebagai bentuk perwakilan pengganti R2, dengan melihat
melalui specitivity & sensitivity. Dengan cara: 
2. Berdasarkan hasil diatas dapat disimpulkan: 
1. Specitivity : observasi hasil negative yang dinyatakan secara
negative secara benar sebesar 65.23%% 
2. Sensitivity : observasi hasil positive yang dinyatakan secara
positive secara benar sebesar 81.07% 
3. Secara Overall : model mampu menyatakan secara benar
sebesar 74.24% 
Output stata Model Probit
Model Probit – Gambaran Output STATA
1. Var Y = ?
2. Var X = ?
3. Command : ?
4. Prob > Chi2 = ?
5. Pseudo R2 = ?
6. A (konstanta) = ?
7. P value (kidslt6) = ?
Marginal Effect pada Model Probit
Penjelasannya:
• probabilitas keseluruhan model terhadap (INFL) ,, 0.58379791. 
• Sedangkan penjelasan untuk marginal tiap variable, misal untuk 
• Interpretasi var educ ?
• variabel educ, secara rata-rata ketika nilai educ naik satu satuan maka kemungkinan perempuan untuk infl=1
(bekerja) akan naik sebesar 0.0521537point atau sebesar 5.2%. 
Pengujian Goodness of Fit pada Model Probit

1. Model dikatakan fit apabila

, nilai number of covariate
patterns sama dengan
number of observations
yaitu 753, sedangkan nilai
dari (Prob>chi2) lebih besar
dari α atau terima H0. 
Probit Model : Pengujian Sensitivity dan Specitivity 

• Specitivity : observasi hasil negative

yang dinyatakan secara negative
secara benar sebesar 65.54%% 
• Sensitivity : observasi hasil positive
yang dinyatakan secara positive
secara benar sebesar 81.31% 
• Secara Overall : model mampu
menyatakan secara benar sebesar
74.50% 
Probit / Logit ?
1. Menghitungnormalitas dari residu model yang di regresi dengan probit, jika menghasilkan residu
normal, maka gunakan model probit, namun jika normalitas residu probit ditolak (H0 : normal ditolak
). Maka peneliti dapat menggunaka model Logit
2. Membandingkan nilai Rsquare McFadden. Estimator dengan nilai Mcfadden R2 lebih besar lebih baik
3. Membandingkan uji hosmer lemesshow, uji ini untuk mengevaluasi kesesuaian model dengan data
pilih model dengan jumlah observasi yang mendekati atau bahkan sama dengan ekspektasi model dan
kemudian model yang menerima Ho : Prob>chi2 = > 0,05
4. Membandingkan nilai deviance. Deviance diuji dengan chi-square, deviance yang lebih kecil lebih baik
5. Modeldengan parameter signifikan (sesuai dengan arah hubungan) lebih banyak dipilih sebagai
estimator.
Terima
Kasih