REGRESI BERGANDA BINARY

(LOGISTIC REGRESSION)
Tugas
Buka data LPM Reg
Rumusan masalah : apakah income berpengaruh
terhadap kepemilikan rumah?
Jika memiliki rumah = 1, jika tidak = 0
Regresi logit atau regresi logistic adalah model regresi
yang dipergunakan untuk mengukur pengaruh probabilitas
atas suatu peristiwa. Logaritma dari perbandingan suatu
peristiwa terjadi dengan tidak terjadi tersebut sebagai logit.
Secara umum persamaan regresi logit untuk satu variabel
bebas dapat dijelaskan sebagai berikut :

 0 1x
e
Probabilitas (kejadian)   0 1x
1 e
Persamaan regresi logit untuk lebih dari satu variabel
bebas, dapat dijelaskan dalam persamaan berikut :
ln p 1  p     0  1 X 1   2 X 2 ...........Bn X n
Keterangan
:
ln[p/(1 – p)} = Z = variabel dependen dengan skala
nominal
0 = konstanta;  i = koefisien regrasi
Xi = variabel bebas dengan skala ordinal
Syarat Utama Regresi logistik
Var Dependen : skala nya nominal  1 atau 0, Ya atau
tidak
Var independent : skala nya bebas
Pengujian secara statistik untuk melihat pengaruh secara
bersama-sama dari variabel bebas terhadap variabel terikat
digunakan Chi – Square. Jika nilai Chi – Square lebih besar
dari nilai signifikansi (dari analisis), dapat diartikan ada
pengaruh secara simultan dari variabel bebas terhadap
variabel terikatnya, sedangkan untuk menguji secra parsial
dilakukan dengan membandingkan antara nilai Wald
Statistic dengan nilai signifikansinya (dari analisis). Jika
nilai Wald Statisticnya lebih besar, dapat diartikan ada
pengaruh secara parsial. Atau dapat juga dilihat
berdasarkan nilai alpha yang ditentukan oleh peneliti
dengan nilai signifikansinya. Jika nilai alpha lebih besar
dari pada nilai signifikansinya, ada pengaruh.
Tujuan Logistic Regression
Logistic Regression bertujuan untuk
mempredisksi besar variabel dependen yang
berupa variabel binary dengan menggunakan
data variabel independen yang sudah diketahui
besarnya.
Variabel binary adalah suatu variabel yang
menggunakan data nominal.
Contoh:
1 = pria
2 = wanita
Contoh Kasus:
Manajer PT. ANTIKKN ingin mengetahui faktor-
faktor apakah yang memengaruhi konsumen dalam
menentukan spesifikasi pembelian.
Untuk menjawab pertanyaan di atas, manajer
melakukan kajian pustaka dan berhasil
mengidentifikasi faktor-faktor yang diduga
berpengaruh terhadap spesifikasi pembelian, antara
lain, X1 s.d. X7.
Data hasil riset disimpan dalam file Hatco.
Langkah-langkah
Buka file Hatco.
Dari menu utama SPSS, pilih menu Analyze,
Regression, dan binary logistic.
Pada isian Dependent, pilih variabel X11 .
Covariate, masukkan variabel-variabel X1 s.d. X7.
Option, aktifkan pilihan Homer-Lemeshow
goodness of fit.
Klik OK untuk menjalankan SPSS.
Output SPSS
Analysis:
1. Menilai kelayakan model regresi
Lihat output dari Hosmer dan Lemeshow.
Hipotesis:
H0: Tidak ada perbedaan antara klasifikasi yang
diprediksi dengan klasifikasi yang diamati.
H1: Ada perbedaan antara klasifikasi yang diprediksi
dengan klasifikasi yang diamati.
Dasar pembuatan keputusan
- Jika nilai. Sig > 0,05, H0 diterima
- Jika nilai. Sig < 0,05, H0 ditolak
Keputusan:
Hasil uji Hosmer-lemeshow diperoleh nilai Sig 0,976.
Karena nilai Sig > 0,05, H0 diterima. Artinya, model
regresi binary layak dipakai untuk analisis selanjutnya
karena tidak ada perbedaan antara klasifikasi yang
diprediksi dengan klasifikasi yang diamati.
2. Menguji koefisien regresi
 Untuk menentukan signifikansi konstanta dan
setiap variabel independen, dilakukan uji t.
 Hasil uji t dapat dilihat dalam tabel Variable in the
Equation.
 Hipotesis:
H0: Koefisien regresi tidak signifikan
H1: Koefisien regresi signifikan
 Keputusan:
Jika nilai Sig. > 0,05, H0 diterima
Jika nilai Sig. < 0,05, H1 ditolak
 Dari tabel tersebut terlihat variabel X3 (price
flexibility) dan X7 (product quality) yang
berpengaruh terhadap X11 (specification buying),
sedangkan variabel lain tidak.
3. Penafsiran hasil
Cara penafsiran koefisien regresi logistik adalah
dengan pendekatan probabilitas.
 Angka (-), dianggap probabilitas 0.
 Angka (+) >1, dianggap probabilitas 1.
 Angka (+) di antara 0 s.d. 1 probabilitas sesuai dengan
angka masing-masing.
Contoh:
Koefisien X3 sebesar 2,231 menunjukkan bahwa setiap
perubahan 1 unit dalam X3, probabilitas konsumen
melakukan specification buying bertambah 100%.
Sebaliknya, Koefisien X7 sebesar -3,35 menunjukkan
bahwa setiap perubahan 1 unit dalam X7, probabilitas
konsumen melakukan specification buying berkurang
100%.