(Logistic Regression)
Sutikno
Departemen Statistika
Fakultas Sains dan Analiitika Data
Institut Teknologi Sepuluh Nopember Surabaya (ITS)
Surabaya
085230203017
slide 1
Referensi
David W. Hosmer, Jr., Stanley Lemeshow, Rodney X.
Sturdivan. 2013. Applied Logistic Regression. 3rd ed. John
Wiley & Sons, Inc. Canada
slide 2
Bahasan
Apa beda model regresi klasik dan regresi logistic
Definisi berbagai regresi logistic
Pendugaan parameter regresi logistic
Pengujian parameter regresi logistic
Interpretasi model
Contoh regresi logistic dengan Minitab
slide 3
Pendahuluan: Model Regresi
Model regresi linear sederhana:
y = 0 + 1 x +
Dimana y (variabel respon/dependent/prediktan) kontinu
dan x (variabel independent/prediktor/penjelas) kontinu.
slide 4
Model Regresi Logistik
Jika variabel y binary.
Misal: “Sukses” (1) atau “Gagal” (0)
slide 5
Contoh 1
slide 6
Contoh 2
slide 7
Contoh:
slide 8
Contoh:
slide 9
Contoh:
slide 10
Contoh:
E(Y|x):
Rataan bersyarat
atau Nilai ekspektasi
Y yang diberikan x
slide 11
Contoh:
slide 12
Model Regresi Logistik
dinamakan odds
Ratio:
1 Perbandingan antara sukses
dan gagal
ln log odds >> logit ( )
1 log dengan base bilangan e
slide 13
Regresi logisitik
Asumsi log odds mempunyai hubungan
linear terhadap x.
ln 0 1 x Transformasi
1 logit
(Model logit)
0 1 x
e
1
slide 14
Model Regresi logistik
Penyelesaian π dalam x:
0 1 x
e
1
e 0 1 x
1
0 1 x
e (Model
atau 0 1 x
Peluang)
1 e slide 15
Interpretasi parameter 0
(Menentukan intercept)
0.8
π 0.6
0.4 0
e
0.2 1 e 0
0
0 2 4 6 8 10
x
slide 16
Interpretasi parameter 1
(menentukan jika π adalah 0.50 (termasuk 0))
0.8 0 1 x
e 1 1
0.6
p 0 1 x
1 e 11 2
0.4 jika
0
0.2 0 1 x 0 or x
1
0
0 2 4 6 8 10
x
slide 17
0 1 x
dp d e
dx dx 1 e 0 1x
e 0 1 x 1 1 e 0 1x e 0 1x 1e 0 1x
1 e
0 1 x 2
0 1 x
e 1 1 0
jika x
1 e
2
0 1 x 4 1
0.8
0.6 1
slope
0.4 4
0.2
0
0 2 4 6 8 10
x
slide 19
Multiple regresi logistik
ln 0 1 X 1 ... p X p
1
0 1 X 1 ... p X p
e
0 1 X 1 ... p X p
1 e
slide 20
Pendugaan Parameter (1)
Metode pendugaan parameter yang digunakan:
kemungkinan maksimum (Maximum Likelihood
Estimation atau MLE) dengan menetapkan
asumsi distribusi Binomial dan obyek
pengamatan saling bebas.
Setiap pengamatan xl1, xl 2 ,..., xlk , yl mempunyai
fungsi distribusi:
slide 21
Pendugaan Parameter (2)
slide 22
Pengujian Parameter
Untuk memeriksa kemaknaan koefisien secara individu, hipotesa :
Ho : i = 0, H1 : i 0
dengan statistik uji : ^
i
Wald =
^
S . E ( i )
Daerah Penolakan : Tolak H0 jika nilai Wald > nilai Ztabel dari distribusi normal.
slide 23
Interpretasi Model (1)
Tahapan penyusunan model regresi logistik: (1) menyusun model
hubungan antara variabel prediktor dan variabel respon; dan (2)
definisi dari koefisien model (perubahan variabel bebas).
Pada step 1, menentukan link function antara var. prediktor dan var.
respon >> logit:
slide 24
Interpretasi Model (2)
Interpretasi koefisien model regresi logistik terkait dengan odds
ratio.
OR adalah:
slide 25
Interpretasi Model (3)
Sehingga diperoleh hubungan OR dan Koefisien β1 :
slide 26
Interpretasi Model (4)
Ukuran asosiasi kuantitatif lain adalah relatif risk (RR) :
slide 27
Interpretasi Model (5)
Contoh: peningkatan usia 1 th akan menaikkan 1 mm Hg, (secara
kesehatan tidak realitif: terlalu kecil). Jika digunakan 10 th dan 10 mm
Hg akan lebih berarti. Dengan kata lain perubahan x yang kecil akan
merubah Y yang besar itu lebih bermakna.
Shg:
Misal pada contoh diatas hubungan usia (AGE) dan kanker hati (CHD):
slide 28
Interpretasi Model (6)
Artinya setiap peningkatan usia 10 th, maka resiko CHD meningkat
3,03 kali.
slide 29