Jasa Analisis Data Regresi Logistik

Jasa Analisis Data Regresi Logistik

Jasa Analisis Data Regresi Logistik – Analisis regresi variabel independen – Ada banyak riset dengan model kausalitas tetapi nilai variabel dependennya “terbatas”. Regresi logistik binari merupakan bentuk khusus regresi logistik dimana nilai variabel dependen ada 2 macam, misalnya status bangkrut/sehat.

Asumsi pada regresi logistik

  • Variabel dependen bersifat kategorikal
  • Tidak ada korelasi yang signifikan antar variabel independen
  • Jumlah observasi memadai (>100)
  • Linieritas dalam format logit. Hubungan antara logit varibel dependen dengan variabel independen haruslah linier. Berikut ini adalah penjelasan dari probabilitas, odds, dan logit :
    • Probabilitas = P = n / N
    • Odds = P/(1 – P)
    • Logit probabilitas = logaritma odds
      logit(p) = log (p/(1-p)) = log(p) – log(1-p)

Untuk menentukan nilai parameter model regresi logistik prosedur yang lazim digunakan adalah maximum likelihood estimation (MLE) procedures. 

Maximum Likelihood Estimation (MLE)

  • Maximum Likelihood Estimation adalah teknik untuk memperkirakan nilai parameter model.
  • The likelihood function (L) mengukur probabilitas kemunculan nilai variabel dependen tertentu (p1, p2, …, pn) dalam sampel dapat dituliskan seperti berikut :
    L = Prob (p1* p2* * * pn)
  • Semakin tinggi L semakin tinggi prob menemukan p dalam sampel.
  • MLE involves finding the coefficients (?, ?) that makes the log of the likelihood function (LL < 0) as large as possible
  • Or, finds the coefficients that make -2 times the log of the likelihood function (-2LL) as small as possible
  • The maximum likelihood estimates solve the following condition:
    {Y – p(Y=1)}Xi = 0
    summed over all observations, i = 1, …, n
    Menginterpretasi koefisien model regresi logit
    Ln[Odds(B|Perubahan)] = -1,609 + 3,806 (Perubahan)
  • Slope (b= 3,806) merupakan tingkat perubahan “log (odds)” yang disebabkan perubahan variabel X (=perubahan)… tampak penafsiran ini “agak susah dipahami”
  • Penafsuran yg lebih intuitif adalah memakai ‘odds ratio’ = p/(1-p). Karena
    Hal tersebut dikarenakan : [p/(1-p)] = exp(? + ?X)
  • Maka exp(?) adalah efek variabel independen pada ‘odds ratio’

Uji signifikansi koefisien

  • Hipotesis yg diuji mirip dengan yg kita temui dalam OLS, yaitu Ha: bi ? 0
  • Tetapi untuk menentukan signfikansi bi kita memakai uji Wald yg mengikuti distribusi Chi-square dan dirumuskan sebagai berikut : z = (bi/(SEb))2 , rumus seperti ini biasa desebut Goodness of fit Model
  • Ada beberapa ukuran goodness of fit dalam regresi logit. Yg paling sederhana adalah dg ‘hit ratio’
  • HR = rasio yang menggambarkan ketepatan ramalan fungsi logit.

Master konsultan melayani Jasa Analisis Data Regresi Logistik – Analisis regresi variabel independen sesuai dengan kebutuhan klien. Master konsultan sudah berpengalaman lebih dari 20 tahun melayani klien mahasiswa universitas negeri dan swasta. Keuntungan menggunakan jasa Master Konsultan dapat dibaca di sini >> Keunggulan Master Konsultan.

Silakan hubungi Master Konsultan melalui WhatsApp di nomor 0812-3585-0237 Roy Nur Halim

Jasa Analisis Data Regresi Logistik – Analisis regresi variabel independen dilayani master konsultan konsultan statistik terlaris dan terbaik di indonesia rekomendasi dosen dan mahasiswa.

Rekanan : Master SPSS

Back To Top