1.Masukkan data: File → Open → Foreign Data As Workfile →
Pilih data → Next → Finish
2. Klik Menu quick → Estimate Question
Pada Method pilih Binary-Binary Choice (Logit, Probit, Extreme Value)
Pada Equation specifiation ketik persamaannya : Y c d01 t
Pada Binary estimation method pilih:logit
OK
3. Maka akan keluar output sebagai berikut:
Dependent Variable: Y
|
||||
Method: ML - Binary Logit (Quadratic hill climbing)
|
||||
Date: 02/07/14 Time: 08:50
|
||||
Sample: 1 35
|
||||
Included observations: 35
|
||||
Convergence achieved after 5 iterations
|
||||
Covariance matrix computed using second derivatives
|
||||
Variable
|
Coefficient
|
Std. Error
|
z-Statistic
|
Prob.
|
C
|
-1.417341
|
1.094598
|
-1.294851
|
0.1954
|
D01
|
0.068678
|
0.026412
|
2.600218
|
0.0093
|
T
|
-1.658949
|
0.922867
|
-1.797603
|
0.0722
|
McFadden R-squared
|
0.347378
|
Mean dependent var
|
0.628571
|
|
S.D. dependent var
|
0.490241
|
S.E. of regression
|
0.382841
|
|
Akaike info criterion
|
1.032513
|
Sum squared resid
|
4.690151
|
|
Schwarz criterion
|
1.165828
|
Log likelihood
|
-15.06897
|
|
Hannan-Quinn criter.
|
1.078533
|
Restr. log likelihood
|
-23.08991
|
|
LR statistic
|
16.04187
|
Avg. log likelihood
|
-0.430542
|
|
Prob(LR statistic)
|
0.000329
|
|||
Obs with Dep=0
|
13
|
Total obs
|
35
|
|
Obs with Dep=1
|
22
|
Nah, mari kita interpretasi satu per satu output yang muncul.
Overall test:
Test
ini dilakukan untuk mengetahui apakah secara bersama-sama variabel
bebas berpengaruh signifikan terhadap variabel tidak bebas atau minimal
ada satu variabel bebas yang berpengaruh signifikan terhadap variabel
tak bebas. Uji ini mirip dengan uji F pada analisis regresi linier
berganda. Nilai uji ini dapat dilihat pada LR χ2 atau bila
menggunakan nilai p-value dapat dilihat pada item prob>chi2. Untuk
lebih mudahnya, dapat langsung kita lihat dengan menggunakan nilai
p-value, dimana nilai pob> χ2 menunjukkan
angka 0.000. Nilai ini lebih kecil dari tingkat signifikansi uji
sebesar 0.05 sehingga kita dapat menolak hipotesis nol yang menyatakan
bahwa tidak ada variabel bebas yang berpengaruh signifikan terhadap
variabel tak bebas. Dengan demikian, maka dengan tingkat kepercayaan 95
persen dapat disimpulkan bahwa minimal terdapat satu variabel bebas yang
berepengaruh signifikan terhadap variabel tak bebas.
2. Parsial Test
st
ini dilakukan untuk mengetahui pengaruh setiap variabel bebas terhadap
variabel tak bebas secara parsial. Uji ini mirip dengan uji t pada
analisis regresi linier berganda. Nilai uji ini dapat dilihat pada nilai
z atau bila menggunakan nilai p-value dapat dilihat pada item Sig. Agar
lebih mudah, kali ini kita akan menggunakan nilai Sig. Untuk variabel T
nilai Sig. adalah 0.072. Nilai ini lebih besar dari nilai signifikansi
uji sebesar 0.05 sehingga gagal menolah H0 yang menyatakan bahwa
variabel T tidak berpengaruh signifikan terhadap variabel Y. Sehingga
dengan tingkat kepercayaan 95 persen dapat disimpulkan bahwa variabel T
tidak berpengaruh signifikan terhadap variabel Y. Sementara itu, untuk
variabel D, mepunyai nilai Sig sebesar 0.009. Nilai ini lebih kecil dari
nilai signifikansi uji sebesar 0.05 sehingga H0 yang menyatakan bahwa
variabel T tidak berpengaruh signifikan terhadap variabel Y bisa
ditolak. Sehingga dengan tingkat kepercayaan 95 persen dapat disimpulkan
bahwa variabel D berpengaruh signifikan terhadap variabel Y.
3. Pseudo R-Square
Nilai
ini disebut Pseudo R-square karena dihitung berbeda dengan penghitungan
R-square pada analisis regresi berganda atau analisis regresi
sederhana. SPSS secara default menghitung nilai R-Square pada regresi
logistik dengan menggunakan formula Nagelkerke R-squared. Pembacaannya
sama seperti pembacaan nilai R-squared pada analisis regresi
berganda/sederhana. Nilai pseudo R-squared pada model ini adalah 0.502
artinya 50,2 persen variasi yang terjadi pada Y dapat dijelaskan oleh
variabel dalam model, sedangkan sisanya dijelaskan oleh variabel lain di
luar model.
4. Interpretasi
Tidak
seperti pada analisis regresi linier berganda/sederhana, interpretasi
pada analisis regresi logistik tidak dapat langsung dibaca melalui nilai
koefisiennya. Untuk dapat diinterpretasikan, terlebih dahulu nilai
koefisien setiap variabel harus di-eksponensial-kan. Untuk variabel T,
nilai exp(b) adalah 0.190 sedangkan nilai exp(b) dari variabel D adalah
1.071.
Setelah
diperoleh nilai exp(b) atau yang lebih dikenal dengan odds ratio, maka
model akan siap diinterpretasi. Interpretasi antara variabel bebas
kuantitatif akan berbeda dengan variabel bebas kualitatif. Untuk
variabel bebas kuantitatif akan dibaca semakin besar atau semakin kecil
(tergantung tanda) sedangkan untuk variabel kualitatif akan dibaca
sebagai tingkat perbandingannya.
Untuk
variabel D: semakin lama durasi operasi seseorang, maka peluang untuk
mengalami sore throat setelah operasi akan semakin meningkat.
Untuk
variabel T: kecenderungan seseorang yang memakai tracheal tube untuk
mengalami sore throat adalah 0.190 kali dibanding pasien yang
menggunakan laryngeal mask airway.
cara mengeksponensialkan variabel bagaimana ya pak?
BalasHapusdi ms excel bisa pake formula =exp(blok koefisien regresiny)
HapusApa eviews bisa untuk regresi logistik multinominal pak?
BalasHapusBantu jawab
HapusTidak bisa krn yg ditawarkan eviews hanya probit,logit ,extrem value
Untuk model multinomial bisa menggunakan aplikasi spss krn disana ada pilihannya sendiri
Semoga membantu
Komentar ini telah dihapus oleh pengarang.
BalasHapusKomentar ini telah dihapus oleh pengarang.
BalasHapusMau tanya pseodo R square di lihat dimana yah angka 0.52nya tidak terlihat?
BalasHapusMaksudnya angka yg di sebut 0.502
HapusAngka 0.502 dari mana ya?
HapusJika variabel independen tidak signifikan apa tetap dilakukan interpretasi pak?
BalasHapusCara bikin r square regresi tobit bagaimana ya pak
BalasHapusKak yang Pseudo R-Square 0,502 darimana?
BalasHapusSama yg interpretasi 0,190 dan 1,071 darimana(