Analisis Regresi Logistik Menggunakan Gretl

1. Masukkan data.File →Open →Impor →Pilih Data

2. Pilih Model →Non.Linear Model →Logit

Pada dependen variable: choose Y

Pada independent variable: ada D dan T

Pilih show p-value

OK

3. Maka akan keluar output sebagai berikut:

Convergence achieved after 6 iterations

Model 3: Logit estimates using the 35 observations 1-35

Dependent variable: Y

     VARIABLE       COEFFICIENT       STDERROR     T STAT   P-VALUE

const                          -1.41734                                1.09460     -1.295   0.19537

D                                0.0686778                            0.0264123     2.600   0.00932 ***

T                                -1.65895                                0.922867     -1.798   0.07224 *

Mean of Y = 0.629

Number of cases 'correctly predicted' = 30 (85.7%)

f(beta'x) at mean of independent vars = 0.203

McFadden's pseudo-R-squared = 0.347378

Log-likelihood = -15.069

Likelihood ratio test: Chi-square(2) = 16.0419 (p-value 0.000329)

Akaike information criterion (AIC) = 36.1379

Schwarz Bayesian criterion (BIC) = 40.804

Hannan-Quinn criterion (HQC) = 37.7487

           Predicted

             0   1

Actual 0   9   4

Nah, mari kita interpretasi satu per satu output yang muncul.

1.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 X² atau bila menggunakan nilai p-value dapat dilihat pada item prob> X². Untuk lebih mudahnya, dapat langsung kita lihat dengan menggunakan nilai p-value, dimana nilai pob> chi2 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

                Test 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.

download data model regresi logistik dalam m.excel