Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

REGRESI LOGISTIK Erni Tri Astuti. Tujuan  Hubungan antara 1 peubah tak bebas dengan k (k>1) peubah bebas  Mengestimasi peluang “sukses” suatu observasi.

Presentasi serupa


Presentasi berjudul: "REGRESI LOGISTIK Erni Tri Astuti. Tujuan  Hubungan antara 1 peubah tak bebas dengan k (k>1) peubah bebas  Mengestimasi peluang “sukses” suatu observasi."— Transcript presentasi:

1 REGRESI LOGISTIK Erni Tri Astuti

2 Tujuan  Hubungan antara 1 peubah tak bebas dengan k (k>1) peubah bebas  Mengestimasi peluang “sukses” suatu observasi  Mencari “kecenderungan” suatu observasi dengan ciri tertentu untuk dapat “sukses” dibandingkan dengan observasi lain dengan ciri yang berbeda

3 Syarat:  Sampel acak dengan n observasi  Peubah tak bebas : kategorik (biner) dgn kategori “sukses” atau “gagal”  Peubah bebas: kuantitatif atau kategorik (dengan dummy variabel)  Banyaknya variabel bebas hrs lbh kecil dari banyaknya sampel (k

4 Model (1): Yi: nilai peubah tak bebas obs ke i, Yi=1 jika “sukses” dan Yi=0 jika “gagal” x : nilai peubah bebas obs ke I Model untuk 1 variabel bebas (k=1)

5 Model(2): Fungsi (2) mrpkan fungsi non linier (berbentuk huruf S) dalam parameter Jika >0 maka fungsi monoton naik (peluang “sukses “ bertambah seiring kenaikan nilai x) Jika <0, maka fungsi monoton turun peluang”sukses” menurun seiring kenaikan nilai x) Jika =0, tidak ada hubungan antara variabel tak bebas Y dengan variabel bebas x (peluang “sukses” tidak dipengaruhi nilai x)

6 Model(3) Transformasi persamaan 2:

7 Model(4) Persamaan (3) merupakan rasio kecenderungan ( odds ratio ), menyatakan besarnya kecenderungan untuk “sukses” suatu observasi dengan nilai x tertentu Persamaan (4) disebut juga fungsi logit yang mentranformasi fungsi non linier menjadi fungsi linier

8 PLOT FUNGSI LOGISTIK

9 Estimasi Parameter Model(1): Estimasi bagi parameter dilakukan dengan metode Maximum Likelihood Estimator yang diperoleh tdk dapat dituliskan dalam bentuk persamaan eksplisit Nilai diperoleh dengan menggunakan metode numerik dan diselesaikan dengan bantuan komputer (tdk mkn dicari scr manual)

10 Estimasi Parameter Model(2): Estimasi rasio kecenderungan: Estimasi peluang sukses:

11 Pengujian Hipotesis Parameter Model(1) Uii Wald: Uji keberartian model 1. Hipotesis 2. Statistik Uji

12 Pengujian Hipotesis Parameter Model(2) 3. Keputusan: bandingkan - nilai w dengan tabel khi kuadrat (db=1, ) atau - dengan nilai signifikansi (sig) - Jika w > nilai tabel atau sig < maka Ho ditolak 4. Kesimpulan: Jika Ho ditolak berarti model berarti (ada pengaruh variabel bebas X thd peluang “sukses”/var tak bebas Y)

13 Ukuran Ketepatan Model: Persentase ketepatan model ( percentage correct ): rasio jumlah observasi yang diestimasi (diramalkan) sukses terhadap jumlah observasi yang sebenarnya sukses Jika persentase ketepatan model mendekati 1 (100%), maka modelnya makin baik/tepat

14 Model unt k variabel bebas (1) Persamaan (2) dgn k variabel bebas Sblm uji Wald dilakukan Uji Simultan 1. Hipotesa:

15 Model unt k variabel bebas (2) 2. Statistik uji : dimana Lo : fungsi likelihood jika Ho benar L1 : fungsi likelihood jika Ho salah Jika Ho benar maka G ~ χ2 (k), dan tolak Ho jika nilai G observasi > G tabel. Jika Ho ditolak dilanjutkan dengan uji Wald untuk masing-masing variabel bebas.


Download ppt "REGRESI LOGISTIK Erni Tri Astuti. Tujuan  Hubungan antara 1 peubah tak bebas dengan k (k>1) peubah bebas  Mengestimasi peluang “sukses” suatu observasi."

Presentasi serupa


Iklan oleh Google