Upload
harriet-mcdowell
View
452
Download
65
Embed Size (px)
DESCRIPTION
REGRESI LOGISTIK. Erni Tri Astuti. Tujuan. Hubungan antara 1 peubah tak bebas dengan k (k>1) peubah bebas Mengestimasi peluang “sukses” suatu observasi - PowerPoint PPT Presentation
Citation preview
REGRESI LOGISTIK
Erni Tri Astuti
Tujuan
Hubungan antara 1 peubah tak bebas dengan k (k>1) peubah bebas
Mengestimasi peluang “sukses” suatu observasiMencari “kecenderungan” suatu observasi
dengan ciri tertentu untuk dapat “sukses” dibandingkan dengan observasi lain dengan ciri yang berbeda
Syarat:
Sampel acak dengan n observasiPeubah 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<n)
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)
)1(.........)( iii YEY
)2(.........)exp(1
)exp()()(
10
10
x
xxYE i
1)(0 x
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)
1
1
1
1
Model(3)
Transformasi persamaan 2:
)3(..........)exp()(1
)(10 x
x
x
)4(..........)(1
)(log 10 x
x
x
Model(4)
Persamaan (3) merupakan rasio kecenderungan (odds ratio), menyatakan besarnya kecenderungan untuk “sukses” suatu observasi dengan nilai x tertentuPersamaan (4) disebut juga fungsi logit yang mentranformasi fungsi non linier menjadi fungsi linier
PLOT FUNGSI LOGISTIK
N_MAT
140120100806040200
Pred
icte
d pr
obab
ility
,7
,6
,5
,4
,3
,2
,1
0,0
-,1
N_MAT
140120100806040200
KOD
EKET
1,2
1,0
,8
,6
,4
,2
0,0
-,2
N_MAT
140120100806040200
LOG
IT
1
0
-1
-2
-3
-4
-5
-6
Estimasi Parameter Model(1):
Estimasi bagi parameter dilakukan dengan metode Maximum Likelihood Estimator yang diperoleh tdk dapat dituliskan dalam bentuk persamaan eksplisitNilai diperoleh dengan menggunakan metode numerik dan diselesaikan dengan bantuan komputer (tdk mkn dicari scr manual)
1
1̂
1̂
Estimasi Parameter Model(2):
Estimasi rasio kecenderungan:
Estimasi peluang sukses:
)5(..........)ˆˆexp()(ˆ1
)(ˆ10 x
x
x
)6(.........)ˆˆexp(1
)ˆˆexp()(ˆ
10
10
x
xx
Pengujian Hipotesis Parameter Model(1)
Uii Wald: Uji keberartian model1. Hipotesis
2. Statistik Uji
0:
0:
11
10
H
H
2
1
1 ])(
ˆ[
sew
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)
2/
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
Model unt k variabel bebas (1)
Persamaan (2) dgn k variabel bebas
Sblm uji Wald dilakukan Uji Simultan1. Hipotesa:
)7(...)exp(1
)exp()(
2210
22110
kk
kk
xxx
xxxx
kjsatuadatidakpalingH
H
j
k
,2,10:
0:
1
210
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.
]ln[21
0
L
LG