A regressão logística pode ser usada para modelar uma relação entre uma variável outcame (binária) de duas categorias (também chamada de variável dependente) e uma ou mais variáveis axplanatórias (também chamadas de variáveis dependentes ou preditoras). As estimativas a partir de um modelo de regressão logística para cada variável independente fornecem uma estimativa do efeito dessa variável na variável obtida após o ajuste para todas as outras variáveis independentes no modelo (Cath Robert, Rachel Dolman, Anne Kingdon, 2007). (Regra de regressar logistik dapat digunakan untuk memodelkan hubungan antara dua kategori (binário) variabel hasil (variabel dependerikat) dan dua atau lebih variabel penjelas (variabel independenbebas) Estimativa do modelo regressar logistik untuk masing-masing variável bebas memberikan perkiraan efek variável tersebut terhadap variabel terikat setelah Menyesuaikan dengannya dengan variabel bebas lainnya pada pemodelan tersebut, (Cath Robert, Rachel Dolman, Anne Kingdon, 2007) Sumber Sofyan dan Heri, SPSS Completo, 2009 Ada beberapa perbedaan antara analisis regressar berganda dengan analisis regressar logistikbinary logistik yaitu: Analisis regresi Berganda terdapat uji F yaitu uji pengaruh bersama-sama variabel independen terhadap variabel dependen dan uji t yaitu ungek mengetahui pengaruh tiap variabelmasing-masing variabel independen terhadap variabel dependen. sedangkan analisis regressar logisticas hanya terdapat uji t Pada analisis logistica variabel dependennya berskala dikotomis (dua Piliha N). ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, (Por exemplo, sukses atau Gagal terpilih atau tidak terpilih lulus atau tidak lulus melakukan pembeliano atau tidak mendapat promosi atau tidak, dan lain-lain). Regressar à lista de categorias de produtos relacionados com esta categoria: macaco variavel prediktor baik numérico ataupun kategorik, termasuk variabel dummy. Pada regresi linier, variavel prediktor yang digunakan biasanya numerik, tetapi jika kita melibatkan campuran antara numerik maupun kategorik kita dapat menggunakan regresi logistik. Regresi logistik membentuk persaan atau fungsi dengan pendekatan máxima probabilidade, yang memaksimalkan peluang pengklasifikasian objek yang diamati menjadi kategori yang sesuai kemudian mengubahnya menjadi koefisien regressar yang sederhana. Dua nilai yang biasa digunakan sebagai variabel dependen yang diprediksi adalah 0 dan 1 (ex. 1berhasil, 0gagal). Regresi logistik menghasilkan rasio peluang (relações de probabilidade) antara keberhasilan atau kegagalan suatu dari analisis. Dapat kita contohkan dengan seorang tokoh yang ingin menjadi presidente, akan lebih baik peluangnya jika menjadi ketua partai politik tertentu. Disini odds ratio yang dimaksud adalah seberapa besar peluang tokoh tersepo dengan mempertimbangkan variabel prediktor yang ada. Regresi logistik akan membentuk variabel prediktorrespon (log (p (1-p)) yang merupakan kombinasi linier dari variabel independant. Nilai variabel prediktor ini kemudian ditransformar as menjadi probabilitas dengan fungsi logit Asidio-asumsi dalam regresi logistik Tidak mengasumsikan hubungan linier antar variabel dependen dan Independente Variable dependen harus bersifat dikotomi (2 variabel) Variabel independente tidak harus memiliki keragaman yang sama antar kelompok variavel Categoria independente dalam variabel independentes harus terpisah satu sama lain atau bersifat eksklusif Sampel yang diperlukan dalam jumlah relativo a besar, mínimo dibutuhkan hingga 50 sampel data untuk sebuah variabel ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Odds ratio) Atau razão de verossimilhança dengan kemungkinan terbesar nilai peluang adala 1, dengan demikian persaman regressar logistik menjadi: logit (p) log (p1-p) ln (p1-p) dimana p bernilai antara 0-1. Modelo yang digunakan pada regresi logistik adalah: Registro (P 1 8211 p) 0 1X1 2X2 8230. kXk Dimana p adalah kemungkinan bahwa Y 1, dan X1, X2, X3 adala variavel independen, dan b adalah koefisien regresi. Konsep Log Odds, Odds Ratio Logit (probabilidades de registro) merupakan koefisien slope (b) dari persamaan regresi. Inclinação disini adalah perubahan nilai rata-rata dari Y dari satu unidade perubahan nilai X. Regresi logistik melihat perubahan pada nilai variabel dependen yang ditransformasi menjadi peluang, bukan nilai aslinya seperti pada regresi linier. Sebagai ilustrasi jika nilai peluang adalah 0,25, maka nilai odds adalah 3 (25,75), sedangkan jika nilai peluang 50, maka nilai odds adalah 1 (50. 50) 2 (33. 67) dengan total keseluruhan nilai peluang adala 1. Nilai odds ratio biasanya dapat kita lihat pada kolom b pada 8216variables na equação8217 saída SPSS. Kecocokan Model (modelo em forma) dan fungsi likelihood Probabilidade de ser alvo de uma tentativa de probabilidade de hipotesis tertentu. Seperti yang kita ketahui pada kurva regressar mais linier kita lihat adanya hubungan linier, peningkatan pada sumbu Y akan diikuti dengan peningkatan pada sumbu X dan sebaliknya. Tetapi pada regressi logistik dengan nilai Clique para ver o gráfico em tempo real de sg. Oleh karena itu metode máxima probabilidade sangat berguna dalam menentukan kecocokan modelo yang tepat bagi persaman yang kita miliki. Hipotesis dalam regressi logistik antara lain: h0 ketika persaman regi bernilai 0 logit (p) 0. h1 persamaan regresi berbeda nyata dari 0 logit (p) 8800 0. Regresi logistik merupakan regressar não linier dimana modelo yang ditentukan akan mengikuti pola kurva linier seperti gambar Di bawah ini. Regresi logistik juga menghasilkan rasio peluang (relações de probabilidade) terkait dengan nilai setiap prediktor. Peluang (odds) dari suaru kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak terjadi. Secura umum, rasio peluang (proporções de probabilidade) merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan sebagai jumlah relatif dimana peluang hasil meningkat (raso peluang gt 1) atau turun (raso peluang lt 1) ketika nilai variavel prediktor meningkat sebesar 1 unidade. Lebih jelasnya kita dapat mengikuti ilustrasi in: Kita ingin mengetahui apakah berat badan (peso) sapi para peternak di kota elgrow bertambah significante atau tidak, dengan variabel prediktor adalah sexo yang terdiri atas masculino (M) atau feminino (F), pemberian obat cacing (Anthelmintic) secara rutina sesuai dosis yang dinyatakan dengan sim não dan, dan biaya pemeliharaan por bulan yang dinyatakan dalam EU. Kali ini kita akan menjalankan modelo logit menggunakan bantuan software IBM SPSS versi 23, untuk yang masih menggunakan SPSS seri di bawahnya jangan khawatir, masih kurang lebih sama koq cara aplikasinya, kamu bisa download dados disini 1. tahap dados importantes (misalnya dari excel), Buka SPSS kamu, arquivo gt ler dados de texto, pada kotak diálogo abrir dados, arquivos de tipo gt pilih excel, maka datanya muncul di layar, pilih lalu klik gt aberto, kemudian dimunculkan lagi jendela dados de abertura, lista de verificação seperti gambar gt ok, dados telah Masuk dalam registro spss, berikut adalah dataview, lihat sususannya tidak beraturan, kamu bisa atur dalam variável vista: atur rótulo, desimal, dan lain-lain dalam variabel ver, 2. Tahap Análise, Analise gt regressão gt logística binária, Setelah muncul jendela logística Regressão, masukkan weightgain kedalam dependen, dan variável kategorik yaitu sexo dan anthelmintic ke kotak covariates, lalu klik categórico, untuk menyesuaikan tipe dados variabel kategorik, Di jendela Define covariates variáveis pilih referência categoria primeiro, kemudian klik mudanças gt continuar, klik próximo lalu masukkan variabel kontinyu custo, ke dalam covariates, kemudian opção, kemudian continuar gt ok, maka outputnya akan ditampilkan, Chi-Square modelo sebesar 18,440, angka ini menjelaskan kemampuan Modelo dalam memprediksi variabel dependen weightgain. Dengan signifikansi 0,000 lt 0,05, berarti terdapat peningkatan signifikansi dengan penambahan sexo variável, dan anthelmintic, modelo ke dalam. -2 log probabilidade menjelaskan signifikansi modelo layaknya R-sq pada regressar linier OLS. Tabel Hosmer e Lemeshow testaram um modelo de modelo significativo, um modelo diferente e um anthelmintico. Penambahannya cukup kecil dengan signifikansi 0,631 (gt0,05). Kita lihat kembali pada variáveis de saída na equação menunjukkan modelo sesuai hipotesis null atau modelo tanpa prediktor, Variáveis de saída não na equação menunjukkan signifikansi masing-masing variabel independen terhadap weightgain. (0,000), sedangkan sex (1) tidak signifikan (0,298). Dari tabel dapat kita lihat bahwa variabel anthelmintico (1) memberikan peningkatan yang signifikan terhadap modelo (0,000). Tetapi secara keseluruhan signifikan terhadap perbaikan modelo (estatísticas globais, sig 0,000). Dari variáveis de saída na equação persaman yang kita peroleh adalah (lihat nilai pada kolom B): Log odds (peso) B0 B1sex (1) B2anthelmintic (1) B3cost atau dengan nilai aslinya Pontuação do jogo (weightgain) -3,502 0,116sex (1) 2,638anthelmíntico (1) 0,011cost Jika sex (1) 1 (lihat output coding), anthelmintic (1) 1 (codificação de saída lihat), dan costUS 100, maka persamaannya menjadi: Log odds (weightgain) -3,502 0,116 (1) (Peso) -3,502 0,116 2,638 1,1 Jika kita hilangkan log maka persaan akan dalam bentuk eksponensial: probabilidades (weightgain) e -3,502 0,116 2,638 1,1 Interpretação de resultados Persaan Untitk setiap perubahan por unidade Pada variabel sexo (1) (koding dummy untuk variabel Mjantan), akan meningkatkan weightgain sebesar 0,116. Untuk setiap kenaikan pada variabel anthelmintico (1) sebesar 1 unidade, maka akan meningkatkan weightbain sebesar 2,638. Untitled Setiap Sebesar US1 terhadap variabel cost, maka akan meningkatkan peluang weightgain sebesar 0,011. Dari nilai signifikansi dapat kita simpulkan bahwa variabel yang signifikan berpengaruh logaritmo odds (peso) adalah pemberian obat cacing secara rutina (anthelmintic (1)), dan cost of dengan nilai signifikansi berturut-turut 0,02 dan 0,018 (pada tingkat signifikansi 95). Kemudian mari kita interpretasikan nilai exp (B) variáveis de saída pada na equação di atas: Variabel sexo (1) yang mengacu pada MaleJantan, memiliki kecenderungan untuk mendapatkan pertambahan berat badan (peso) 1,122 kali daripada Femalebetina yang menjadi kategori referensi kita Adalah koding dummy, dimana Adicionar como Amigo Adicionar como Amigo Adicionar como Favorito 1 2 3 4 5 Variabel anthelmintic (1) yang mengacu pada sim, dimana pemberian obat cacing secara teratur dan sestae dosis memiliki peluang sebesar 13,988 kali daripada kategori referente a kang yang mengacu pada no, dimana no dinyatakan sebagai tidak memberikan asupan obat cacing secara rutin dan sesuai dosis. Variabel ini sangat significado significa mempengaruhi log odds (peso) dengan nilai signifikansi 0,002. Variabel cost cenderung meningkatkan peso 0,051 kali dengan nilai signifikansi yang baik yaitu 0,018 lt 0,05. (Yoso) download materi dalam bentuk pdf di bawah ini gtgtgtTutorial Contagem Analisar Regressar Logistica binerdikotomi dengan SPSS Pada hari sebelumnya telah dibahas tentang konsep dari regresi logistik biner . Sessão de inauguração de janji penulis akan dibahas tutorial regresi logistik biner dengan SPSS. (Kayak pemilu aja ya.:p). Para sua conveniência, nós a traduzimos automaticamente Untuk contoh kasus kali ini, terinspirasi dari tugas kelompok perkuliahan yang diambil dari tugas kakak tingkat. Bisa dibilang copas lah ya. Tapi, jangan dilihat dari copasnya. Tapi lihat dari niatnya dan keinginan untuk saling berbagi semoga dapat membantu mengerjakan tugas, skripsi, tesis atau bahkan disertasi. Contoh Kasus Analisis Regresi Logistik biner: Dilakukan simulasi untuk melihat pengaruh antara variável profitabilitas, kompleksitas perusahaan, opini auditor, likuiditas dan ukuran perusahaan terhadap ketepatan penyampaian laporan keuangan tahunan perusahaan. Profitabilitas diukur dengan ROA variável kompleksitas terdiri atas 2 kategorik yaitu diberi angka 2 jika mempunyai anak perusahaan dan 1 jika perusahaan tidak mempunyai anak perusahaan opini auditor diukur dengan 2 jika mendapatkan opini wajar tanpa pengecualian dan 1 umtuk opini yang lain likuiditas diukur dengan Current Ratio dan ukuran Perusahaan diukur dengan logaritma valor de mercado natural. Palavras-chave para esta imagem de cor, caneta, caneta, caneta, caneta, caneta, pergaminho, caneta, caneta, caneta, Dados yang digunakan dalam penelitian ini tidak ditampilkan mungkin kalau teman ingin mencoba juga bisa didownload dibagian bawah nanti ya. Dalam tutorial ini menggunakan SPSS 20.Langsung saja ya dengan langkah-langkahnya. Langkah-langkah, dalam, pengujian, analisis, regressar, logistik, Pada, posisi, arquivo, tela, terça-feira, terça-feira, Análise de menganalisis, langkah awalnya adalah pilih menu Analisar. Kemudian pilih Regressão dan Logística Binária. Maka akan muncul tampilan seperti di bawah ini. Masukan variabel yang berfungsi sebagai variabel tak bebas dari caixa variabel ke kolom dependente. Dan masukan semua varibel bebas pada kotak Covariate. Método Untuk, pilih Enter. Sebenarnya bisa dipilih metode apa saja karena modelo yang terbentuk akan sama (dalam artian penduga-penduga parameternya akan memiliki nilai-nilai yang sama). Akan tetapi, khusus metode Entre, harus dilakukan proses dua kali. Pertama, dados de execução dengan semua variavel untuk mengetahui variável mana yang signifikan, seta itu di run lagi dengan menggunakan variável yang signifikan itu. Modelo yang terbentuk akan sama dengan modelo yang diperoleh dengan metode lain. Klik Categorical. Masukkan semua variavel bebas yang berbentuk kategori pada kotak covariate ke dalam kotak categóric covariates. Biarkan contras pada indicador padrão. Untuk, referência, categoria, bagian, categoria, yang, akan, dipakai, sebagai, referensi, atau, pembanding, yang, akan, digunakan, dalam, interpretasi, odds, ratio. Dapat menggunakan kategori akhir (último) atau kategori pertama (primeiro). Dalam penelitiano ini digunakan kategori akhir (último). Kemudian klik Continuar. Setelah itu pilih opção de menu. Centang história de iteração untuk dapat mengetahui proses iterasi yang telah berlangsung. Selain itu, akan ditemukan Classificação cortada, yang pada kondisi padrão sudah diisi dengan 0.5. Nilai ini disebut dengan o valor de corte atau anterior probabilidade. Peluang suatu observasi untuk masuk ke salá satu kelompok sebelum karakteristik variabel penjelasnya diketahui. Por favor, clique aqui para obter mais detalhes sobre este tópico: kita, kita, bisa, menggunakan, default. Misalnya pada penelitian ini, sebelumnya tidak pernah dilakukan penelicioso apakah ukuran perusahaan condong pada satu sisi. Dengan alasan ini, dapat digunakan classificação de corte sebesar 0,5. Namun, misalnya pada ada penelitian lain yang telah meneliti maka bisa dinaikkanditurunkan classificação cutoff sesuai hasil penelitian. Dalam penelitian ini semua variavel numerik dalam default 0,5. Abaikan bagain yang lain, klik continuar. Abaikan bagian yang lain, dan tekan OK maka akan keluar saída dari Regresi Logistik. Intrepretasi Hasil analisis regressar logistik Setelah keluar saída dari hasil executando dados di SPUL maka diperoleh hasil analisis sebagai berikut: Identifikasi Data yang Hilang Pada tabel di atas, dapat dilihat tidak ada dados yang hilang (faltando casos). Pemberian, kode, variavel, respon, ole, SPSS, Menus, pengkodean, SPSS, yang, termasuk, kategori, sukses, adalah, penyampaian, laporan, keuangan, tahunan, yang, tepat. Pemberian kode untuk variavel penjelas yang categoria Pengkodean variabel penjelas hanya dilakukan untuk variavel penjelas yang kategorik karena akan dibentuk dummy variabel. Penelitian ini menggunakan dua variavel penjelas yang kategorik yaitu variabel Opiniões de variáveis Kompleksitas. Untuk variabel opini. Nantinya yang akan digunakan código de referência sebagai (kode pembanding) adalah Wajar Tanpa Pengecualian (lihat pada tabel di atas parâmetro bagian codificações yang berkode nol). Sementara untuk variabel Kompleksitas. Yang, menjadi, kode, pembanding, adalah, Punya, anak, perusahaan. Kode pembanding ini akan digunakan untuk interpretasi Odds Ratio. Uji Signifikansi Modelo Dari hasil SPSS dapat digunakan tabel 8220 Testes Omnibus de Coeficientes Modelo 8221 untuk melihat hasil pengujian secara simultanean pengaruh variabel bebas ini. Berdasarkan tabel di atas diperoleh nilai Sig. Modelo sebesar 0.000. Karena nilai ini lebih Palavras-chave para este ficheiro 5 maka kita menolak Classificação actual 5 downloads sehingga disimpulkan bahwa variavel bebas yang digunakan, secara bersama-sama berpengaruh terhadap ketepatan penyampaian laporan keuangan suatu perusahaan. Atau mínimo ada satu variabel bebas yang berpengaruh. Persentase Ketepatan Klasifikasi (Porcentagem Correta) Persentase ketepatan model dalam mengkasifikasikan observasi adalah 78,6 persen. Artinya dari 70 observasi, ada 55 observasi yang tepat pengklasifikasiannya oleh modelo regresi logistik. Jumlah observasi yang tepat pengklasifikasiannya dapat dilihat pada diagonal utama. Uji Parsial dan Pembentukan Modelo Pada uji diharapkan Ho akan ditolak sehingga variavel yang sedang diuji masuk ke dalam modelo. Dengan bantuan tabel 8220Variables em A Equação8221 dapat dilihat variabel mana saja yang berpengaruh significante sehingga bisa dimasukkan ke modelo. Jika nilai sig. lta maka Ho ditolak. Berksarkan hasil di atas diketahui bahwa terdapat 2 variável bebas yang signifikan berpengaruh terhadap ketepatan penyampaian laporan keuangan perusahaan karena masing-masing variabel tersebut memiliki nilai signifikansi yang lebih kecil dari a5. Variabel-variabel tersebut adalah Profitabilitas (Sig.0.004) dan Likuiditas (Sig.0,000). Modelo yang terbentuk adalah: Dimana: X1i Profitabilitas X2i Likuiditas i1,2,8230, n 7. Interpretasi Odds Ratio Nilai Odds ratio ini juga disediakan oleh tabel 8220 Variáveis na Equação 8221 pada kolom Exp (B): Berdasarkan hasil di atas kita dapat Menginterpretasikan Relação de Cotações sebagai berikut: Jikai jumlah profitabilitas perusahaan bertambah 1 unidade maka kecendrungan perusahaan tersebut untuk tepat waktu menyampaikan laporan keuangan menjadi 2.780 kali lipat. Sebuah perusahaan yang tidak mempunyai anak perusahaan akan memiliki kecenderungan untuk menyampaikan laporan keuangan secar tepat waktu sebesar 3.057 kali dibanding perusahaan yang memiliki anak perusahaan (merujuk pada código de referência). Perusahaan dengan opini auditor adalah opini lain cenderung 0.848 kali (lebih rendah) untuk tepat waktu dalam menyampaikan laporan keuangan dibanding dengan perusahaan yang Wajar tanpa Pengecualian. Jika Relação Atual pada likuiditas bertambah 1 persen maka perusahaan akan cenderung 1.708 kali untuk tepat waktu menyampaikan laporan keuangannya. Palavras-chave para esta foro bertambah 1 unidade maka perusahaan tersebut cenderung 1.123 kali untuk tepat waktu dalam menyampaikan laporan keuangannya. Buat yang ingin mencoba silahkan baixar filenya dibawah ini: tutorial reglog biner (SPSS 20) Escrito por: Nasrul Setiawan Terima kasih sudah membaca artikel Analisar regressar Regressar Logística SPSS dengan judul Tutorial Contoh Análise Regresi Logistik binerdikotomi dengan SPSS. Anda bisa bookmark halaman ini dengan URL statistikceria. blogspot201301tutorial-analisis-regresi-logistik. html. Apabila ada yang kurang jelas silêncio tinggalkan komentar atau pesan.
No comments:
Post a Comment