Sunday, July 1, 2012

Interpretasi Output Analisis Regresi Logistik

Seperti yang telah saya janjikan pada saat menyampaikan langkah-langkah Analisis regresi Logistik, kali saya akan coba menyampaikan interpretasi dari Output yang kita hasilkan. Apabila ingin membaca kembali mengenai konsep dari analisis regresi logistik berikut linknya saya berikan dengan mengklik reglog. Interpretasi ini akan saya bagi menjadi beberapa poin. Pertama, pengujian secara keseluruhan (overall test). Kedua, pengujian secara parsial (partial test). Dan, bagian terakhir terkait dengan goodness of fit (kelayakan dan kesesuaian model). Soal yang saya gunakan masih sama dengan yang dikerjakan pada langkah-langkah analisis regresi yaitu :










  

 
Ok…mungkin saat ini kita putuskan dulu ya, kita memilih model yang kedua yang akan kita gunakan untuk interpretasi odds ratio. Namun, perlu diyakinkan ini bukan suatu kesimpulaan yang mutlak. Artinya, anda bebas menetapkan mana model yang digunakan selama secara kriteria kelayakan (substansi dan statistik) itu terpenuhi. Itulah seninya, the art of statistics.=)

Interpretasi odds ratio
Seperti yang pernah disampaikan, pada reglog koefisiennya akan sulit diinterpretasi secara langsung. Kita akan menginterpretasi lewat angka odds ratio (yang di shading biru pada variables in the equation).
Dari Exp (B1) = 1.045 --> Semakin lama durasi operasi seseorang maka kecendrungannya untuk terkena sore throat ketika bangun meningkat. (cara interpretasi variabel kuantitatif)

Dari Exp (B2) = 0.127 --> kecendrungan seseorang yang menggunakan tracheal tube untuk terkena sore throat ketika bangun 0.127 kalinya jika dibandingkan seseorang yang menggunakan laryngeal mask airway. (cara interpretasi variabel kualitatif)
Atau dapat juga dimaknai Dari Exp (-B3) = 7.88 --> kecendrungan seseorang yang menggunakan laryngeal mask airway untuk terkena sore throat ketika bangun hampir 8 kalinya jika dibandingkan seseorang yang menggunakan tracheal tube.

Terimakasih telah membaca… Sukses Selalu buat teman semua … -Ferdi Fadly -

80 comments :

UII Official said...

Terimakasih Infonya
sangat bermanfaat..
Perkenalkan saya mahasiswa Fakultas Ekonomi di UII Yogyakarta
:)
twitter : @profiluii

Obat terkena hiv aids said...

sangat lengkap banget, boleh juga buat saya pelajari .......

id-herbal said...

boleh juga untuk saya pelajari , ............

Ferdian Fadly said...

@UII Official : suatu kehormatan buat saya dikunjungi oleh kampus sebesar UII..terimakasih telah berkunjung....ferdi.

@obat terkena dan id-herbal : Terimakasih telah berkunjung.

Yoyada Sitorus said...

mas, exp(B3) mana? kok ga ada

kinan rosanti said...

Terima kasih banyak.. ini sangat bermanfaat!
Jazakumullah khairan katsiroon

Ferdian Fadly said...

YoYada : B3 yang mana?

Kinan : Sama-sama, tolong disebarkan kembali ilmu yang didapat ya...biar tercipta multiplier effect yang besar...=D

Anonymous said...

link yang sangat super.. bermanfaat banget bagi saya...

Anonymous said...

thanks u/ link na pak.. sangat bermanfaat.. skg saya lg skripsi, pengujian yg d pake regresi logistik.. kalo bole tau, sumber referensi buku u/ materi ini dari buku mana y pak?.. thanks..

Anonymous said...

bagaimana klo koefisein regresi yg dihasilkan itu 0,000 pada tabel variables in the equation. interpretasinya bagaimana?

Ferdian Fadly said...

Alhamdulillah..terimakasih...

Ferdian Fadly said...

Alhamdulillah...terimakasih telah membaca..berminat menjadi penulis di blog ini?

Ferdian Fadly said...

Hoho..pertama yang harus saya pastikan adalah...apakah variabel itu signifikan secara statistic?? Kemudian...kalau memang sig, apakah itu adalah variabel kuantitatif?? Kalau memang demikian, itu sebenarnya wajar...katakanlah...pendapatan satuannya rupiah...kemudian dependentnya status kemiskinan, miskin tidak miskin..pertanyaan saya...jika pendapatannya ditingkatkan satu rupiah bagaimana kecendrungannya??tentu tidak jauh berbeda kan...tapi misalnya anda klasifikasikan dulu...Ada pendapatan tinggi, sedang, rendah, saya rasa analisanya jauh lebih baik..namun bila memang anda tetap ngotot menggunakan variabel kuantitatif..anda bisa merubah satuan pendapatan nya menjadi dalam juta rupiah misalnya,, dan anda cukup menyatakan arah, misalnya..semakin tinggi pendapatan maka kecendrungan orang untuk jatuh miskin semakin berkurang...semoga dapat menjawab...good luck

Anonymous said...

bagus banged link.nya mas...
sangat membantu saya dalam mengerjakan tugas akhir...
terima kasih...

Ferdian Fadly said...

Terimakasih juga telah membaca..good luck...

Anonymous said...

Asslamualaikum,,
Klo mau download eviews dimana ya?
n apa bia mengolah data panel dengan SPSS?
terima kasih

Ary Romadhona said...

Super lengkap, mas bro.....
Matus suwun

Ferdian Fadly said...

@anonymous : kalau untuk download E-views saya kurang tahu officialnya dimana...nanti coba saya cari-cari linknya.

Terimakasih mas ary atas kunjungannya.

Anonymous said...

assalamu'alaikum terima kasih banyak mas, sangat membantu sekali bagi saya yang sedang mengerjakan tugas akhir menggunakan metode ini.
hanya saja ketika saya mencoba mengikuti tutorial yang mas lakukan, mengapa nilai yang saya dapat berbeda dengan penjelasan mas, u/ nilai chi square step 1 blok 9.221, Sig 0.010 dan nilai Exp(B1)1.017, dan Exp(B2) 1.689, sy menggunakan IBM SPSS 19.
apakah sy ada kesalahan dalam memproses, sedangkan untuk nilai yang tetap menggunakan konstanta hasilnya sama.
sekali lagi terima kasih.
perkenankan saya mahasiswa akuntansi widyatama

Ferdian Fadly said...

Waalaikumsalam....Salam Mahasiswa...=D

saya kurang mengerti juga permasalahan anda....Koq bisa ya tanpa konstantanya beda disaat menghitung dengan konstanta nya nilainya sama...Oh...iya...jangan lupa mendefinisikan variabel Tracheal sebagai nominal sehingga nanti musti kita cathegorize kan....Jadi intinya...step td harus dilalui semua kembali, tetapi uncheck pada include constant in equation model...

wajibman sitopu said...

top banget..
"the art of statistics"

Jane Djianzonie said...

halo mas.. saya mau nanya gmana ya kalo hasil dr chi-square menunjukkan OR >1, tp setelah masuk model multivariat dengan regresi logistik malah OR nya <1, nilai p tetap <0.05

makasih mas. mohon bantuannya ya//

Ferdian Fadly said...

Chi-square menjelaskan hubungan antara bivariate - nominal versus nominal

Sedangkan reglog adalah bagian dari multivariate karena melibatkan lebih dari 2 variabel bebas yang diyakini secara bersama sama mempengaruhi variabel tidak bebas (nominal) nya... jadi disana jelas ada perbedaan...Semoga dapat menjawab....

Anonymous said...

Terimakasih atas postingannya Bpk Ferdian, sangt bermanfaat bagi yang sedang menyelesaikan tugas akhir. Saya mau tanya pak apakah menghilangkan konstanta yang tidak signifikan itu dalam model penelitian hukumnya bagiamana pak, karena setelah saya hilangkan kosntantanya bertambah satu variabel yang signifikan, apakah ini dibolehkan atau dianjurkan??
2. dari skripsi milik orang lain yang yang saya lihat dalam modelnya selalu ada constanta , apakah dalam tugas akhir diperbolehkan menghilangkan konstanta, atau memang menghilangkan konstanta adalah hal yang tabu

Ferdian Fadly said...

Sama-sama...
"Ok…mungkin saat ini kita putuskan dulu ya, kita memilih model yang kedua yang akan kita gunakan untuk interpretasi odds ratio. Namun, perlu diyakinkan ini bukan suatu kesimpulaan yang mutlak. Artinya, anda bebas menetapkan mana model yang digunakan selama secara kriteria kelayakan (substansi dan statistik) itu terpenuhi. Itulah seninya, the art of statistics."
Saya kutip kalimat dari postingan ini....

Coba diperhatikan apakah konstanta tersebut signifikan atau tidak...kalau tidak signifikan mungkin opsi menghilangkan konstanta nya bisa masuk dalam pertimbangan...

Langitlua said...

Pak Ferdy, untuk regresi linear/berganda, bapak jelaskan menghitung persentase kontribusi masing-masing variabel independentnya. http://ferdifadly.blogspot.com/2013/03/tutorial-spss-penentuan-variabel-dominan.html. Mohon penjelasan untuk regresi logistik ini. Terimakasih ya Pak.

Coretan Nomsla said...

Saya masih bingung penentuan pada skala ordinal maupun nominal, mohon dijelaskan, dan tentang indikator, gunanya kita menambahkan data itu categorial apa? (Cat) kalau tidak dipakai apa akibatnya?

Ferdian Fadly said...

@langitlua :itu sangat sulit pak...maaf...apalagi mengingat regresi logistik tidak memiliki R-Squared yang benar benar eksplisit...adapun hasil yang diperoleh hanya negalgarke R-square yang merupakan proxy dari R-squared...jadi mohon maaf saat ini saya belum menemukan referensi apapun untuk menolong masalah anda...

@coretan nomsla :
Skala data ada 4 : Nominal, ordinal, interval, rasio....dimana data yang bersifat kategorik atau kualitatif adalah data nominal ataupun ordinal....data nominal hanya membagi menjadi kelompok-kelompok yang sejajar...misalnya laki-laki perempuan...kaya miskin....sehat tidak sehat....handphone nokia, samsung, blavkberry, xiaomi...sementara itu ordinal ada ordo nya atau tingkatnya...misalnya : kaya, cukup kaya, cukup miskin, miskin, sangat miskin...sehat, kurang sehat, tidak sehat...
Nah, penggunaan categorical itu sendiri untuk mendefine apa yang menjadi reference nya....perlu diingat dalam menjalankan variabel kualitatif/kategorik...katakanlah terdiri atas k kategori...maka kita hanya perlu menciptakan k-1 variabel..kenapa -1? karena yang satu telah menjadi reference nya...artinya tiap kategori akan dibandingkan ke kondisi reference nya...

Dian Andira said...

Mohon bantuannya pak, kalau nilai Exp(B)nya 0,000 bagaimana menginterpretasikannya??
Terimakasih sebelumnya

Anonymous said...

Saya sebenarnya lulusan departemen biostat tetapi saya bukan biostat murni lebih ke informatika kesehatan. yang mau saya tanyakan dalam regresi logistik ketika saya uji indep ke dep (univariat) ada data yang yang keluar kalimat "Warnings
The parameter covariance matrix cannot be computed. Remaining statistics will be omitted." Apakah ini menunjukkan bahwa var indep tersebut memiliki varian yang sama sehingga tidak keluar pada hasil output untuk "variables in the equation". Mohon bantuannya. Trims

Ferdian Fadly said...

@dian adira : coba dilihat lagi beberapa angka dibelakang komanya.....untuk data yang kurang dari 1 biasanya interpretasinya saya balik, kondisi satu lagi 1/exp(beta) untuk mencapai sukses dibandingkan kondisi satunya lagi....

@anonymopus: Yapz betul, indikasi awalnya adalah ada variabel yang saling menghilangkan (mubazir)...

Dian Andira said...

Kalau hasil Exp(B) nya 0.000 apa itu berarti ada masalah pada data atau pengolahannya?
Mohon bantuannya lagi pak, terimakasih.

Ferdian Fadly said...

@dian adira : Datanya kuantitatif ya??

Dian Andira said...

Kualitatif dan kuantitatif. Saya menguji ttg ketepatan waktu pelaporan keuangan. Exp(B) dari setiap variabelnya roa 0.000 , der 0.456 , kualitas auditor 0.000 dan audit report lag 7.65E23. Dua data kuantitatif dan dua data kualitatif. Kira-kira kenapa hasilnya bisa begini,apa ada yg salah pada data atau pengolahannya?? Terimakasih sebelumnya pak

Gerahana Vironica said...

pak saya mau tanya, hasil uji saya bahwa variabel persepsi keparahan terhadap perilaku berisiko adalah p=0,020 dan odds ratio 0,194 (95% CI: 0,048-0,861). bagaimana cara menginterpretasikannya? apakah OR < 1 berarti variabel tersebut tidak berpengaruh? ssedangkan signifikansi < 0,05. mohon penjelasannya. terimakasih

Ferdian Fadly said...

@dian adira: boleh saya lihat datanya...

@gerahana vironica : Variabel persepsi keparahan signifikan terhadap perilaku beresiko diindikasikan oleh nilai p value sebesar 0.02 (kurang dari 0.05).
Persepsi keparahan itu kuantitatif atau kualitatif?
Kalau kualitatif, 2 kategori atau banyak kategori? katakan misalnya 2 ya parah atau tidak parah...reference kategorinya apa? parah atau tidak parah? katakanlah parah ya...
Kemudian, ynya perilaku beresiko, misal keadaan 1(sukses) jika beresiko sementara keadaan 0 (gagal) sebaliknya....

sebelumnya apa yang saya sampaikan berdasarkan asumsi informasi yang saya ciptakan sendiri diatas ya, jadi kalimat saya dibawah jangan ditelan mentah mentah oke, interpretasi bisa berbeda berdasarkan refernce yang digunakan kategori yang digunakan dan lain sebagainya...

Berdasarkan informasi diatas, saya berkesimpulan bahwa seseorang yang memiliki persepsi tidak parah memiliki kecendrungan untuk beresiko 0,194 kalinya dibandingkan orang yang berpersepsi parah.
Atau, biasanya susah ya memaknai angka 0,194 itu gimana ya...interpretasinya bisa dibalik seperti ini. Seseorang yang berpersepsi parah memiliki kecendrungan untuk beresiko 5,155 kalinya dibandingkan orang yang berpersepsi tidak parah. angka 5,155 diperoleh dari 1/0,194...
biasanya kalaua ngkanya seperti 5 kalinya 3 kalinya 10 kalinya lebih mudah dipahami dibandingkan 0,1 kalinya kan....

Anonymous said...

Selamat pagi pak, saya mw bertanya, bagaimana jika hasil dr pngujian regresi logistik menunjukkan bahwa secra parsial tidak ada stu pun variabel x yg brpengaruh terhadap variabel y, tetpi jika diuji secara simultan variabel x mempengaruhi variabel y? Mengaa hal tsb dpt trjadi? Dan apa maksud indiksinya.? Trimakasi.

Ferdian Fadly said...

apa yang anda maksud adalah t-test nya? boleh di print screen kan hasilnya...
Jika dianalogikan dengan regresi linear berganda, hal tersebut mengindikasikan kondisi variabel bebas yang berkorelasi satu sama lainnya, meskipun demikian perlu dicek lebih dahulu sebelum memutuskan hal ini...

Salam hormat
Ferdi

Anonymous said...

maaf pak saya mau bertanya, dlm regresi logistik ada pengujian yang dilakukan seperti menilai keseluruhan model (overall model fit) dan menilai kelayakan model regresi. Bisa dijelaskan pak, bagaimana maksud dari pengujian tersebut? dan untuk apa pengujian tersebut dilakukan?
terimakasih

Ferdian Fadly said...

kalau dianalogikan dengan regresi linear step yang kita lakukan kan

- Pengujian variabel secara keseluruhan (Overall test- Langkah I) untuk mengetahui apakah minimal ada satu variabel yang koefisiennya tidak sama dengan nol (signifikan secara statistik),
- Nah, kalau hasil poin satu ternyata membuktikan ada variabel yang signifikan, tentu kita ingin tahu kan mana yang signifikan itu? maka kita perlu pengujian nya (langkah II)
- Kalau kita sudah tahu mana yang variabel signikan tentu pertanyaan di otak kita selanjutnya adalah layak ga nih model kita? sehingga kita berani tampilkan model di muka umum...kita perlu lihat dari 2 mindset secara statistiknya dan substansinya...kalau untuk substansinya berati kita sudah bisa membayangkan apa kah variabel kita sudah sesuai teori yang ada...kalau tidak sesuai apakah kita punya alasan kuat untuk hal tersebut....dari sisi statistiknya kelayakannya dapat dilihat dari Hosmer lemeshownya (apakah model logistik sesuai untuk kasus ini) dan Classification table nya kan....
- Kalau kita sudah yakin semua, tidak ada proses tahapan yang lewat, tinggal kita sajikan selagi hangat kan...

Anonymous said...

Maaf pak mohon bantuannya.. saya mw bertanya. Dalam persamaan relog, bagaimana cara mengintepretasikan nilai konstanta nya? Apakah konstanta tidak dpt di intepretasikan? Dan jika dlm variabel bebas regresi logistik hanya variabel metrik smua, apakah menggunakan uji asumsi klasik normalitas?
Terimakasih

Ferdian Fadly said...

apa ada kepentingan anda untuk menginterpretasikan konstantanya? pada hakikatnya dapat saja diinterpretasikan tetapi sering tidak bermakna banyak...

Dengan menggunakan reglog, y nya berarti anda kualitatif ya tidak...maka asumsi normalitas pada error dan y nya sudah tidak berlaku, karena berdistribusi binomial kan...maka untuk pengujian asumsi nya salah satunya dapat menggunakan hosmer lemeshow test....seperti langkah yang saya sampaikan..

Desy Lestari said...

Assalamulaikum mas, saya desy mau bertanya tentang digunakan atau tdk digunakannya constant spt penjelasan di atas. Saya mencoba cra pertama dg check include constant mendapatkan hasil 0,111 pd tabel omnibus, sdgkan cara kedua dgn uncheck include constant mendapatkan hasil 0,000.
Dilihat dr nilainya cara kedua lbh baik, namun saya bgung. Apakah dengan tdk adanya constany tsb merubah model saya ?
Sbnarnya saya tdk mengerti fungsi digunakan atau tdknya constan tersebut :(
Mohon penjelasannya mas, terimakasih :)

Desy Lestari said...

Oiya mas, ada satu lagi yang saya bingungkan. Hasil dr reglog saya hanya satu variabel yg berpengaruh dr 8 variabel. Namun nilai dr nagelkerke R square saya 88%.
Apakah tidak masalah dgn hal tersebut mas ? Apakah menurut mas hal tsb wajar ? Terimakasih :)

Ferdian Fadly said...

Waalaikumsalam,,,dengan konstan atau tanpa konstan tentu merubah model anda...
dengan konstanta : Y=c+b1*X
tanpa konstanta : Y=b2*X
jika X bernilai=0, maka dengan model pertama Y yang diduganya adalah c, sementara model kedua Y yang diduganya adalah 0
sehingga kita harus tahu apakah model kita berangkat dari origin 0 atau tidak...bagaimana cara tahu nya, bisa dengan melihat apakah c (konstanta) signifikan?...
Jarang-jarang bisa mencapai negalgarke seperti itu, bisa lihat data nya di email...bisa saja artinya dengan satu variabel yang signifikan tadi modelnya sudah cukup ternyata...variabel lain jangan jangan bisa diabaikan...atau jangan jangan anda tidak sadar sedang meregresikan apa...

Desy Lestari said...

Maaf mas sblmnya, saya tdk mengerti mengenai konstanta yg signifikan/tdk untuk mengetahui model origin atau tidak :(
Saya sdh mengirimkan hasil spss saya dgn konstanta dan tanpa konstanta ke email mas ferdian frd_fadlee10@yahoo.co.id
Hal tsb jg berpengaruh pada nagelkerke yg berbeda, dgn konstanta nagelkerke 35% sdgkan tanpa konstanta nagelkerke 88% dan mendapatkan hasil yg sama yakni 1 berpengaruh dr 8 variabel.
Menurut mas, model mana yg sebaiknya saya gunakan ?
Terimakasih :)

Ferdian Fadly said...

Anda adalah penelitinya, anda yang paling tepat memutuskan apa yang terbaik untuk model anda...Namun demikian, jika saya diberi kesempatan untuk memberi saran, maka saran saya adalah lakukan running data sekali lagi...pelajari benar hubungan antar variabelnya...eliminasi sebagian variabel yang berkorelasi cukup kuat satu dengan lainnya...pertahankan variabel yang menurut anda bisa terjelaskan secara ilmiah...1 dari 8 variabel signifikan menurut saya pribadi bukanlah hasil yang menggembirakan...anda dituntut untuk menjelaskan 7 variabel tidak signifikan tersebut kenapa?...dari sisi substansial pasti harus ada jawabannya...

sama-sama
Salam
Ferdi

lydia caesera said...

Selamat malam
Mas mau tanya
Jika Variabel Dependennya kategori 1 dan 0
Independennya ukuran perusahaan, profitabilitas, asset turnover dan Leverage
apakah ini regresi logistik biner atau dummy mas?
Mohon penjelasannya
Terima kasih

Ferdian Fadly said...

@Lydia Caesera : Selamat pagi...
Perlu saya sampaikan regresi logistik biner dan dummy itu suatu hal yang berbeda...Dilihat dari variabel dependennya yang berisi nol dan satu maka salah satu pilihan model analisisnya adalah regresi logistik (bukan regresi linear berganda)...sementara itu, pilihan menggunakan dummy atau tidak tergantung dari variabel independen(bebas)...jika ada variabel yang bersifat kualitatif pada variabel bebasnya maka salah satu opsi penyelesaiannya adalah penggunaan variabel dummy...

Misal : Y=status kesehatan (1=sehat dan 0=tidak sehat)
X1= jumlah pendapatan (Rp)
X2= jenis kelamin (1=laki-laki dan 0= perempuan)

Model tersebut bisa menggunakan regresi logistik karena variabel dependennya kualitatif (sehat tidak sehat)...sementara itu karena ada variabel bebas yang kualitatif (jenis kelamamin) maka akan digunakan variabel dummy sebagai pengganti variabel tersebut...

Terimakasih
Salam
Ferdi

Ferdian Fadly said...

Sehingga model tersebut menjadi regresi logistik biner dengan menggunakan variabel dummy

Anonymous said...

Selamat pagi. Mau menanyakan apakah kelebihan dan kekurangan regresi regresi logistik metode enter dan backward?b

Anonymous said...

Selamat siang pak, saya ingin menanyakan mengenai regresi logstik ini. Dalam tutorial bapak mengenai analisis regresi logistik biner : "Karena T berbentuk kategorik, maka harus ditetapkan reference Category nya dengan cara memilih opsi Categorical. Untuk kemudahan interpretasi biasanya saya memilih first untuk reference nya. Artinya setiap kategori akan diperbandingkan dengan kategori pertama. Kemudian JANGAN LUPA pilih change. Klik Continue."
Dalam hal ini variabel T dummy?
Apakah untuk setiap variabel independent yang bersifat dummy harus klik opsi categorical?
Apakah pengaruh hal tersebut terhadap hasil pengujian?

Ferdian Fadly said...

@anonymous 1 : Itu metode pemilihan model....prinsip kerjanya :
- Metode enter : kita masukkan semua variabel bebas yang sudah ditetapkan pada saat awal menyusun spesifikasi model....ada variabel bebas yang signifikan ada yang tidak signifikan.....
- Metode Backward Ellimination : Kita masukkan semua variabel bebas yang ditetapkan....kemudian satu per satu variabel yang tidak signifikan akan dieliminasi...hingga menyisakan variabel-variabel yang signifikan saya...dengan melakukan pengujian terhadap parameter –parameternya dengan menggunakan partial F test.

- Metode Forward Selection : memasukkan variabel yang paling berpotensi memiliki hubungan linear dengan variabel Y nya. kemudian secara bertahap memasukkan variabel berpotensi berikutnya...hingga variabelnya signifikan semua...

- Metode Stepwise regression : gabungan bacward ellimination dan forward selection....


Anonymous : untuk variabel yang sifatnya kategorik Ya harus....mungkin tidak berpengaruh terhadap pengujian...tetapi akan sangat berpengaruh terhadap interpretasinya...meskipun demikian ketidakharusannya adalah harus first semua atau last semua....yang jelas kita tahu apa yang kita jadikan reference nya....spss sendiri sudah ada default sebenarnya untuk mendefinisikan reference category ...tetapi saya sering lupa...dan ada baiknya saya sendiri yang mendefinisikannya,....

isti qomah said...
This comment has been removed by the author.
Anonymous said...

Selamat pagi Pak. Saya sedang melakukan tesis analisis faktor risiko penyebab stres kerja. Setelah melakukan analisis bivariat, dari 11 variabel independent diperoleh 8 variabel yang signifikan mempengaruhi stres kerja dg nilai p < 0,05 dan OR besar (di atas 5)
Lalu saya ingin mencari faktor yg dominan dengan analisis multivariat. Setelah running spss dg step Analyze kemudian Binary Logistic, diperoleh nilai p untuk kedelapan variabel jauh di atas 0,05 bahkan mendekati 1 dan OR yang sangat kecil.
Mengapa demikian? Bagaimana interpretasinya? Langkah apa yang harus saya lakukan kemudian jika tetap ingin mencari faktor yang dominan. Terima kasih atas jawabannya

Ferdian Fadly said...

Selamat pagi mas anonymous
analisis bivariate...maksudnya menggunakan apa analisisnya...ada banyak soalnya kan...variabel Y (tidak bebas) nya sudah dalam bentuk 0 dan 1? ketika analisis bivariate itu menggunakan apa? dan Y nya bagaimana?
Saya belum tahu betul penyebabnya, tetapi saya duga multikolinearitas...boleh saya lihat dulu datanya mas...boleh dikirim ke 07.5356@gmail.com

Anonymous said...

Mohon maaf...saya perempuan tulen mas..hehe.
Analisis bivariat dng uji chi square. Semua variabel dependent dan independent saya jadikan data katagorik utk mempermudah interpretasi dan kesimpulan.
Boleh mas...saya kirim datanya dalam bentuk spss atau bagaimana?

Ferdian Fadly said...

ooo...maaf mbak anonymous,,,saya kebiasaan....

oiya..boleh saya lihat dulu...SPSS boleh, Excell boleh....cuma mungkin gampangnya SPSS aja,,,jadi saya ga perlu redefinisi lagi...

Anonymous said...

Datanya sudah saya kirim ke email ya mas. Terima kasih sudah berkenan membantu..

Ferdian Fadly said...

Sudah saya balas respon via email

Anonymous said...

siang mas fadly, saya menguji data dengan menggunakan regresi logistik. namun data saya panel. bisakah jika menggunakan eviews?

Ferdian Fadly said...

Bisa...kecuali untuk model random effect....

nurdin sulistiyono said...

Aswb.. mas fadly, mohon pencerahanya mengenai intepretasi odd ratio pada kasus penelitian saya mengenai mengenai model spasial deforestasi (perubahan lahan hutan ke lahan non hutan) :
variable Y = 0 (pixel tidak berubah = non deforestasi)
1 (pixel berubah = deforestasi)
berdasarkan hasil pengolahan reglog menggunakan metode stepwise dari 9 variabel X, terdapat 3 var X yang berpengaruh, antara lain :

var B EXP(B)
X2 = jumlah rumah tangga tani 0.012 1.012
X5 = ketinggian tempat -0.080 0.923
X7 = jarak dari jalan -0.019 0.981

Data var X merupakan data kontinyu, bukan data kategori. Saya masih bingung mengartikan mana diantara ke 3 var X yang paling berpengaruh? bagaimana mengartikan nilai odd ratio (exp B) pada kasus di atas? bagaimanakah pengaruh tanda - dan + pada koefisien B terhadap nilai odd rationya?
Atas bantuan dan pencerahannya, saya ucapkan terima kasih.

Tiyo

nurdin sulistiyono said...


X2 = jumlah rumah tangga tani, B= 0.012, exp(B) = 1.012
X5 = ketinggian tempat, B= -0.080 , exp(B) = 0.923
X7 = jarak dari jalan , B = -0.019 , exp(B) = 0.981

Ferdian Fadly said...

Waalaikumsalam Pak Nurdin

variable Y = 0 (pixel tidak berubah = non deforestasi)
1 (pixel berubah = deforestasi)
berdasarkan hasil pengolahan reglog menggunakan metode stepwise dari 9 variabel X, terdapat 3 var X yang berpengaruh, antara lain:

var B EXP(B)
X2 = jumlah rumah tangga tani 0.012 1.012
X5 = ketinggian tempat -0.080 0.923
X7 = jarak dari jalan -0.019 0.981

Data var X merupakan data kontinyu, bukan data kategori. Saya masih bingung mengartikan mana diantara ke 3 var X yang paling berpengaruh?
# Stepwise regression itu stepnya akan memasukkan variabel yang dirasa berpotensi kiat berpengaruh, kemudian secara bertahap memasukkan variabel berpotensi lainnya, kemudian menguji apakah ada yang harus dikeluarkan dari model, kemudian secara bertahap memasukkan lagi, dan mengeluarkan lagi jika ada yang harus dikeluarkan....jika ditanya variabel yang paling dominan? jawaban singkatnya adalah gunakan urutan stepwise regression tersebut...

bagaimana mengartikan nilai odd ratio (exp B) pada kasus di atas?
# karena data X nya merupakan data kuantitatif, kita ckup menceritakan arahnya saja

bagaimanakah pengaruh tanda - dan + pada koefisien B terhadap nilai odd rationya?
# X2 = jumlah rumah tangga tani, B= 0.012, exp(B) = 1.012
Semakin banyak jumlah rumah tangga taninya, maka kecendrungan daerah tersebut untuk mengalami pixel berubah(deforestasi/sukses) semakin besar

X5 = ketinggian tempat, B= -0.080 , exp(B) = 0.923
Semakin tinggi tempatnya, maka kecendrungan daerah tersebut untuk mengalami pixel berubah(deforestasi/sukses) semakin kecil

X7 = jarak dari jalan , B = -0.019 , exp(B) = 0.981
Semakin jauh dari jalan, maka kecendrungan daerah tersebut untuk mengalami pixel berubah(deforestasi/sukses) semakin kecil

Atas bantuan dan pencerahannya, saya ucapkan terima kasih.
#sama sama

nurdin sulistiyono said...

terima kasih atas responnya mas fadly.. maaf sebelumnya, berdasarkan penjelasan mas Insya Alloh saya sudah sedikit paham mengenai arah hubungannya, namun saya ingin mengetahui bagaimana membaca nilai exp(B) pada kasus tersebut.. berdasarkan nilai exp(B) manakah urutan variabel yang paling berpengaruh? terima kasih

Anonymous said...

apakah hasilnya akan sama mas, jika mengguanakan eviews? kalau menurut mas fadly lebih baik mana? menggunakan spss atau eviews jika datanya panel

Ferdian Fadly said...

Mas Nurdin : bagaimana mengartikan nilai odd ratio (exp B) pada kasus di atas?
# karena data X nya merupakan data kuantitatif, kita ckup menceritakan arahnya saja
# X2 = jumlah rumah tangga tani, B= 0.012, exp(B) = 1.012
Semakin banyak jumlah rumah tangga taninya, maka kecendrungan daerah tersebut untuk mengalami pixel berubah(deforestasi/sukses) semakin besar

tetapi misalkan jumlah rumah tangga tani adalah kualitatif (dimana 1 adalah banyak dan 0 adalah sedikit)
maka cerita menjadi kecendrungan daerah yang rumah tangga taninya banyak (X=1) untuk deforestasi (sukses) 1,012 kalinya dibandingkan daerah yang rumah tangganya sedikit


Ferdian Fadly said...

@anonymous : apakah hasilnya akan sama mas, jika mengguanakan eviews?
hasilnya sama

kalau menurut mas fadly lebih baik mana? menggunakan spss atau eviews jika datanya panel
# untuk data panel, bisa menggunakan STATA ataupun R...kalau SPSS saya cenderung untuk data cross section,,,sementara eviews untuk data time series...SPSS dan eviews bisa untuk data panel? jawabannya bisa, menghasilkan fixed dan common effect, kalau untuk random effect rasanya belum bisa...

Anonymous said...

selamat siang pak saya mega, saya ingin bertanga. nilai hosmer and lameshows goodnes of fit test saya nilai sig nya 0,006 atau dibawah 0,05 berarti H0 saya ditolak. nah saya bingung bagaimana caranya agar data saya dapat fit diatas 0,05. terimakasih sebelumnya.

Ferdian Fadly said...

Sudah saya email ya mbak mega

Anonymous said...

Selamat malam Pak Ferdian, terima kasih atas penjelasan mengenai interpretasi dari hasil analisis regresi diatas, sangat membantu saya dalam menyusun skripsi :)
tapi ada yang saya ingin tanyakan diluar konten ini Pak, karena saya hampir putus asa mencari jawabannya tetapi hingga saat ini belum menemukan jawabannya ~.~"
barangkali Pak Ferdian bisa menolong saya, hehe..
saya masih bingung dengan perbedaan antara odd rasio (OR), relatif rate (RR) dan prevalensi rasio (PR).
Yang saya tahu untuk memperoleh nilai dari ketiga tersebut ada dua cara yaitu melalui perhitungan manual dan melalui SPSS, dan RR merupakan cerminan dari PR dalam design cross sectional bukan?
Yang masih saya belum mengerti adalah tentang interval kepercayaan (IK), karena yang saya tahu bila interval kepercayaan mencangkup angka satu interpretasi nilai OR dan RR jadi percuma.
Masalahnya adalah bagaimana caranya memperoleh IK dari hasil PR dengan menggunakan perhitungan manual? karena kalau dari SPSS hanya diperoleh nilai IK dari OR (case control) dan RR (kohort) saja, mengingat rumus memperoleh nilai PR dengan RR berbeda meskipun RR adalah cerminan dari PR.
mohon pencerahannya pak :)

Ferdian Fadly said...

Selamat pagi Anonymous...
Sama-sama,, terimakasih telah membaca...
Saya tidak akan membahas terlalu banyak rumus kalau memang demikian...
Yang harus snonymous pahami adalah, hal tersebut erat kaitannya dengan desain penelitian.
Desain penelitian terdiri atas 3:
- Cross sectional
- Retrospective
- Perspective

Misalkan kita punya X=merokok (1) tidak merokok (0)
kemudian Y=kanker(1) tidak kanker (0)

- Cross sectional
Penelitian cross sectional tidak akan memperdulikan berapa banyak yang terambil perokok atau tidak, atau berapa banyak yang kanker atau tidak,,,yang paling penting oleh metode ini hanya kerandoman....sehingga kita tidak bisa dapat itu ukuran relatif rate

- Retrospective
Penelitian ini justru mementingkan perolehan sampel untuk Y nya,,,dia ingin memperoleh contoh orang kanker sekian orang, yang tidak kanker sekian orang...dari hal demikian baru dilihat dari orang kanker itu berapa orang yang merokok dan tidak merokok....

- Prospective
Justru sebaliknya,,,dia peduli dulu dengan X nya,,,jumlah sampel perokok sekiaan dan yang bukan perokok sekian,,,,dari perokok itu berapa yang nantinya ternyata jadi kanker....

Kenapa penentuan desain penelitian ini begitu penting? saya kebetulan pernah meneliti tentang kesehatan dan kedokteran juga....jadi hal ini biasanya memang ada tujuannya,,,salah satu tujuan utamanya misalnya untuk kasus langka.....itu biasanya menggunakan retrospective...dapat dulu sampel penyakit langkanya, kemudian baru dilihat dari penyakit langka tersebut berapa orang yang begini dan berapa orang yang begitu....

Komputer tahu gak kita lagi menghitung retospective perspective atau cross sectional....jawabannya adalah tidak tahu....sehingga kita yang menentukan kan....

semoga tercerahkan ya....

Anonymous said...

selamat siang mas ferdy, terimakasih atas penjelasan sebelumnya. saya mau menanyakan lagi kalau interpretasi dari regresi logistik menggunakan eviews seperti apa ya mas? dan saya juga agak kebingungan mengenai tampilan yang ada di eviews.

Anonymous said...

kalau pada spss pengganti R2 itu overall precentage ya mas. namun kalau pada eviews itu apa ya mas ferdy?

Ferdian Fadly said...

@anonymous...ya...interpretasinya sama...eviews kan nama program bukan nama metode....R-Square pada reglog diwakili oleh namanya negalgarke R-square....hal ini dikarenakan penghitungan R-square seperti biasa tidak bisa dilakukan....Kalau tabel klasifikasi sendiri untuk alat bantu kelayakan saja....sudah berapa yang benar tebakannya....seperti itu...

Anonymous said...

Dependent Variable: Y
Method: ML - Binary Logit (Quadratic hill climbing)
Date: 06/04/15 Time: 20:27
Sample: 1 160
Included observations: 160
Convergence achieved after 4 iterations
Covariance matrix computed using second derivatives


Variable Coefficient Std. Error z-Statistic Prob.


C 1.459380 0.542923 2.688004 0.0072
CR -0.211480 0.092866 -2.277263 0.0228
TDTA 7.608488 2.316921 3.283879 0.0010
ROA -11.60561 4.766439 -2.434860 0.0149


McFadden R-squared 0.162901 Mean dependent var 0.756250
S.D. dependent var 0.430692 S.E. of regression 0.395921
Akaike info criterion 0.979789 Sum squared resid 24.45356
Schwarz criterion 1.056669 Log likelihood -74.38313
Hannan-Quinn criter. 1.011007 Deviance 148.7663
Restr. deviance 177.7165 Restr. log likelihood -88.85825
LR statistic 28.95024 Avg. log likelihood -0.464895
Prob(LR statistic) 0.000002


Obs with Dep=0 39 Total obs 160
Obs with Dep=1 121


hasil uji data saya seperti ini. bagaimana interpretasinya mas? Masih bingung :)

Ferdian Fadly said...

Kalau untuk melihat kelayakan ....setelah menghasilkan model..pilih,,,view....kemudian ada pilihan hosmer, tabel klasifikasi, dsb.....

Kalau untuk interpretasinya sama dengan SPSS....tetapi jangan lupa...untuk interpretasi,, gunakan exp(bheta)....

Anonymous said...

Pak saya mau bertanya, kalau penelitian saya ada salah satu variabel bebas menggunakan variabel dummy dan variabel bebas lainya adalah rasio terhadap variabel terikatnya juga rasio. Metode analisis apa yang harus saya gunakan?
Terima Kasih

Ferdian Fadly said...

satu variabel bebas menggunakan variabel dummy dan variabel bebas lainya adalah rasio terhadap variabel terikatnya juga rasio. Metode analisis apa yang harus saya gunakan?
# Opsi paling sederhana mungkin regresi linear berganda dengan menggunakan dummy variabel

Post a Comment

Related Posts Plugin for WordPress, Blogger...

 
Design by Free WordPress Themes | Bloggerized by Lasantha - Premium Blogger Themes | Web Hosting Coupons