Tutorial Contoh Analisis Regressar Logistik binerdikotomi dengan O 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. blogspot201701tutorial-analisis-regresi-logistik. html. Apabila ada yang kurang jelas silahkan tinggalkan komentar atau pesan. Regresi logistic merupakan salada analógica multivariada, yang berguna untuk memprediksi dependente variabel berdasarkan variabel independen. Pada regressão logística, dependen variabel adalah variabel dikotomi (kategori). Ketika categoria variável dependência berjumlah dua kategori maka digunakan binário logística, ketika dependen variabelnya lebih dari dua kategori maka digunakan multinominal regressão logística. Lalu ketika dependen variabelnya berbentuk ranking, maka disebut dengan regressão logística ordinal. Konsep Regresi Logistik Regresso logistik merupakan alternativo uji jika asumsi multivariado distribuição normal pada variabel bebasnya tidak bisa terpenuhi ketika akan dilakukan analisis diskriminan. Tidak terpenuhinya asumsi ini dikarenakan variável bebas merupakan campuran antara variável kontinyu (métrico) dan kategorial (não métrico). Misalnya, as probabilitas bahwa, orang, yang, menderita, serangan, jantung, pada, waktu, ter, dapat, dipreded, dari, informasi, kebiasaan, merokok, jenis, kelamin, dan lainnya. Asumsi Regresi Logistik Registros Logistik tidak membutuhkan hubungan linier antara variável bebas dengan variabel terikat. Regressar à lista de discussão não foi registada para este tópico. Odd dalam regresi logistik sering dinyatakan sebagai probabilitas. Misal Odd sebuah perusahaan dapat bangkrut atau berhasil atau estranho seorang anak dapat lulus atau tidak pada Ujian Nasional. Variable bebas tidak memerlukan asumsi multivariada normalidade Asumsi homokedastis tidak diperlukan Variabel bebas tidak perlu dirubah ke bentuk métrico (intervalo atau skala ratio) CONTOH KASUS Dados de Regressão Logística Yang Diberikan Adalah Data Fiktif Bukan Data Sebenarnya, Cuma Sebagai Latihan Uji Estatísticas Seorang dokter ingin mengetahui probabilitas seorang ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Logistic Masukkan variabel sakit ke Dependente, kemudian variável rokok dan usia ke 8220covariate box8221 Kemudian, Klik Opções, lalu beri tanda pada Classificação Parcelas, Hosmer-Lemeshow GoF, Matriz de correlação, história de iterações Klik Continue, kemudian OK HASIL Dan INTERPRESTASI Menilai Model Fit Untuk Modelo menilai fit dapat diperhatikan Nilai statistik -2LogL yaitu tanpa mengikutsertakan variável hanya berupa konstanta yaitu sebesar 41.589. Descrição da foto 2 variabel baru maka prediksi nilai -2LogL sebesar 16.750. Artinya terdapat penurunan sebesar 41,589 8211 16,750 24,839. Untuk -2LogL pertama diperoleh nilai 41.589 dengan df1 30-1 29. Nilai ini significante pada alfa 5 yang berarti Idéias, modelo artinya ajuste tidak. Nilai -2LogL kedua adalah sebesar 16.750 dengan df2 30-3 27 adalah tidak signifikan pada alfa 5. (Nilai statistik -2LogL di atas dibandingkan dengan nilai statistik distribusi x2.), Modelo artinya ajuste dados dengan. Statistik - LogL dapat digunakan untuk menentukan apaká jika variabel bebas dimasukkan dalam modelo dapat secara signifikan mempengaruhi modelo. Dengan selisih 24.839 dan df (df1-df229-272) maka menunjukkan angka ini significante pada alfa 5. Hal ini berarti Ho ditolak dan Dados modelo dengan ajuste. Cox n Snell8217s R Quadrado adalah ukuran pengaruh bersama yaitu sebesar 0.563 dan nilai Nagelkerke R quadrado adalah sebesar 0.751. Dengan demikian dapat disimpulkan bahwa kemampuan variável bebas menjelaskan modelo adalah sebesar 75.10. Selanjutnya, Hosmer e Lemeshow8217s GoF dilakukan untuk menguji hipotesis. Jika sig lt 0,05 maka Ho ditolak yang berarti ada perbedaan signifikan antara modelo dengan nilai observasinya. Jika sig gt 0,05 maka Ho diterma, artinya tidak ada perbedaan antara modelo dan nilai observasinya. Estatisticamente Hosmer e Lemeshow8217s GoF diperoleh sebesar 0.594 (gt 0.05) Hosmer e Lemeshow8217s GoF juga menghasilkan nilai 6.475 probabilidades de sebesar 0.594 sehingga dapat disimpulkan bahwa modelo fit dengan dados. Parâmetros de Estimação de Interesses Estimais Máximo Likehood parâmetro modelo dapat dilihat dari output pada tabel Variáveis na Equação. Regressão logística kemudian dapat dinyatakan: Ln P1-P -11.506 5.348 Rokok .210 Usia. Variabel bebas kebiasaan merokok signifikan dengan probabilitas sebesar 0.004 (lt 0.05) dan variabel usia juga signifikan dengan probabilitas 0.032. Memorizar o conteúdo do ficheiro para o seguinte resultado: Log of Odds seseorang terkena secara positif berhubungan dengan rokok. Probabilitas atau Probabilidades seorang terkena penyakit jantung jika ia perokok adalah sebesar 5.348. Artinya, seorang, perokok, memiliki, kemungkinan, terkena, serangan, jantung, 5, 35, kali, lebih, besar, dibanding, yang, tidak, merokok. Jika variabel rokok dianggap konstan, maka probabilitas seseorang terkena serangan jantung adalah sebesar 0.210 pada setiap kenaikan satu tahun usia. Jika Rokok dianggap konstán, maka seseorang memiliki odds terkena, penyakit jantung, adalah sebesar 1.233 pontos de vista penambahan usia. Sementara jika usia bernilai konstán maka odds seorang terkena penyakit jantung adalah sebesar 210.286 unguar perokok dibandingkan dengan yang tidak merokok. Hasil taxa de classificação geral adalah sebesar 90.0 pada cutoff 50 Pertama. Variável rokok dan usia memiliki hubungan positivo dengan odds penyakit jantung Kedua. Jika usia bernilai konstan, maka seorang perokok memiliki odds terkena penyakit jantung sebesar 5.384 kali lebih besar dibanding yang tidak merokok Ketiga. Jika rokok bernilai konstán, maka odds seorang terkena penyakit jantung adalá sebesar 0.210 pada setiap penambahan usia. Cuma diingatkan8230.data yang Diberikan Adalah Dados Fiktif Bukan Dados Seva, Cuma Sebagai Latihan Uji Estatísticas Imam Ghozali. 2009. Aplikasi Analisis Programa multivariado de dengan SPSS. Semarang BP: Undip, hal. 261-275Sebagai kelanjutan dari tulisan mengenai modelo pilihan kualitatif, pada bagian ini, akan dijelaskan contoh modelo binário logit dan estimativa dengan menggunakan programa SPSS. Sebagai contoh ilustrativo, misalnya ingin diprediksi pengaruh umur, jenis kelamin dan pendapatan terhadap pembelian mobil. 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Selanjutnya akan muncul tampilan berikut: 2. Masukkan Y sebagai variável dependente dengan cara klik Y di kotak kiri, kemudian klik tanda panah disamping kotak Dependent. Masukkan X1, X2 dan X3 kedalam kotak Covariates, dengan cara klik masing-masing variável, kemudian klik tanda panah disamping kotak covariates. 3. Selanjutnya, karena variabel X3 merupakan peubah categoria (ordinal) dengan lebih dari dua kategori (yaitu 0pendapatan renda, 1pendapatan sedang dan 2pendapatan tinggi) maka diubah terlebih dahulu ke dalam 2 variabel dummy, untuk mengembangkan yang logis dan mudah diinterpretasi, sebagai berikut : (Ini sama dengan prosedur regresi dengan variável bebas dummy sebelumnya) X31 1, jika konsumen berpendapatan menengah 0, jika selainnya X32 1, jika konsumen berpendapatan tinggi 0, jika selainnya Dalam programa SPSS untuk mengkonversi ini dengan cara klik Categoral dari tampilan diatas, maka Akan muncul tampilan berikut: Selanjutnya, klik X3, klik tanda panah disamping Categorical Covariates. Pilih Categoria de referência dengan Primeiro, kemudian klik Alterar dan Continuar. OK OK. 4. Saída de saída de Akan SPSS para retornar o logit sebagai (disini hanya ditampilkan bagy-bagian terpenting saja yang akan dibahas): Impressão de tabelas pertama diatas menjelaskan transformasi variabel X3 dengan kategori 0,1 de 2 menjadi dua variant dummy yaitu X31 dan X32. Seperti yang terlihat dari tabel tersebut, variavel X31 1 comentário para 1 (pendapatan menengah) dan 0 untuk kategori lainnya. Varibel X32 bernilai 1 não classificado 2 (pendapatan tinggi) dan 0 untuk kategori lainnya. Dengan demikian, categoria 0 (pendapatan rendah) akan bernilai 0 baik pada variabel X31 dan X32. Imprimindo di tabel kedua diatas merupakan nilai Khi-kuadrat (2) dari modelo regresi. Sebagaimana halnya modelo regresi linear dengan metode OLS, kita juga dapat melakukan pengujian artigo penting modelo secara keseluruhan. Jika metode OLS M, M, M, M, M, M, M, M, M, M, M, M,. Karenanya dalam pengujiannya, nilai G dapat dibandingkan dengan nilai 2 tabel pada tertàtu dan derajat bebas k-1. (Pengujian de kriteria de dan pengujian de cara de persis sama dengan uji F pada metode regresi OLS). Tetapi, kita juga bisa melihat nilai p-valor dari nilai G ini yang biasanya ditampilkan ole-software-software statistik, termasuk SPSS. Dari saída SPSS, didapatkan nilai 2 sebesar 18,131 dengan p valor 0,001. Karena nilai ini jauh dibawah 10 (jika menggunakan pengujian dengan 10), atau jauh dibawah 5 (jika menggunakan pengujian dengan 5), maka dapat disimpulkan bahwa modelo regressar logistik secara keseluruhan dapat menjelaskan atau memprediksi keputusan konsumen dalam membeli mobil. Cópia impressa do quadro que contém o modelo que aparece no formulário. Dalam pelaporannya, modelo regressi logistiknya dapat dituliskan sebagai berikut: Dari output SPSS diata menjadi sebagai berikut: Modelo ini merupakan modelo peluang membeli mobil (P (xi) yang dipengaruhi oleh faktor-faktor umur, jenis kelamin dan pendapatan Modelo tersebut adalah bersifat non - Lineal dalam parâmetro. Salanjutnya, untuk menjadikan modelo tersebut linear, dilakukan transformasi dengan logaritma natural, (transformasi ini yang menjadi, penting dalam regresi logistik dan dikenal dengan istilah logit transformação), sehingga menjadi (pembahasan lebih rinci, silakan dibaca buku-buku ekonometrik) : 1-P (xi) adalah peluang tidak membeli mobil, sebagai kebalikan dari P (xi) sebagai peluang membeli mobil Oleh karenanya, em P (xi) 1-P (xi) secara sederhana merupakan registro dari perbandingan antara peluang membeli mobil dengan Peluang, tidak, membeli, mobil, Oleh, karenanya, juga, koefisien, dalam, persa, ini, menunjukkan, pengaruh, dari umur, jenis, kelamin, dan, pendapatan, terhadap, peluang, relativ E indivíduo membeli mobil yang dibandingkan dengan peluang tidak membeli mobil. ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Erro masing-masing koefisien. Dari saída SPSS ditampilkan nilai Wald dan p-valuenya. Berdasarkan nilai p-valor (dan menggunakan kriteria pengujian 10), dapat dilihat seluruh variabel (kecuali X31), berpengaruh nyata (memiliki p-valor dibawah 10) terhadap keputusan membeli mobil. Lalu, bagaimana interpretasi koefisien regi regi dari persamaan di atas. Dalam modelo regressivo linear, koefisien i menunjukkan perubahan nilai variabel dependente sebagai akibat perubahan satu satuan variabel independente. Hal yang sama sebenarnya joga berlaku dalam modelo regressar logit, tetapi secara matematis sulit diinterpretasikan. Koefisien dalam modelo logit menunjukkan perubahan dalam logit sebagai akibat perubahan satu satuan variabel independente. Interpretasi yang tepat untuk koefisien ini tentunya tergantung pada kemampuan menempatkan arti dari perbedaan antara dua logit. Oleh karenanya, dalam modelo logit, dikembangkan pengukuran yang dikenal dengan nama odds ratio (). Relação de Odds untuk masing-masing variável de código de erro SPSS sebagaimana yang terlihat tabel diatas (kolom Exp (B)). Odds ratio dapat dirumuskan: e, dimana e adalah bilangan 2,71828 dan adalah koefisien masing-masing variabel. Sebagai contoh, odds ratio untuk variabel X2 e-0.1602 0,201 (saída de saída SPSS). Dalam kasus variabel X2 (jenis kelamin dimana 1 de 0 pontos), dengan odds ratio sebesar 0,201 dapat diartikan bahwa peluang wanita untuk membeli mobil adalah 0,201 kali dibandingkan pria, jika umur dan pendapatan mereka sama. Artinya wanita memiliki peluang lebih rendehi dalam membeli mobil dibandingkan pria. Dalam kasus variabel X1 (umur), dengan odds ratio sebesar 1,153 dapat diartikan bahwa konsumen yang berumur lebih tua satu tahun peluang membeli mobilnya adala 1,153 kali dibandingkan konsumen umur yang lebih muda (satu tahun), jika pendapatan dan jenis kelamin mereka sama. Artinya orang yang lebih tua memiliki peluang yang lebih tinggi dalam membeli mobil. Dalam konteks umur ini (proporção de skang da variabilidade de yang merupakan), hati-hati menginterpretasikan nilai perbedaan peluangnya. Jika perbedaan umur lebih dari 1 tahun, misalnya 10 tahun, maka odds razya akan menjadi 4,14, yang diperoleh dari perhitungan sbb: e (10 x 0,142). Artinya peluang membeli mobil konsumen eang berumur lebih tua 10 tahun adalah 4,14 kali dibandingkan konsumen yang lebih muda (10 tahun) darinya. Selanjutnya, dalam konteks variável pendapatan, terlihat bahwa X31 tidak berpengaruh significikan. Artinya, peluang membeli, mobil antara, konsumen, pendapatan, sedang, pendapatan, rendah, adalah, sama saja. Sebaliknya, untuk X32, dapat diinterpretasikan bahwa peluang membeli mobil konsumen pendapatan tinggi adala 6,45 kali dibandingkan pendapatan rendah, jika umur dan jenis kelaminnya sama. Selamat pg pak, sy mau bertanya. Diatas bpk mengatakan uji G kriteria penguiana sm dengan uji F di ols. Apakah tabel, yg, digunakan, jg, sm, kl, uji, t di ols, memakai, perbandingan, dgn, tabel t, uji f ols dgn perbandingan tabel f. ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Semua variabell lebih dari 0.05, apakah buruk apa yang harus dilakukan Maksudnya probabilita (sig) wald gt 0.05 (tidak significado) Jika semuanya tentu saja modelo harus diperbaiki. Langkah yang harus dilakukan adalah periksa dados terlebih dahulu (terutama outliernya). Modelo de Kedua periksa, (uji multikolinearitas antar variabel bebas). Dados de Ketiga tambah. Makasih pak atas pembahasanya semoga berkah ilmunya, maaf saya mau tanya lagi pak. Regresi logiistik salah satu variavel saya adala plafon pinjaman, saya pakai manequim sebagai berikut plafon1 plafon2 1. 500.000 0 0 gt 1. 500.000 karena referência saya namakan plafon saja, semua saya masukan ke SPSS 17, plafon. Plafon1 dan palfon2 nah pas saya masukan ke SPSS saya isikan ke variabel viewnya di value saya tulis 0 lainya dan 1 1. 500.000 kemudian saya olah, ternyata pas kolom caso processando summray, variabel gt 1. 500.000 di remover dari analisa dan jadi konstanta akhirnya di Kolom categórica variabel codificação nah gt 1. 500.000 tidak terdaftar yang ada hanya Frek lt 500., 000 lainya 249 1. 500.00 itu di analisis karena akhirnya jumlah lainya di atas itu berjumlah 249 32 281 sedangkan jumlah responden yang diteliti n 271 orang. Bagaimana pak makasih
No comments:
Post a Comment