Tutorial Regresi Logistik Biner di SPSS

Exsight ADS

Halo, sobat Exsight! Masih ingat dengan artikel Exsight yang membahas tentang Teori dari Model Regresi Logistik Biner? Jika kamu belum membacanya, kamu bisa klik link ini ya.

Nah pada artikel ini, Exsight membahas tentang Tutorial Pengolahan Regresi Logistik Biner dengan SPSS. Contoh kasus yang digunakan yaitu sebuah penelitian yang berjudul Determinan Melek Keuangan Mahasiswa di Universitas Tugu Muda. Di mana variabel bebas ada 3 yaitu Jenis Kelamin, Fakultas dan Indeks Prestasi Mahasiswa. Jenis Kelamin terdiri dari 2 kategori yaitu “laki-laki (kode 1)” dan “perempuan (kode 0)”. Fakultas terdiri dari 2 kategori yaitu “Non Ekonomi (kode 0)” dan “Ekonomi (kode1)”. Indeks Prestasi Kumulatif (IPK) terdiri dari 2 kategori yaitu “IPK < 2,5 (kode 0)” dan “IPK ≥ 2,5 (kode 1)”. Sebagai catatan: kategori yang Tinggi diberi kode 1 dan kategori Rendah diberi kode 0. Data yang digunakan pada contoh kasus penelitian dapat di klik pada link ini.

Persamaan Regresi Logistik Biner dalam penelitian ini, sebagai berikut:

Dimana:

P          : Peluang mahasiswa memiliki literasi keuangan yang lebih tinggi

1-P      : Peluang mahasiswa memilii literasi keuangan yang lebih rendah

β0 : Konstanta

β1  : Koefisien regresi Jenis Kelamin

JK   : Jenis Kelamin

β2 : Koefisien regresi Fakultas

FAK     : Fakultas

 β3 : Koefisien regresi IPK

IPK      : Indeks Prestasi Kumulatif              

ε : error

Tahapan Pengolahan Regresi Logistik Biner

Contoh kasus sebuah penelitian yang berjudul Determinan Melek Keuangan Mahasiswa di Universitas Tugu Muda menggunakan SPSS.

1. Input Data

a. Masukan data dari file link ini ke SPSS (Data View). Klik Variabel View dan ubah seperti pada tampilan di bawah ini

b. Masukan data Jenis Kelamin (JK), Fakultas (FAK), Indeks Prestasi Kumulatif (IPK), dan Kategori ke SPSS. Klik Variabel View –  klik values pada JK sebagai berikut:

Klik values pada FAK sebagai berikut:

Klik values pada IPK sebagai berikut:

Klik values pada Kategori sebagai berikut:

2. Selanjutnya pada menu klik Analyze – Regression – Binary Logistic
3. Kemudian masukan Variabel Terikat (Kategori) ke Dependent dan masukkan semua Variabel Bebas (JK, FAK, IPK) ke Covariates
4. Pilih Save lalu centang Probabilities, Group membership, Unstandardized dan Studentized, kemudian klik Continue.
5. Selanjutnya pilih Options lalu centang Classification plots, Hosmer-lemeshow goodness-of-fit, Casewise listing residuals dan pilih Outliers outside dan isi dengan angka 2, Correlation of estimate, Iteration history, CI for exp(B) dan isi dengan 95

Sedangkan nilai Maximum iteration nilai 20 dan nilai Classification Cutoff tetap 0,5. Nilai ini disebut dengan the cut value atau prior probability, yaitu peluang suatu observasi untuk masuk ke dalam salah satu kelompok sebelum karakteristik variabel penjelasanya diketahui. Apabila kita tidak mempunyai informasi tambahan tentang data, maka bisa langsung menggunakan nilai default yaitu 0,5. Jika tidak ada penelitian sebelumnya, dapat digunakan classification cutoff sebesar 0,5. Namun, jika ada penelitian lain yang meneliti maka bisa dinaikkan/diturunkan classification cutoff sesuai hasil penelitian.

6. Pada jendela utama, klik OK. Selanjutnya dapat dilihat pada output

Output dan Interpretasi

Model Regresi Logistik Biner:

Uji Multikolinearitas

Dari hasil uji dengan SPSS didapat korelasi JK terhadap FAK, IPK terhadap FAK begitu sebaliknya didapatkan nilai sebesar 0,037 pada korelasi JK terhadap FAK maupun sebaliknya, dan sebesar 0,127 pada korelasi IPK terhadap FAK maupun sebaliknya dimana kurang dari 0,8. Karena kurang dari 0,8 maka tidak terjadi multikolinieritas.

Uji Goodness of Fit

Hipotesis:

H0        : Model sesuai (tidak ada perbedaan antara observasi dan prediksi)

H1        : Model tidak sesuai (ada perbedaan antara observasi dan prediksi)

Taraf signifikansi : α = 0,05

Statistik Uji :

Kriteria Uji  : Tolak H0 jika Sig. < α = 0,05 atau C >c2=15,507

Karena nilai Sig. = 0,645 >α (0,05) dan C =  < c2 , maka H0 diterima yang berarti bahwa model sesuai atau tidak ada perbedaan antara observasi dan prediksi.

Berdasarkan uji-uji tersebut, maka diperoleh model sebagai berikut :

Dimana:

Menilai Model Fit dan Keseluruhan Model (Overall Model Fit)

Hipotesis:
H0 : tidak ada variabel X yang signifikan mempengaruhi variabel Y
H1 : minimal ada satu variabel X yang mempengaruhi variabel Y

Taraf Signifikansi: α = 0,05

Kriteria Uji : Tolak H0 jika nilai sig < α (0,05)
Dari omnibus test di atas terlihat bahwa sig = 0,011

Keputusan : Tolak H0 karena nilai sig = 0,011 < α = 0,05

Kesimpulan: Terlihat bahwa nilai G2 sebesar 11,106 dengan p-value 0,011 (Model) yang berarti dengan tingkat keyakinan 5%, minimal ada satu variabel X yang signifikan mempengaruhi variabel Y. Sehingga dapat disimpulkan bahwa model dapat digunakan untuk analisis lebih lanjut.

Koefisien Determinasi

Dari tabel di atas, dapat dilihat bahwa model dengan memasukkan tiga variabel independen ternyata telah terjadi perubahan dalam penaksiran parameter (-2 Log likelihood) sebesar 54,235. Jika dilihat nilai R-square sebesar 0,199 atau 19,9% (Cox & Snell) dan 0,273 atau 27,3% (Nagelkerke R Square). Dengan demikian dapat ditafsirkan bahwa dengan tiga variabel yaitu FAK, JK dan IPK maka proporsi pemahaman terhadap literasi keuangan sangat tinggi yang dijelaskna sebesar 27,3%. Tetapi perlu diingat bahwa interpretasi ini hanya nilai pendekatan saja seperti dalam koefisien determinasi (regresi linier biasa)

Matriks Klasifikasi

Uji Hipotesis

Uji Rasio Likelihood (Uji Keseluruhan)

Hipotesis:

H0     : β1= β2= β3= 0

H1     : minimal ada satu βjk≠ 0 ; j = 1, 2,3

Taraf signifikansi: α = 0,05

Statistik Uji :

Kriteria Uji  : Tolak H0 jika

Karena = 54,235 > = 7,815, maka H0 ditolak, yaitu secara bersama-sama variabel bebas mempengaruhi model atau model signifikan.

Uji Wald

Hipotesis:

H0        : βk = 0

H1        : βk ≠ 0, k = 1, 2, 3

Taraf signifikansi : α = 0,05

Statistik Uji :

Kriteria Uji      :         

Tolak H0 jika Sig. < α = 0,05

VariabelEstimasiSEWaldSig.Keputusan
JK0,0810,6820,0143,8410,905H0 diterima
FAK2,0820,6948,9973,8410,003H0 ditolak
IPK0,5570,6840,6633,8410,415H0 diterima

Kesimpulan: Pada taraf signifikansi α = 0,05 untuk JK, IPK H0 diterima, maka nilai koefisien regresi sama dengan 0 (nol) sehingga kedua variabel ini tidak berpengaruh terhadap Y. Dan untuk FAK H0 ditolak, maka nilai koefisien regresi tidak sama dengan 0 (nol) sehingga variabel FAK berpengaruh terhadap Y.

Penutup

Nah, sekian penjelasan terkait Tutorial Pengolahan Regresi Logistik Biner dengan SPSS. Jika masih penasaran terkait regresi logistik biner atau regresi logistik lainnya, jangan sungkan untuk bertanya di kolom komentar atau menghubungi admin melalui tombol bantuan di kanan bawah. Jangan lupa untuk membaca artikel Exsight lainnya di web https://exsight.id/blog/

Referensi

https://ekonometrikblog.files.wordpress.com/2017/02/regresi-logistik-biner.pdf

Sstt...
Mau Kiriman Artikel Terbaru Exsight
Tanpa Biaya Langganan? ????

Nama Kamu

Email Kamu

Dapatkan Akses Informasi Terupdate Seputar Dunia Data dan Statistika 🙂

Exsight ADS

Leave a Comment

Klik Daftar Isi Disini