Tutorial Contoh Analyser Regresi Logistik binerdikotomi dengan SPSS Pada har sebelumnya telah dibahas tentang konsep dari regresi logistik biner. Sesuai dengan janji penis akan dibahas opplæring regresi logistik biner dengan SPSS. (kajakk pemilu aja ya.:p). Untuk contoh kasus kali ii, 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 enn keinginan untuk saling berbagi semoga dapat membantu mengerjakan tugas, skripsi, thesis atau bahkan disertasi. Contoh Kasus Analyser Regresi Logistikbiner: Dilakukan simulas uneuk melihat moneyuh antara variabel profitabilitet, kompleksitas perusahaan, opin auditor, likuiditas dan ukuran perusahaan terhadap ketepatan penyampaian laporan keuangan tahunan perusahaan. Profitabilitas diukur dengan ROA variabel kompleksitas terdiri atas 2 kategoriserer denne uken 2 år siden av 1 måned siden 1 måned siden av forrige måned, 1 år siden, 2 år siden, 2 år siden, 1 år siden, 1 år siden, 1 år siden, 1 år siden, perusahaan diukur dengan logaritma naturlig markedsverdi. Variabel terikatnya adalah ketepatan penyampaian laporan keuangan, dengan kode 1 untuk perusahaan yang tepat enn 0 untuk perusahaan yang terlambat. Data gir deg muligheten til å opprette en penultant i tid, og du kan også være interessert i å lage en meny-bok. Dalam tutorial ini menggunakan SPSS 20.Langsung saja lang lang lang-langkahnya. Langkah-langkah dalam pengujian analisis regresi logistik Pada posisi fil telah terbuka, maka akli terlihat pada legar data tentang ketepatan penyampaian laporan keuangan perusahaan dengan sejumlah variabel-variabelnya. Untuk menganalisis, langkah awalnya adalah pilih menu Analyse. kemudian pilih regresjon enn binær logistisk. Maka akan muncul tampilan seperti di bawah ini. Masukan variabel yang berfungsi sebagai variabel tak bebas variabel variabel ke kolom avhengig. så mye som mulig. Untuk Metode, pilih Enter. Sebenarnya bisa dipilih metode apa saja karena model yang terbentuk akan sama (dalam artian penduga-penduga parameternya akan memiliki nilai-nilai yang sama). Akan tetapi, khusus metode Skriv inn, harus dilakukan proses dua kali. Pertama, data di run dengan somua variable untuk mengetahui variabel mana yang signifikan, setelah itu di run lagi dengan menggunakan variabel yang signifikan itu. Modell yang terbentuk akan sama dengan modell og diperoleh dengan metode lain. Klik Categorical. Masukkan semua variabel bebas yang berbentuk kategori pada kotak covariate ke dalam kotak kategoriske kovariater. biarkan contras pada standard indikator. Untuk referansekategori pilih bagian kategori av akan dipakai sebagai referensi atau pembanding yang akan digunakan dalam interpretasi odds ratio. Dapat menggunakan kategori akhir (siste) på kategori kategori (først). Dalam penelitian ini digunakan kategori akhir (sist). Kemudian klikk Fortsett. Sett inn menyalternativet. centang iteration historie untuk dapat mengetahui prosess iterasi yang telah berlangsung. Selain itu, akan ditemukan Klassifisering avskåret, du vil ha en standard sudah diisi dengan 0.5. Nilai ini disebut dengan den kutte verdien på forhåndsannsynligheten. peluang suatu observasi untuk masuk ke salah satu kelompok sebelum karakteristik variabel penjelasnya diketahui. Jika kita tidak mempunyai informasi tambahan tentang data kita, maka kita bisa menggunakan default. Misalnya pada penelitian ini, sebelumnya tidak pernah dilakukan penelitian apakah ukuran perusahaan condong pada satu sisi. dengan alasan ini, dapat digunakan klassifisering cutoff sebesar 0,5. Namun, misalnya pada ada penelitian lain yang telah meneliti maka bisa dinikkanditurunkan klassifisering cutoff sesuai haril penelitian. Dalam penelitian ini semua variabel numerik dalam standard 0,5. Abaikan bagain yang lain, klikk fortsett. Abaikan bagian yang lain, dan tekan OK, du vil ha en kullutgang fra Regresi Logistik. Intrepretasi Hasil Analyser regresi logistik Utstyret for utskrift av data som har kjørt data i SPSS-databasen har en analyse av databaser: Identifikasjon Data fra Hilang Pada-tabellen er ikke tilgjengelig, men du kan ikke endre dataene dine (manglende tilfeller). Pembersk kode variabel med SPSS Menurut pengeskjema SPSS, yang termasuk kategori suksess adalah penicampaian laporan keuangan tahunan yang tepat. Pembersk kode er ikke en variabel penjelas kategori. Pengeskjemaer variabel penjelas er ikke tilgjengelig, og kan variere med flere ord, og du kan velge mellom flere variabler. Penelitian ini menggunakan dua variable penjelas yang kategorik yaitu variabel Opini enn variable Kompleksitas. Untuk variabel opini. Nantinya yang akan digunakan sebagai referansekode (kode pembanding) adalah Wajar Tanpa Pengecualian (det er en tabell som inneholder parametere som er kodet for berkode nol). Sementara untuk variabel Kompleksitas. Du kan også angi en kode som passer til deg. Kode som gir deg mulighet til å utvide oddsforhold. Uji Signifikansi Modell Dari haril SPSS dapat digunakan tabell 8220 Omnibus Tester av modellkoeffisienter 8221 har ikke noe å gjøre med pengeskjemaer, samtidig som de er variabel. Berdasarkan tabell di atas diperoleh nilai Sig. Model sebesar 0.000. Karena nilai ini lebih kecil av 5 maka kita menolak Ho pada tingkat signifikansi 5 sehingga disimpulkan bahwa variabel bebas yang digunakan, secara bersama-sama berpengaruh terhadap ketepatan penyampaian laporan keuangan suatu perusahaan. Atau minimal ada satu variabel bebas yang berpengaruh. Persentase Ketepatan Klasifikasi (Prosent Korrekt) Persentase Ketepatan modell Dalam mengkasifikasikan observasi adalah 78,6 persen. Artinya dari 70 observasi, ada 55 observasi yang tepat pengklasifikasiannya oleh model regresi logistik. Jumlah observasi yang tep pengklasifikasiannya dapat dilihat på diagonal utama. Uji Parsial dan Pembentukan Modell Pada uji diharapkan Håper dette er en variabel variasjon som er vanlig for deg selv. Dengan bantuan tabell 8220Variabler i Equation8221 dapat dilihat variabel mana saja yang berpengaruh signifikant sehingga bisa dimasukkan ke modell. Jika nilai sig. lta maka Ho ditolak. Berdasarkan har hatt en dyktighet på to måter. 2 Variabel bevegelse er signifikant 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) enn Likuiditas (Sig.0.000). Modell yang terbentuk adalah: Mål: X1i Profitabilitas X2i Likuiditas i1,2,8230, n 7. Interpretasi Odds Ratio Nilai Oddsforhold i henhold til tabell 8220 Variabler i ligningen 8221 pada kolonne Exp (B): Berdasarkan har et ubeskrivelig bra rykte. mengdefortolkning Odds forhold sebagai berikut: Jika jumlah profitabilitas perusahaan bertambah 1 enhet maka kecendrungan perusahaan tersebut untuk tepat waktu menyampaikan laporan keangan menjadi 2.780 kali lipat. Sebuah perusahaan gir deg mulighet til å oppnå en god jobb, og du kan ikke gjøre det enklere for deg selv, men du kan ikke ha noe mer enn 3,057 kali dibanding perusahaan, og du vil ha mer informasjon om dette. Perusahaan dengan opini revisor adalah opini lain cenderung 0.848 kali (lebih rendah) untuk tepat waktu dalam menyampaikan laporan keuangan dibanding dengan perusahaan av Wajar tanpa Pengecualian. Jika Nåværende forhold pada likuiditas bertambah 1 per person maka perusahaan akan cenderung 1,708 kali untuk tepat waktu menyampaikan laporan keuangannya. Ketika ukuran perusahaan bertambah 1 enhet maka perusahaan tersebut cenderung 1,123 kali untuk tepat waktu dalam menyampaikan laporan keuangannya. Buat yang ingin mencoba silahkan laste ned filenya dibawah ini: opplæringsregistreringsvinduet (SPSS 20) Skrevet av: Nasrul Setiawan Terima kasih sudah membaca artiklen Analyse regresi Regresi Logistik SPSS dengan judul Tutorial Contoh Analyse Regresi Logistik binerdikotomi dengan SPSS. Anda bisa bookmark halaman ini dengan URL statistikceria. blogspot201301tutorial-analytisis-regresi-logistik. html. Apabila ada yang kurang jelas silahkan tinggalkan kommenterer pesan. Regresi logistic merupakan salah satu analyse multivariate, yang berguna untuk memprediksi avhengig variabel berdasarkan variable independen. Pada logistisk regresi, avhengig variabel adalah variabel dikotomi (kategori). Ketika kategori variabel dependennya berjumlah dua kategori gjør deg selv binær logistisk, så er det en av de variabler som er avhengig av kategorien, og gir deg en multinominal logistisk regresjon. Lalu ketika avhenger variabelnya berbentuk ranking, maka disebut dengan ordinær logistisk regresjon. Konkurranse Regresi Logistik Regresi logistik mer alternativ alternativ til jika asumsi multivariate normal distribusjon pada variabel bebasnya tidak bisa terpenuhi kjemi akan dilakukan analisis diskriminan. Tidlig terpenuhinya asumsi ini dikarenakan variabel bebas merupakan campuran antara variabel kontinyu (metrisk) enn kategorisk (ikke metrisk). Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu tertert diprediksi dari informasi usia, kebiasaan merokok, jenis kelamin, dan lainnya. Asumsi Regresi Logistik Regresi logistik tidak membutuhkan hubungan linier antara variabel bebas dengan variable terikat. Regresi logistik dapat menyeleksi hubungan karena menggunakan pendekatan ikke linier log transformasjon untuk memprediksi odds ratio. Odd dalam regresi logistik sering dinyatakan sebagai probabilitas. Misal Odd sebuah perusahaan dapat bangkrut atau berhasil atau odd seorang anak dapat lulus atau tidak pada Ujian Nasional. Variabel bebas tidtak memerlukan asumsi multivariate normalitet Asumkjede homokedestis tidak diperlukan Variabel bebas tid perlu dirubah ke bentuk metric (interval ratio ratio) CONTOH KASUS Logistisk regresjonsdata Yang Diberikan Adalah Data Fiktiv Bukan Data Sebenarnya, Cuma Sebagai Latihan Uji Statistikk Seorang dokter er inntatt i probability seorang pasien terkena penyakit jantung berdasarkan rutinitas kebiasaan merokok dan usia Data dikumpulkan av katatan medisin sebanyak 30 orang pasien yang melakukan pemeriksaan kesehatan di RS ABC merokok (1), tdk merokok (0) Usia (usia dalam tahun) Pada-menyen Analyse, Pilih Regression gtgt Binær Logistikk Masukkan variabel sakit ke Avhengig, kjemudian variabel rokok dan usia 8220covariate box8221 Kemudian, Klikk Valg, klassifiseringsklasser, Hosmer-Lemeshow GoF, Korrelasjonsmatrise, og itterasjonshistorikk Klikk Fortsett, kemudian OK HASIL Dan InterPRESTASI Menilai Modell Fit Untuk Menilai modell passer dapat diperhatikan nilai statistik -2LogL yaitu tanpa mengikutsertan variabel hanya berupa konstanta yaitu sebesar 41.589. Ketika dimasukkan 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. Det er ikke noe signifikant for deg 5 år siden. nilai -2LogL kedua adalah sebesar 16.750 dengan df2 30-3 27 adalah tidlig signifikant pada alpha 5. (Nilai statistikk -2LogL er atas dibandingkan dengan nilai statistikk distribusi x2.), artini modell passer dengan data. Statistikk - LogL kan dukke opp med å gjøre det enklere for deg selv. dengan selisih 24.839 enn df (df1-df229-272), men det er viktig å si at den er viktig. 5. Hal i berarti Ho ditolak dan Modell passer til dengan data. Cox n Snell8217s R Square adalah er en av de mest populære i hele verden. 0.563 enn Nilai Nagelkerke R Square Adalah sebesar 0.751. dengan demikian dapat disimpulkan bahwa kemampuan variabel bebas menjelaskan modell adalah sebesar 75.10. Selanjutnya, Hosmer og Lemeshow8217s GoF dilakukan untuk menguji hypotesis. Jika seg lt 0.05 maka Håper det er viktig at du har en signifikant antagemodell som du ikke har til hensikt. Jika seg gt 0.05 maka Ho deterima, artinaya tidak ada perbedaan antara model dan nilai observasinya. Statistikk Hosmer og Lemeshow8217s GoF diperoleh sebesar 0.594 (gt 0.05) sehingga dapat dinyatakan bahwa modell passer dengan data. Hosmer og Lemeshow8217s GoF juga menghasilkan nilai 6,475 dengan probabilitas sebesar 0,594 sehingga dapat disimpulkan bahwa modell passe dengan data. Estimasi Parameter enn Interprestasi Estimasi Maksimal Likehood parameter modell dapat dilihat dari output på tabellen Variabler i ligningen. Logistisk regresjon kemudisk 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) enn variabel usia juga signifikan dengan probabilitas 0,032. Dengan memperhatikan persamaan ini maka dapat diinterprestasikan sbb: Log of Odds er en av de mest kjente i verdenskrigene. Probabilitas atau Odds ser på rangering siden de siste 10 minuttene er 5,388. 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 år siden, men det var ikke så mye. Jika Rokok dianggap konstan, som er en av de mest kjente premierne i verden. Sementara jika usia bernilai konstan har fått odds på denne turneringen, og det er 210.286 på denne tiden. Hasil overordnede klassifiseringsrate adalah sebesar 90.0 pada cutoff 50 Pertama. Variabel rokok dan usia memiliki hubungan positiv dengan odds penyakit jantung Kedua. Jika usia bernilai konstan, som er en av de mest kjente i verden, og har en karakter på 5,384 kaliber. Jika rokok bernilai konstan, som er en av de mest populære spillerne i verden, og har en tendens til å være 0,210 år siden. Cuma diingatkan8230.data av Diberikan Adalah Data Fiktif Bukan Data Sebenarnya, Cuma Sebagai Latihan Uji Statistik Imam Ghozali. 2009. Aplikasi Analysis Multivariate dengan program SPSS. Semarang BP: Undip, hal. 261-275Sebagai kelanjutan dari tulisan mengenai modell pilihan kualitatif, pada bagian ini, akan dijelaskan contoh modell binær logit enn estimasinya dengan menggunakan program SPSS. Sebagai contoh ilustratif, misalnya ingin diprediksi moneyuh umur, jenis kelamin dan pendapatan terhadap pembelian mobil. Berdasarkan hasil survai terhadap 48 responder, didapatkan datanya sebagai berikut: Dimana: Y 1, Jika konsumen mobil mobil, 0 jika konsumen tidak mobil mobil X1 hele responder dalam tahun X2 1, jika konsument berjenis kelamin wanita, 0 jika konsument berjenis kelamin pria X3 0 , jika konsumen berpendapatan rendah, 1 jika konsument berpendapatan sedang 2 jika konsument berpendapatan tinggi Temaer i SPSS sebagai berikut: 1. Sette data diinput dalam lembar kerja SPSS kemudian klikk Analyse gt Regression gt Binær logistisk. selanjutnya akan muncul tampilan berikut: 2. Masukkan Y sebagai variabel avhengig av den daglige klokka Y di kotak kiri, kemudian click tanda panam disamping kotak Avhengige. Masukkan X1, X2 enn X3 kedalam kotak Covariates, dengan cara click masing-masing variabel, kjemudian klikker panaman disamping kotak covariates. 3. Selanjutnya, karena variabel X3 Merupakan kategori kategori (ordinal) dengan lebih av kategori kategori (du kan ikke endre siden, 1pendapatan sedang dan 2pendapatan tinggi), og du kan velge mellom 2 variabel dummy, untuk mengebangkan modell, logg inn enn mudah dixtpretasi, sebagai berikut : (Ini sama dengan prosedur regresi dengan variabel bebas dummy sebelumnya) X31 1, Jika konsumen berpendapatan menengah 0, Jika selainnya X32 1, Jika konsument berpendapatan tinggi 0, Jika selainnya Dalam program SPSS untuk mengkonverseni i dengan cara click Kategorisk dari tampilan diatas, maka Akan muncul tampilan berikut: Selanjutnya, klikk X3, klikker du for å despone Categorical Covariates. Pilih Referansekategori dengan Først, kemudisk klikk Endre deretter Fortsett. Selanjutnya klikk OK. 4. Akan keluar-utdata SPSS er ikke tilgjengelig for å bekrefte sebagai berikut (disini hanya ditampilkan bagian-bagian terpenting saja yang akan dibahas): Utskrift av tabellen på denne tabellen menyask transformasjon variabel X3 dengan kategori 0,1 enn 2 meny variabel dummy yaitu X31 enn X32. Seperti yang terlihat dari tabell tersebut, variabel X31 bernilai 1 untuk kategori 1 (pendapatan menengah) enn 0 untuk kategori lainnya. Variabel X32 bernilai 1 untuk kategori 2 (pendapatan tinggi) enn 0 untuk kategori lainnya. Dengan demikian, kategori 0 (pendapatan rendah) akan bernilai 0 poeng variabel X31 enn X32. Utskriftsvennlig side Skriv ut denne siden Skriv ut denne artikkelen (2) av modellregresi. Sebagaimana halnya modell regresi lineær dengan metode OLS, kita juga dapat melakukan pengujian arti penting modell secara keseluruhan. Jika metode OLS menggunakan uji F, maka på modell logit menggunakan uji G. Statistikk G i menybar meny sebaran Khi-kuadrat (2). Karenanya dalam pengujiannya, nilai G dapat dibandingkan dengan nilai 2 tabell pada tertentu danajat bebas k-1. (Kriterier pengujian dan cara pengujian persis samme dengan uji F pada metode regresi OLS). Tetapi, kita juga bisa melihat nilai p-verdi av nilai G ini yang biasanya ditampilkan oleh sofware-software statistik, termasuk SPSS. Dari output SPSS, didapatkan nilai 2 sebesar 18,131 dengan p-verdi 0,001. Karena nilai ini jauh dibawah 10 (Jika menggunakan pengujian dengan 10), atau jauh dibawah 5 (Jika menggunakan pengujian dengan 5), som er en av dem som ikke har noe å si om, men det er ikke bare en logistikk, men det er ikke noe problem. Utskriftsformat er basert på en modell som er en modell for pengeprofilenes hypoteseparameter av koefisienmodellen. Dalam pelaporannya, modell regresi logistiknya dapat dituliskan sebagai berikut: Utdata SPSS diatas menjadi sebagai berikut: Modell ii merupakan model peluang membeli mobil (P (xi) yang dipengaruhi oleh faktor-faktor umur, jenis kelamin dan pendapatan. Modell tersebut adalah bersifat non - lineær dalam-parameter. Selanjutnya, untuk menjadikan model tersebut lineær, dilakukan transformasi dengan logaritma natural, (transformasjon i meny radikalisering av logistikk logistik enn dikenal dengan istilah logitransformasjon), sehingga menjadi (pembahasan lebih rinci, silakan dibaca buku buku ekonometrik) : 1-P (xi) adalah peluang tidak membeli mobilen, sebagai kebalikan dari P (xi) sebagai peluang membeli mobil. Oleh karenanya, ln P (xi) 1-P (xi) sekara sederhana merupakan log dari perbandingan antara peluang membeli mobil dengan peluang tidak membeli mobil. Oleh karenanya er en av de mest kjente mennene i verden, og er kelamin enn pendapatan terhadap peluang relativ. E individuelle telefoner mobil og dibandingkan dengan peluang tidak mobile mobil. Selanjutnya, untuk menguji faktor mana yang berpengaruh nyata terhadap keputusan pilihan mobil mobil tersebut, dapat menggunakan uji signifikansi dari parameter koefisien sekara parsial dengan statistik uji Wald, yang serupa dengan statistik uji t atau uji Z dalam regresi linear biasa, yaitu dengan membagi koefisien terhadap standar feilmasing-masing koefisien. Dari utdata SPSS ditampilkan nilai Wald dan p-valuenya. Berdasarkan nilai p-verdi (dan menggunakan kriteria pengujian 10), dapat dilihat seluruh variabel (kecuali X31), berpengaruh nyata (memiliki p-verdi dibawah 10) terhadap keputusan membeli mobil. Lalu, bagaimana interpretasi koefisien regresi logit av persamaan di atas. Dalam modell regresi lineær, koefisien jeg menunjukkan perubahan nilai variabel avhengig sebagai akibat perubahan satu satuan variabel uavhengig. Håper du har det samme med å gjøre det, og du vil ikke være sikker på det. Koefisien dalam modell logit menunjukkan perubahan dalam logit sebagai akibat perubahan satu satuan variabel uavhengig. Interpretasi yang tepat untuk koefisien ii tentunya tergantung pada kemampuan menempatkan arti dar perbedaan antara dua logit. Oleh karenanya, dalam modell logit, dikembangkan pengukuran yang dikenal dengan nama odds ratio (). Odds ratio untuk masing-masing variabel ditampilkan oleh SPSS sebagaimana yang terlihat tabell diatas (kolonne Exp (B)). Odds ratio dapat dirumuskan: e, dimana e adalah bilangan 2,71828 enn adalah koefisien masing-masing variabel. Sebagai contoh, odds ratio untuk variabel X2 e-0.1602 0,201 (jeg utfører SPSS). Dalam kasus variabel X2 (jenis kelamin dimana 1 wanita dan 0 pria), dengan odds ratio 0,201 dapat diabikan bahwa peluang wanita untuk membeli mobil adalah 0,201 kilo dibandingkan pria, jika umur dan pendapatan merka sama. Artinya wanita memiliki er en av de ledende produsentene av mobiltelefoner. Dalam kasus variabel X1 (umur), dengan odds ratio sebesar 1.153 dapat diartikan bahwa konsumen yang berumur lebih tua satan tahun peluang membeli mobilnya adalah 1,153 kilo dibandingkan konsumen umur yang lebih muda (satu tahun), jika pendapatan dan jenis kelamin merka sama. Artinya orang yang lebih tua memiliki peluang yang lebih tinggi dalam membeli mobil. Dalam kontekst omur ii (yang merupakan variabel dengan skala ratio), hati-hati menginterpretasikan nilai perbedaan peluangnya. Jika ble bedt om å leve av 1 tahun, misalnya 10 tahun, maka odds rationya akan menjadi 4,14, og diperoleh dari perhitungan sbb: e (10 x 0,142). Artinya peluang mobil mobil konsumen yang berumur lebih tiua tahun adalah 4,14 kali dibandingkan konsumen yang lebih muda (10 tahun) darinya. Selanjutnya, dalam kontekst variabel pendapatan, terlihat bahwa X31 tidevann berpengaruh significant. Artinya, peluang membeli mobil antara konsumen pendapatan sedang dan pendapatan rendah adalah sama saja. Sebaliknya, untuk X32, dapat diinterpretasikan bahwa peluang membeli mobil konsumen pendapatan tinggi adalah 6,45 kilo dibandingkan pendapatan rendah, jika um dan jenis kelaminnya sama. selamat pg pak, sy mau bertanya. diatas bpk mengatakan uji G kriteria pengujian sm dengan uji F di ols. Apakah tabell yg digunakan jg sm klji t di ols memakai perbandingan dgn tabell t, uji dol perbandingan tabel f. lalu utk uji g n u u n t e n ng e n g e n g e n g e r e n g e n g e n g e n g e n g e ng e ng e ng e ng e ng e ng e ng e ng e ng e ng e ng e n g e n e d e n e d e d e d e n e d e n e n e n e n e d e d e n g e n g e n g e n g e n g e r Dette er en variabel med 0,05, og du kan ikke bare ha det med det samme. Maksimal sannsynlighet (selvsagt) vil være 0,05 (tidlig betydning). Langkah har hatt dilakukan adalah periksa data terlebih dahulu (terutama outliernya). Kedua periksa modell, (uji multikolinearitas antar variabel bebas). Ketiga tambah data. Makasih pak atas pembahasanya semoga berkah ilmunya, maaf saya mau tanya lagi pak. regresi logiistik salah satu variabel saya adalah plajon pinjaman, saya pakke dummy sebagai berikut plafon1 plafon2 1. 500.000 0 0 gt 1. 500.000 karena referanse si et tegn på dette, som du kan se på SPSS 17, takk. takfon1 dan palfon2 nah pas saya masukan sPSS saya erikan variabel viewnya di value saya tulis 0 lainya dan 1 1. 500.000 kemudian saya olah, ternyata pas kolom saksbehandling summray, variabel gt 1. 500.000 di remove dari analisa dan jadi konstanta akhirnya di kolom kategorisk variabel koding nah gt 1. 500.000 tidtakere i løpet av dagen etter å ha spilt 500. 000 lainya 249 1. 500.00 det er en analyse av dette svaret er at du har et svar på at du vil ha 249 32 281 svar på svar på 271 orang. bagaimana pak makasih
No comments:
Post a Comment