Iklan

Mudah Memahami Regresi Logit


Dalam salah satu tulisan di blog ini, kita sudah pernah membahas bagaimana memperlakukan variable independent (variable bebas) yang bersifat kualitatif (skala pengukuran nominal atau ordinal) dalam model regresi, yaitu dengan membentuk variable dummy.

Nah, pada tulisan kali ini kita akan melihat bagaimana jika dalam model regresi tersebut yang bersifat kualitatif adalah variable dependent (terikat). Dalam model dengan variabel kualitatif, terdapat beberapa macam teknik pendekatan model yang salah satunya adalah model logit yang menjadi focus dalam tulisan ini. Selain itu, tulisan ini juga lebih menfokuskan pada variable kualitatif yang hanya mempunyai dua kemungkinan nilai, misalnya kesuksesan (sukses – gagal), kesetujuan (setuju – tidak setuju), keinginan membeli (ya – tidak). Variabel kualitatif yang hanya mempunyai dua kemungkinan nilai ini disebut dengan variable biner. (Pada tulisan-tulisan berikutnya, mudah-mudahan akan kita bahas untuk variable kualitatif dengan lebih dari dua kemungkinan nilai).

Selanjutnya, dalam mengestimasi model logit juga terdapat beberapa metode yaitu metode maximum likelihood, noninteractive weighted least square dan discriminant function analysis. Namun demikian, metode yang umum digunakan dalam software paket-paket statistic adalah metode maximum likelihood. Tulisan menggunakan program Minitab yang juga mengaplikasikan metode maximum likelihood dalam estimasi model logit.

Sesuai dengan judul tulisan kali ini, kita tidak akan membahas teori-teori model logit dan maximum likelihood, tetapi lebih pada penekanan bagaimana mengolah data dan menginterpretasikan hasilnya. Bagi yang berminat mendalami teori-teori yang melatarbelakanginya, tersedia banyak literature yang terkait dengan hal tersebut.

Misalnya kita ingin memprediksi bagaimana pengaruh umur, jenis kelamin dan pendapatan terhadap pembelian mobil. Berdasarkan hasil survai terhadap 130 responden, didapatkan datanya sebagai berikut: (silakan download di sini, masih dalam bentuk word, tetapi bisa anda copy ke Minitab).

Dimana:

Y : 1 = jika konsumen membeli mobil; 0 = jika konsumen tidak membeli mobil

X2: umur responden dalam tahun

X3: 1= jika konsumen berjenis kelamin wanita; 0 = jika konsumen berjenis kelamin pria

X4: 0= jika konsumen berpendapatan rendah; 1 = jika konsumen berpendapatan sedang; 2= jika konsumen berpendapatan tinggi

Pengolahan data dilakukan melalui tahapan-tahapan berikut:
1. Buka program Minitab. Tampilan awal program Minitab terdiri dari dua halaman. Halaman atas dinamakan halaman Session, untuk tampilan perintah dan hasil. Halaman bawah dinamakan halaman worksheet untuk penulisan data.
2. Ketik data di halaman worksheet, atau sebagai latihan copy data seperti yang diberikan di tas. (lihat tampilan 1)
logit11

3. Setelah itu klik Stat> Regression> Binary Logistic Regression. Kotak dialog yang ditampilkan sebagai berikut:

logit2

4. Isikan pada kotak Response variabel Y dengan cara, klik kotak response, klik variabel Y kemudian klik Select. Selanjutnya isikan pada model variabel X2,X3 dan X4 dengan cara klik kotak Model, klik (atau blok sekaligus) X2, X3 dan X4, kemudian klik Select.

Selanjutnya, karena variabel X4 merupakan peubah kategori (ordinal) dengan lebih dari kategori (yaitu 0=pendapatan rendah, 1=pendapatan sedang dan 2=pendapatan tinggi) maka diubah terlebih dahulu ke dalam 2 variabel dummy, untuk mengembangkan model yang logis dan mudah diinterpretasi, sebagai berikut:

X4_1 = 1, jika konsumen berpendapatan sedang; 0 = jika selainnya

X4_2 = 1, jika konsumen berpendapatan tinggi; 0 = jika selainnya

Dalam program Minitab untuk mengkonversi ini dengan cara memasukkan peubah X4 ke dalam kotak isian Factors. Dengan cara demikian, Minitab secara otomatis akan menjadikan variabel X4 menjadi dua variabel dummy yaitu X4_1 dan X4_2. Peubah X3 sebenarnya juga dapat dimasukkan ke dalam kotak isian Factors, tetapi karena berisi data numerik ( 1 atau 0) maka tidak perlu dimasukkan.

Hasil pemasukan variabel tersebut dapat dilihat dalam tampilan berikut:

logit3

5. Setelah itu klik, OK. Maka akan muncul hasil regresi logit di halaman Session sebagai berikut (disini hanya ditampilkan bagian-bagian terpenting saja yang akan dibahas):

logit7

Dalam pelaporannya, model regresi logistiknya dapat dituliskan sebagai berikut:

logit4

Yang dari output minitab contoh kita menjadi sebagai berikut:

logit5

Model ini merupakan model peluang membeli mobil [(P(xi)] yang dipengaruhi oleh faktor-faktor umur, jenis kelamin dan pendapatan. Dapat kita lihat bahwa model tersebut adalah bersifat non-linear dalam parameter. Selanjutnya, untuk menjadikan model tersebut linear, maka dilakukan transformasi dengan logaritma natural, (transformasi ini yang menjadi hal penting dalam regresi logistik dan dikenal dengan istilah “logit transformation”), sehingga menjadi:

logit6

1-P(xi) adalah peluang tidak membeli mobil, sebagai kebalikan dari P(xi) sebagai peluang membeli mobil. Oleh karenanya, ln [P(xi)/1-P(xi)] secara sederhana merupakan log dari perbandingan antara peluang membeli mobil dengan peluang tidak membeli mobil. Oleh karenanya juga, koefisien dalam persamaan (3) ini menunjukkan pengaruh dari umur, jenis kelamin dan pendapatan terhadap peluang relative individu membeli mobil yang dibandingkan dengan peluang tidak membeli mobil.

Sebagaimana halnya dengan model regresi linear dengan metode OLS, kita juga dapat melakukan pengujian arti penting model secara keseluruhan. Jika pada metode OLS kita menggunakan uji F, maka pada model ini, kita menggunakan uji G. Statistik G ini menyebar menurut sebaran Khi-kuadrat (χ2). Karenanya dalam pengujiannya, nilai G dapat dibandingkan dengan nilai χ2 tabel pada α tertentu dan derajat bebas k-1. (kriteria pengujian dan cara pengujian persis sama dengan uji F pada metode regresi OLS). Tetapi, anda juga bisa melihat nilai p-value dari nilai G ini yang biasanya ditampilkan oleh sofware-software statistik.

Dari hasil Minitab kita, didapatkan nilai G sebesar 14,447 dengan p-value 0,006. Karena nilai ini jauh dibawah 10 % (jika kita menggunakan pengujian dengan α=10%), atau jauh dibawah 5% (jika kita menggunakan pengujian dengan α=5%), maka dapat disimpulkan bahwa model regresi logistik secara keseluruhan dapat menjelaskan atau memprediksi keputusan konsumen dalam membeli mobil.

Selanjutnya, untuk menguji faktor mana yang berpengaruh nyata terhadap keputusan pilihan membeli mobil tersebut, dapat menggunakan uji signifikansi dari parameter koefisien secara parsial dengan statistik uji Wald, yang serupa dengan statistik uji t atau uji Z dalam regresi linear biasa, yaitu dengan membagi koefisien terhadap standar error masing-masing koefisien.

Dari output minitab ditampilkan nilai Z dan p-valuenya. Dari hasil kita, berdasarkan nilai p-value (dan menggunakan kriteria pengujian α=10%), kita dapat melihat seluruh variabel (kecuali X4_1), berpengaruh nyata (memiliki p-value dibawah 10%) terhadap keputusan membeli mobil.

Lalu, bagaimana kita menginterpretasikan koefisien regresi logit dari persamaan (3) di atas ? Dalam model regresi linear, koefisien β1 menunjukkan perubahan nilai variabel dependent sebagai akibat perubahan satu satuan variabel independent. Hal yang sama sebenarnya juga berlaku dalam model regresi logit, tetapi secara matematis sulit diinterpretasikan.

Koefisien dalam model logit menunjukkan perubahan dalam logit sebagai akibat perubahan satu satuan variabel independent. Interpretasi yang tepat untuk koefisien ini tentunya tergantung pada kemampuan menempatkan arti dari perbedaan antara dua logit. Oleh karenanya, dalam model logit, dikembangkan pengukuran yang dikenal dengan nama odds ratio (ψ). Odds ratio untuk masing-masing variabel ditampilkan oleh Minitab sebagaimana yang terlihat di atas.

Apa yang dimaksud dengan odds ratio dan bagaimana memahaminya? Odds ratio secara sederhana dapat dirumuskan: ψ = eβ, dimana e adalah bilangan 2,71828 dan β adalah koefisien masing-masing variabel. Sebagai contoh, odds ratio untuk variabel X3 = e0.7609 = 2,14 (lihat output minitab).

Dalam kasus variabel X3 (jenis kelamin dimana 1 = wanita dan 0 = pria), dengan odds ratio sebesar 2,14 dapat diartikan bahwa peluang wanita untuk membeli mobil adalah 2,14 kali dibandingkan pria, jika umur dan pendapatan mereka sama. Artinya wanita memiliki peluang lebih tinggi dalam membeli mobil dibandingkan pria.

Dalam kasus variabel X2 (umur), dengan odds ratio sebesar 0,90 dapat diartikan bahwa konsumen yang berumur lebih tua satu tahun peluang membeli mobilnya adalah 0,90 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 rendah dalam membeli mobil.

Dalam konteks umur ini (yang merupakan variabel dengan skala ratio), hati-hati menginterpretasikan nilai perbedaan peluangnya. Jika perbedaan umur lebih dari 1 tahun, misalnya 10 tahun, maka odds rationya akan menjadi 0,36, yang diperoleh dari perhitungan sbb: ψ=e(10 x -0.10322) . Artinya peluang membeli mobil konsumen yang berumur lebih tua 10 tahun adalah 0,36 dibandingkan konsumen yang lebih muda (10 tahun) darinya.

Selanjutnya, dalam konteks variabel pendapatan, terlihat bahwa X41 tidak berpengaruh signifikan. Artinya, peluang membeli mobil antara konsumen pendapatan sedang dan pendapatan rendah adalah sama saja. Sebaliknya, untuk X42, dapat diinterpretasikan bahwa peluang membeli mobil konsumen pendapatan tinggi adalah 2,26 kali dibandingkan pendapatan rendah, jika umur dan jenis kelaminnya sama. (Perhatikan, baik untuk X41 maupun untuk X42, perbandingannya adalah dengan pendapatan rendah. Lihat penjelasan ini lebih lanjut pada tulisan mengenai variabel dummy yang ada di blog ini).

Output Minitab juga menampilkan ukuran-ukuran asosiasi (hubungan) antara nilai aktual (sebenarnya) dari variabel dependent (Y) dengan dugaan peluangnya, yang dapat kita interpretasikan sebagai berikut:

Dari nilai Concordant dapat disimpulkan bahwa 70,2 persen pengamatan dengan kategori membeli (Y=1) diduga mempunyai peluang lebih besar pada kategori membeli. Dari nilai Discordant dapat disimpulkan bahwa 28,4 persen pengamatan dengan kategori tidak membeli (Y=0) diduga mempunyai peluang lebih besar pada kategori membeli. Nilai Ties merupakan persentase pengamatan dengan peluang pada kategori membeli sama dengan peluang kategori tidak membeli. Hubungan yang kuat (dan sekaligus menunjukkan semakin baiknya daya prediksi model) ditandai oleh besarnya nilai Concordant dan kecilnya nilai Discordant dan Ties.

Selanjutnya juga terdapat ukuran-ukuran ringkas (Sommer’s D, Goodman-Kruskal Gamma dan Kendall’s Tau-a). Semakin besar ukuran asosiasi ini ke nilai 1, maka semakin baik daya prediksi dari model dugaan yang diperoleh.

Iklan

30 Tanggapan

  1. Selamat Pagi..
    Saya evan pratama wibowo dari UB malang sedang melakukan penelitian mengenai faktor penentu keputusan petani dalam penerapan teknologi mekanisasi. Kebetulan yang saya gunakan untuk menganalisis tujuan kedua adalah logistik. Yang mau saya tanyakan. Apakah boleh dalam logistik, skala pengukuranya menggunakan kategori yg berbeda ? Kebetulan skala yg saya gunakan adalah ordinal untuk faktor intern petani (umur, t.pendidikan, luas lahan, pendapatan) dan nominal untuk faktor ekstern (sifat inovasi, kegiatan promosi penyuluh) pada kegiatan promosi penyuluh.

  2. Selamat sore pak. Saat ini saya sedang skripsi, mengenai manajemen laba, rumus yang digunakan Jones Modified.. Lalu dosen saya menyarankan menggunakan regresi probit.. itu bisa atau tidak yaa pak? Terima kasih

  3. bapak juanidi selamat pagi . pak saya mahasiswi s1 fe univ gundar sedang skripsi, akan menggunakan metode statistik untuk pengukuran financial distress, saya masi bingung pak dgn beberapa model logit ? seperti binary , multinominal , dn regresi , dr beberapa metode tersebut keunggulanya apa ya pak ? dan bagaimana kita menetukan metode ap yg kita gunakan 🙂 terima kasih ya pak ,

    Binary logit digunakan jika variabel dependentnya terdiri dari dua kategori, multinomial logit jika dependent variabelnya berupa data nominal dan lebih dua kategori, sedangkan ordinal logit jika dependent variabelnya berupa data ordinal dan lebih dua kategori.

  4. pak…. derek tanglet perbedaan logit dan

  5. pak…. derek tanglet perbedaan logit dan linier berganda terletak pada apanya dan apakah logit itu mengukur pengaruh apa peluang terima kasih…..

  6. pak, saya sedang mengolah data menggunakan logistik regresi, tapi bagaimana memasukkan variabelnya kalo itu pengamatan 3 tahun misalnya,, 3 variabel independent dengan data 3 tahun,,, gimana ya masukinnya pak?? kalo 3 var berarti x1 x2 x3,, data 3tahunnya gimana ya,,, #bingung terimakasih
    -shofie

  7. pak, mohon bantuan kl mau menggunakan regresi logit kuesionernya seperti apa ya??? makasih pak bantuannya….

  8. pak saya mau tanya, untuk nilai Y itu kita menentukannya bagaimana ya??

    kok bisa
    Y X2 X3 X4
    0 36 1 0 ==> kok bisa nilai Y nya 0
    0 44 1 0
    1 36 1 0 ==> kok bisa nilai Y nya 1

    makasih

  9. pak bisa mohon dijelasin gak apa bedanya regresi logit dengan probit. Trus untuk kedua model tersebut uji asumsi klasik apa yang digunakan karena setahu saya tidak semua uji asumsi klasik digunakan dalam regresi logistik. terima kasih saya tunggu jawabannya

  10. salam kenal pak!
    saya mo nanya pak, dalam model logit bisa tidak variabel bebas semuanya berbentuk nominal?

  11. ass pak..
    saya nurfidah..saya sedang nyusun tugas akhir skrg..saya ambil topik tentang model regresi probit…saya bingung dalam data nya???kira-kira data yang cocok wt model probit pa ya pak???apakah saya harus memakai kuesioner??trus apakah data pada regresi logistik dapat dipakai untuk contoh data regresi probit???trus kira2 ngolahnya pake software pa ya pak??

    terima kasih ya pak..
    ditunggu balasan dari bapak..

  12. Pak saya masih bingung arti dari “loglikehood.” dari tabel hasil regresi kalau nilainya besar/kecil, artinya apa. daya menggunakan regresi probit memeperoleh hasil -164 .291. apa maksudnya.

  13. Pak, nanya nih…kalau variabel independen nya pake dummy trus dependennya rasio apa harus pake regresi logit? ato bisa pake regresi berganda (OLS). terimakasih

    Kalau independentnya yang dummy ya, pakai OLS saja.

  14. Salam Pak, Saya lagi buat tesis nih.. saya bingung nih.. kalo dependen pake dummy dan 3 variabel independen pake rasio, saya bagusnya pake apa yah? terus terkait dengan logit, ada referensi khusus gak? terima kasih..

    Kalau variabel dependennya pakai dummy, saya sarankan menggunakan binary logit. Banyak referensi mengenai itu, diantaranya “Applied Logistic Regression” Hosmer, “Logistic Regression” Pampel

  15. Paaakk, saya mahasiswa FE S1, sedang in da process skripsian…. Keliatannya saya bakalan pakai Logit Pak….. Kalau ada pertanyaan ttg operasi Logit, saya tanya-tanya ke Bpk aja ya Pak? Makasih sekali Pak sudah menulis artikel ini… ^^

    Boleh, silakan

  16. Assalamualaikum.
    Pak Junaidi saya mohon informasinya. Semoga bapak berkenan membantu. Saya ada data dari kuisioner mengenai “kemauan untuk membayar (WTP)” yang angka dari pertanyaan open-ended. Kemudian saya ingin me-regresi dengan data penghasilan yang berupa data interval (1jt-3jt, 3jt-5jt, dst). Apakah hal demikian dimungkinkan pak? Metode apa yg bisa dipakai? Terima kasih pak.Mohon jawabannya

    Bisa saja. Patokan sederhananya untuk memilih model regresi berdasarkan skala pengukuran adalah:

    Variabel bebas…..Variabel Terikat…………………Model Regresi
    interval……………..interval……………………………regresi biasa
    interval/nominal….interval…………………………..regresi dengan dummy
    interval……………..nominal (dua kategori)…………regresi binary logit
    interval……………..nominal (lebih dua kategori)…..regresi multinomial logit
    interval……………..ordinal…………………………….regresi ordinal logit

  17. mo tanya, reg logit ada pakai uji asumsi klasik gaK?

    Uji asumsi klasik hanya berlaku untuk penaksiran regresi menggunakan metode OLS. Regresi logit tidak pakai metode OLS, jadi tidak ada.

  18. saya mempunyai data.

    saya memplotkan bahwa data tidak stationer dalam mean dan varian.

    apabila tidak stationer dalam varian maka di uji dengan metode boxcox transformation.

    apabila tidak stationer dalam mean maka di uji dengan metode diff.

    langkah2 tersebut sudah saya lakukan sampai ketemu forecast -nya

    namun saya bingung untuk mengembalikan hasil forecast apabila sudah di transformasi.

    saya minta bantuan untuk melakukan transformasi balik dari hasil forecast dari masing-masing nilai lambda

    Nilai (lambda) Transformasi
    -1.0 1/Zt
    -0.5 1/akar Zt
    0.0 ln Zt
    0.5 akar Zt
    1.0 Zt (tidak ada transformasi)

  19. pak saya sedang mengerjakan skripsi dengan analisis multinomial logit, apakah dengan hanya menggunakan sampel 32 perusahaan dan masa penelitian 2 tahun sudah cukup mewakili pak?

    Cukup atau tidaknya sampel tergantung dari jumlah populasi dan keragaman populasi. Kalau untuk regresi, disarankan untuk memperhatikan derajat bebasnya (artinya juga memperhatikan jumlah variabel dalam persamaannya). Meskipun tidak ada patokan baku, umumnya disarankan derajat bebas paling sedikit adalah 12.

  20. apa kelebihan regresi probit dibandingkan regresi logistik?

    • Sebenarnya tidak ada perbedaan. Pemilihan antara analisis probit dan logit tergantung pada kondisi data yang diperoleh. Jika data yg diperoleh tersebar secara normal, maka analisis yg digunakan adalah probit, sedangkan jika data tidak tersebar secara normal, maka yg digunakan adalah logit.

  21. Salam.
    Pak,sy sedang olah data mgunakan logit..
    Hasil yg sy peroleh nilai somers’d,goodman-kruskal gamma,&kendall’s tau-a msg2 adalah 0.83, 0.84, & 0.30..
    apa nilai2 tsb sudah bs mngatakan bahwa model sy bagus Pak?
    nilai somers’d&goodmn-krskal gamma memang mndekati angka1,namun nilai kendall’s tau-a jauh dari 1..
    yang kdua,sebenarny maksud dari nilai2 tsb sbg ringkasan asosiasi tabel concordant&discordant itu apa ya Pak?interpretasi utk msg2 nilai (somer’s D,goodmn-krskl gamma,&kendall’s tau-a).
    ketiga,apakah ada indikator atau batasan nilai yang pasti untuk somers’d,goodman-kruskal gamma,&kendall’s tau-a, jika dikatakan daya prediksi model bagus dan tidak bagus?soalnya dari penjelasan hanya dikatakan semakin mendekati 1 berarti semakin baik..jadi tidak ada batas bawahnya yang pasti. Dan keempat,apa kelebihan olah data logit mgunakan minitab dibndingkn dengan spss?

    Mohon penjelasannya Pak,terima kasih banyak..
    wassalam.

    Silakan baca tulisan ini dan ini, yang khusus saya buat untuk menjawab pertanyaan diatas.

  22. ralat:
    Pak, kalau saya sudah menggunakan logit biner…tetapi tanda koefisien salah satu variabel independennya tidak sesuai dengan teori…(yg seharusnya berbanding terbalik tetapi hasilnya berbanding lurus) sehingga pada saat interpretasi ada bias…apakah ada cara manipulasi data secara statistik sehingga tanda koefisiennya berubah??Terimakasih.

    Yang penting untuk diperhatikan adalah bahwa dalam regresi logit, kita tidak membaca koefisien, tetapi membaca odds ratio. Coba dicermati lagi tulisan diatas.
    Kalau setelah membaca odds ratio ternyata interpretasinya juga berlawanan dengan teori, ada beberapa hal yang harus diperiksa:
    1. Apakah datanya sudah benar ?
    2. Apakah modelnya yang dibangun sudah tepat ?
    3. Apakah jumlah sampel sudah cukup memadai ?
    4. Apakah penarikan sampel sudah benar ?
    Jika semuanya sudah benar/sesuai, kita tidak perlu memanipulasi data. Ungkapkan itu sebagai suatu temuan dan jelaskan secara empirik apa penyebabnya berbeda dengan teori.
    Untuk manipulasi data banyak metode misalnya menghilangkan data outlier, melogaritmakan data dan lainnya. Tentunya, pilihan-pilihan tersebut tergantung dengan kasus yang dihadapi.

  23. Pak, kalau saya sudah menggunakan logit biner…tetapi tanda koefisien salah satu variabel dependennya tidak sesuai dengan teori…sehingga pada saat interpretasi ada bias…apakah ada cara manipulasi data secara statistik sehingga tanda koefisiennya berubah??Terimakasih.

  24. pak klo misalnya pake regresi logistik dan salah satu variabel terikat ada dalam bentuk jutaan, apa boleh di Ln kan??sedangkan variabel yang lain sudaha dalam bentuk rasio…terimakasih.

    Boleh kok, tidak ada masalah. Hanya saja, seringkali besaran angka antar variabel jauh berbeda (dan kalau di Ln kan juga akan menghasilkan besaran yang jauh berbeda), koefisien regresi yang kita dapatkan bisa sangat kecil sekali (sering tidak muncul angkanya dalam output, misalnya keluar koefisien 0.0000). Tentunya sulit untuk menginterpretasikannya

  25. salam, pak apa ada penjelasan mengenai cara membaca output regresi logistik ini jika peubah bebasnya ada yang tipe numerik (bukan nominal ataupun ordinal),
    terima kasih, wassalam.

    Coba lihat cara interpretasi variabel umur pada tulisan diatas.

  26. Pak..apa ada penjelasan tentang penggunaan multinomial logit? Mohon sekiranya ada dibahas pak..
    Terima kasih
    Wassalam

    Insya Allah, jika ada waktu akan dibahas. Terimakasih sarannya

  27. salam!pak kalo regresi linier berganda dan logit menggunakan variabel dummy cara menginputnya ke minitab bagaimana ya,pak!saya minta bantuannya ya,pak! saya lagi penelitian. terimakasih banyak,ya,pak!

    Sepertinya sudah ada penjelasan dalam tulisan diatas. Atau bisa diperinci lagi maksud pertanyaannya ?

  28. MOhon bantuannnya…saya berencana menggunakan regeresi log untuk skripsi…tapi agak terkendala dalam penentuan variabel terikat..apa variabel terikat itu bisa lebih dari 2 ya????variabel terikatnya semua prduk pada suatu perusahaab perbankan,apa hasilnya nanti bagus ya/???
    terimakasih atas bantuan anda,saya sangat berharap

    Maksudnya variabel terikat lebih dari dua itu, kategorinya apa jumlah variabelnya ? Kalau jumlah variabel ya tidak bisa. Dalam persamaan regresi, variabel terikat hanya 1
    Kalau kategori variabel terikat lebih dari dua (skala ordinal atau nominal), ya bisa. Kalau skala ordinal, kita menggunakan regresi ordinal logit. Kalau skala nominal, kita menggunakan multinomial logit.

  29. Mohon maaf, ijin untuk link ke blog anda. sebelumnya terima kasih

    Jawab: Silakan. Saya juga akan link blog anda. (Junaidi)

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s

%d blogger menyukai ini: