Kuliah 9 Regresi Logisik Dan an

5/10/2018 Kuliah 9 Regresi Logisik Dan an - slidepdf.com

http://slidepdf.com/reader/full/kuliah-9-regresi-logisik-dan-an 1/25

LECTURE 9

REGRESI LOGISTIK &DISKRIMINANDR. MUDRAJAD KUNCORO, M.Soc.Sc

Fakultas Ekonomi & Pascasarjana UGM

Outline:Outline:

•• Mul t inomia lMul t inomia l RegresiRegresi

•• B inaryBinary Log is t i kLog is t i k

•• Anal is isAnal is is D iskr iminanDiskr iminan

•• PerbandinganPerbandingan

m ul t inom ia l , b inary,m ul t inom ia l , b inary, dandand iskr iminand iskr iminan



ANALISIS REGRESI LOGISTIK ANALISIS REGRESI LOGISTIK

– Tidak memiliki asumsi normalitas atas variabel bebas yang digunakan dalam model

– Variabel bebas bisa variabel kontinyu,diskrit, dan dikotomis

– Distribusi respon atas variabel terikat diharapkan nonlinear

– Jenis:

• binary logistic regression

• multinomial logistic regression



STUDI KASUS WANITA KARIR VS IBU RT STUDI KASUS WANITA KARIR VS IBU RT

• Studi kasus mengenaiprobabilitas wanita karir danibu rumah tangga(Tabachnick, 1996: bab 12)

• Pertanyaan yang hendakdijawab adalah: apakahstatus pekerjaan (wanita

karir versus ibu rumahtangga) dapat dijelaskanoleh empat variabel perilaku(ATTHOUSE, ATTMAR,ATTROLE, dan CONTROL)

• Keempat variabel penjelastersebut adalah:

– ATTHOUSE= perilaku

terhadap pekerjaan didalam rumah.

– ATTMAR=perilakuterhadap status

pernikahan. – ATTROLE= perilaku

terhadap perannan/hakwanita.

– CONTROL= kemampuanmengendalikan diri (locus of control ).



Tahapan Tahapan Estimasi Estimasi Regresi Regresi Logistik Logistik

Multinomial (1) Multinomial (1)



Tahapan Tahapan Estimasi Estimasi (2) (2)



Hasil Hasil Output SPSS Output SPSS

Model Fitting Information

884.175

836.411 47.764 8 .000

ModelIntercept Only

Final

-2 LogLikelihood Chi-Square df Sig.

• Chi square signifikan pada derajat 1% dengan nilai 47,8. artinya model denganhanya intercept berbeda secara statistik dibandingkan dengan model yangmemasukkan semua variabel prediktor.

Classification

213 25 2 88.8%

98 30 2 23.1%

63 10 3 3.9%83.9% 14.6% 1.6% 55.2%

Observedwanita karir

ibu RT bahagia

ibu RT tidak bahagiaOverall Percentage

wanita karir

ibu RT

bahagia

ibu RT tidak

bahagia

Percent

Correct

Predicted

• Dari hasil overall classification result untuk regresi logistik multinomialternyata kurang baik. Persentase kebenaran klasifikasi untuk ibu RT

bahagia dan ibu RT tidak bahagia yang di bawah 50 %, yaitu 23.1% dan3.9%, menunjukkan banyak salah klasifikasi untuk ibu RT bahagia dantidak bahagia. Oleh karenanya, kita perlu melakukan klasifikasi ulang danmen unakan re resi lo istik binari.



Tahapan Tahapan Estimasi Estimasi Binary Logistic Regression Binary Logistic Regression

Klasifikasi Klasifikasi ulang ulang : : Mengubah Mengubah values values pada pada workstat workstat 11” ” wanita wanita

karir karir

” ” , 2 , 2

” ” Ibu RT Ibu RT

bahagia bahagia

” ” , 3 , 3

“ “ Ibu Ibu

RT RT

tidak tidak

bahagia bahagia

” ” ,,

dan dan

values values

pada pada

status status 3 3 ” ” wanita wanita karir karir ” ” dan dan 4 4 “ “ Ibu Ibu RT RT ” ”



Tahapan Tahapan Estimasi Estimasi dengan dengan Logit Logit (1) (1)



Tahapan Tahapan Estimasi Estimasi Binary Logistic Regression (2) Binary Logistic Regression (2)



Tahapan Tahapan Estimasi Estimasi Binary (3) Binary (3)



Output Output Estimasi Estimasi Regresi Regresi Logistik Logistik Binari Binari

• Pengujian dengan modelpenuh dengan 4 variabelbebas dibanding modelhanya dengan konstantaterbukti secara statistikdapat dipercaya. Ini terlihat

dari Chi-Square(4,N=440)=22.78 yangsignifikan dengan p<,001artinya model dengan hanyaintercept berbeda secara

statistik dibandingkandengan model yangmemasukkan semuavariabel prediktor.

• Kemampuan prediksi modelini lumayan bagus. Tingkatsukses total 60%, dengan46.6% ibu RT dan 71.3%wanita karir telah mampudiprediksi secara benar

Omnibus Tests of Model Coefficients

22.781 4 .000

22.781 4 .00022.781 4 .000

Step

BlockModel

Step 1Chi-square df Sig.

Classification Tablea

96 110 46.669 171 71.3

59.9

Observed

Ibu RTwanita karir

work status

Overall Percentage

Step 1

Ibu RT anita kari

work status Percentage

Correct

Predicted

The cut value is .500a.



Output Output Estimasi Estimasi Binary Binary Regresi Regresi

Variables in the Equation

-.032 .023 1.826 1 .177 .969 .925 1.014-.070 .016 19.851 1 .000 .932 .904 .962

.014 .012 1.345 1 .246 1.014 .991 1.038

-.055 .077 .506 1 .477 .947 .814 1.101

3.423 .978 12.255 1 .000 30.656

ATTHOUATTROL

ATTMAR

CONTRO

Constant

Step1a

B S.E. Wald df Sig. Exp(B) Lower Upper

.0% C.I.for EXP(

Variable(s) entered on step 1: ATTHOUSE, ATTROLE, ATTMAR, CONTROL.a.

Correlation Matrix

1.000 -.618 -.726 -.036 -.414

-.618 1.000 .313 -.230 -.113

-.726 .313 1.000 -.036 -.016

-.036 -.230 -.036 1.000 -.165

-.414 -.113 -.016 -.165 1.000

Constant

ATTHOUS

ATTROLE

ATTMAR

CONTROL

Step

1

Constant TTHOUSEATTROLE ATTMAR CONTROL



Output Output Estimasi Estimasi Binary Binary Logistik Logistik

• Matriks korelasi menunjukkan tidak adanyamultikolinearitas yang serius antarvariabel bebas,sebagaimana terlihat dari nilai korelasi antarvariabel

bebas yang di bawah 0,8.• Hasil di atas juga menyajikan koefisien regresi, statistik

Wald, odds ratio, serta interval dengan keyakinan 95%atas odds ratio untuk masing-masing variabel bebas.Menurut kriteria Wald, hanya variabel perilaku terhadapperanan wanita yang dapat diandalkan untukmemprediksi status pekerjaan wanita. Ini terlihat dari

nilai z sebesar –19.8 dengan p<0,01. Odds ratio 0,93menunjukkan adanya sedikit perubahan dalamkemungkinan bekerja atas dasar satu unit perubahanperilaku terhadap peranan wanita.



ANALISIS DISKRIMINAN ANALISIS DISKRIMINAN

- Semua variabel independen merupakan variabel yang kontinyu dan berdistribusi

normal - Tujuan utama:

• diskriminasi: Pembedaan grup

dicapai dengan fungsi diskriminan

• klasifikasi: mengklasifikan

individu/obyek ke dalam grup terpisah berdasarkan sejumlah variabel bebas



Studi tentang Kluster Industri

Michael E. Porter• Innovation: Location Matters (2001)•Competing Across Locations (1998)• On Competition (1998)

• The Role of Geography in the Process of Innovation and the Sustainable(1998)• Competitive Advantage of Firms (1998)• Clusters and the New Economics of Competition (1998)

Mudrajad Kuncoro• Analisis Spasial & Regional: Studi Aglomerasi dan Kluster Industri Indonesia(2002)

• Why Manufacturing Industry Persisted to Cluster Spatially in Java ?, Gadjah Mada International Journal of Business (2003), 5(2)• “Regional Clustering Of Indonesia’s Manufacturing Industry: A SpatialAnalysis with Geographic Information System (GIS)”, Gadjah Mada

International Journal of Business (2001), 3(3)



KasusKasus IKRTIKRT didi JawaJawa



Kasus Kasus IKRT IKRT di di Jawa Jawa

• Sebagai contoh aplikasi analisisdiskriminan akan disajikan studiempiris mengenai industri kecil danrumah tangga (IKRT) di Jawa(Kuncoro, 2000)

• Pertanyaan penelitian yanghendak dijawab adalah: Apakahsentra-sentra IKRT di Jawamerupakan industrial district dengan ciri-ciri yang menonjol?

• Untuk memudahkan analisis, kitamengklasifikasikan sentra-sentraindustri dan non-sentra industri

• Di = di1 RURAL + di2 WAGES +di3 SKILL + di4 STEP + di5AGE+ di6 POP + di7 UNPAIDW + di8PRODUCTIVITY

Variabel:• proporsi daerah perdesaan

(RURAL)• upah rata-rata (WAGES)• jumlah tenaga terdidik dengan

pendidikan minimum SMU(SKILL)

• proporsi perusahaan yangterlibat dalam program BapakAngkat (STEP)

• rata-rata umur perusahaan(AGE)

• jumlah penduduk (POP)• proporsi pekerja keluarga

(UNPAIDW)• produktivitas tenaga kerjada

(PRODUCTIVITY)

TahapanTahapan EstimasiEstimasi DiskriminanDiskriminan



Tahapan Tahapan Estimasi Estimasi Diskriminan Diskriminan





define range define range min: 0, max: 1min: 0, max: 1

TahapanTahapan EstimasEstimasi DiskriminanDiskriminan



Tahapan Tahapan Estimas Estimasi Diskriminan Diskriminan klik klik statistics statistics





klik klik classify classify

OutputOutput EstimasiEstimasi DiskriminanDiskriminan



Output Output Estimasi Estimasi Diskriminan Diskriminan

Classification Results a

52 6 58

8 37 45

89.7 10.3 100.0

17.8 82.2 100.0

Industrial clustersNon-industrial clusters

Industrial clusters

Non-industrial clusters

Industrial clusters

Count

%

Original

Non-industrial

clusters

Industrial

clusters

Predicted Group

Membership

Total

86.4% of original grouped cases correctly classified.a.

Secara umum model diskriminan ini mampumengalokasikan secara benar lebih dari 86% kasus.

Tabel diatas menyajikan ringkasan klasifikasi dari modeltsb, yang hanya gagal mengalokasikan 6 kabupaten kedalam non-sentra industri dan 8 kasus untuk sentraindustri. Akibatnya, keanggotan grup secara benar telah

diprediksi sebesar 89.7% untuk non-sentra industri dan82.2% untuk sentra industri.




Wilks' Lambda

.407 87.312 8 .000Test of Function(1

Wilks'

Lambda Chi-square df Sig.

Tabel diatas memperlihatkan chi-square yang tinggidan signifikan pada derajat kepercayaan 1% yaitusebesar 87.312. Artinya model dengan hanyaintercept berbeda secara statistik dibandingkan

dengan model yang memasukkan semua variabelprediktor

OutputOutput EstimasiEstimasi DiskriminanDiskriminan




• upah merupakan variabel terbaik untuk memprediksi lokasi IKRT di sentraindustri dan non-sentra industri.

• Koefsien untuk upah yang positif menunjukkan bahwa semakin tinggiupah semakin besar kemungkinan IKRT mengelompok di sekitar sentra

industri• Proporsi tenaga kerja keluarga dan proporsi yang tinggal di perdesaan

memiliki daya prediksi yang kurang lebih sama dengan tanda negatif.Tanda koefisien yang negatif menunjukkan bahwa semakin rendahproporsi pekerja keluarga dan proporsi pedesaan dalam suatu kabupatenmaka akan mendorong IKRT untuk mengelompok di seputar sentraindustri.

Structure Matrix

.667

-.659

-.656

.558

-.319

.232

.054

.041

Average wages

Family workers proportion

Rural proportion

Productivity of labour

Age of firm

Step father proportion

Number of skilledworkers

Population

1

Function

Pooled within-groups correlations between discriminating

variables and standardized canonical discriminant functions

Variables ordered by absolute size of correlation within function.



HOMEWORK

1.Untuk kasus studi wanita:a. coba anda lakukan estimasi dengan model diskriminan, baik

dengan 3 klasifikasi (workstat) dan 2 klasifikasi (STATUS),dengan menggunakan prediktor yang sama.

b. Bandingkan hasil estimasi dengan diskriminan dan regresilogistik.

c. Interpretasikan hasil berdasarkan model yang menurut andapaling baik.

2.Untuk kasus IKRT di Jawa:

a. Bandingkan hasil estimasi model diskriminan dengan 2klasifikasi daerah (D) dan 3 klasifikasi (GROUP3).

b. Bandingkan hasil estimasi dengan diskriminan dan regresi

logistik.

Kuliah 9 Regresi Logisik Dan an

Documents

Transcript of Kuliah 9 Regresi Logisik Dan an