andakat
TRANSCRIPT
-
8/16/2019 andakat
1/22
TUGAS ANALISIS DATA KATEGORIK
REGRESI PROBIT, LOGISTIK BINER DAN POISON
Makalah ini disusun sebagai salah satu syarat guna memenuhi tugas matakuliah
Analisis Data Kategorik
Disusun oleh:
Petronella Mira Melati
131061007
JURUSAN STATISTIKA
FAKULTAS SAINS TERAPANINSTITUT SAINS DAN TEKNOLOGI AKPRIND
YOGYAKARTA
Tahun Akademik 20!"20#
BAB I
LANDASAN TEORI
$ Re%&e'i P&()i*
-
8/16/2019 andakat
2/22
Model regresi probit/normit merupakan metode analisis yang digunakan
untuk menggambarkanhubungan antara peubah prediktor dan peubah respon
lebih dari 1 kategori !egresi probit yangmerupakan kependekan dari
Probability "nit berdasarkan #ungsi sebaran peluang normal kumulati# baku
yang dikenal $uga sebagai model %ormit singkatan dari %ormal Probability
"nit &entuk modelprobit adalah : '$()$ *+ b$0,b$1-i1,b$.-i.,,b$p-ip
Metode pendugaan parameter yang digunakan untuk analisis regresi probit
sama dengan yangdigunakan analisis regresi logistik yaitu metode M dan
iterasi %e2ton !aphson
In*e&+&e*a'i P&()i*Koe#isien probit (b$p * merupakan pengaruh perubahan satu unit peubah
prediktor (b$p* padapeluang normal kumulati# (* dari peubah respon (y*
Pengaruh dari perubahan satu unit ) padapeluang y tergantung pada kategori
peubah prediktor 4ehingga perlu dipilih salah satu kategoripeubah prediktor
untuk di$adikan titik a5uan atau pembanding nterpretasi koe#isien model
probitdilakukan dengan melihat tanda dari koe#isien probit (b$p*
Sa&a* -(de. P&()i*
a Model harus berdistribusi normal
b b%onmultikolinearitas
%onmultikolinearitas merupakan asumsi dalam regresi yang berarti antara
peubah prediktortidak ter$adi hubungan mendekati sempurna atau hubungan
sempurna "ntuk mengetahui ada tidaknyamultikolinearitas menggunakan u$i
Pearson
U/i Si%niikan'i -(de.
1 Pengu$ian signi#ikansi se5ara serentak (oerall*
8 9ipotesis :
90 : 1 + . + + p + 0
91 : minimal ada satu k ; 0< k + 1= .= = p p + banyak peubah
prediktor dalam model
8 '.+8.(n(0*8ln(1**
8 >olak 90 bila '. ? -.p=a
dimana p adalah $umlah peubah prediktor dalam model atau p8alue
kurang dari @ 9al ini berarti peubah prediktor di dalam model
se5ara serentak berpengaruh terhadap peubah respon
. Pengu$ian signi#ikansi se5ara parsial
8 9ipotesis:
-
8/16/2019 andakat
3/22
8 90 : k + 0< (tidak ada pengaruh antara peubah prediktor ke8p dengan
peubah respon*
8 91 : k ; 0< (ada pengaruh antara peubah prediktor ke8p dengan
peubah respon*
8 B+ k/ 4(k*
8 4tatistik B mengikuti sebaran -. dengan dera$at bebas satu 90
ditolak $ika B ? -.1=a atau p8alue C @= sehingga disimpulkan bah2a
peubah prediktor se5ara parsial (berdiri sendiri* berpengaruh pada
peubah respon
3 "$i Kelayakan Model ('oodness # Eit*
8 4tatistik u$i yang digunakan untuk melihat goodness o# #it dalamanalisis regresi logstik dan
8 probit "$i Pearson= dengan hipotesis :
90 : model sesuai dengan data
91 : model tidak sesuai dengan data
8 Fika nilai statistik u$i kurang dari dan sama dengan nilai kritis khi8
kuadrat keputusan yang akan diambil adalah menerima atau berarti
model yang digunakan telah sesuai (9osmer dan emesho2=.000*
G Kriteria Model >erbaik
8 !. M5Eadden adalah indikator model terbaik yang digunakan untuk
mengetahui nilailikelihood8ratio yang didasarkan pada nilai likelihood
model penuh yang mengandung semuaparameter (1* dengan model
yang hanya memuat intersep (0* :
8 !. M5Eadden + 1 H (ln 1/ ln 0*
8 Model terbaik memiliki nilai !. M5Eadden terbesar 4emakin besar
nilai !. M5Eadden maka semakin baik model men$elaskan data
8
$2 Re%&e'i L(%i'*ik Bine&
Analisis regresi logistik digunakan untuk men$elaskan hubungan antara
ariabel respon yang berupa data dikotomik/biner dengan ariabel bebas yang
berupa data berskala interal dan atau kategorik (9osmer dan emesho2=
1IJI* ariabel yang dikotomik/biner adalah ariabel yang hanya mempunyai
dua kategori sa$a= yaitu kategori yang menyatakan ke$adian sukses (L+1* dan
kategori yang menyatakan ke$adian gagal (L+0* pada model model linear
umum komponen a5ak tidak harus mengikuti sebaran normal= tapi harus
-
8/16/2019 andakat
4/22
masuk dalam sebaran keluarga eksponensial 4ebaran bernoulli termasuk
dalam salah satu dari sebaran keluarga eksponensial ariabel respon L ini=
diasumsikan mengikuti distribusi &ernoulli
4ebenarnya untuk masalah diatas bisa digunakan analisis regresi 4
>api harus memenuhi asumsi bah2a 0 C+ (Li -i* C+ 1 %amun
persyaratan tersebut sulit untuk terpenuhi sehingga metode regresi 4
kurang 5o5ok untuk data kuantitati# dan lebih baik menggunakan metode
regresi logistik
Nontoh Kasus dalam regresi logsitik biner:
1 Pengaruh >ingkat Pendidikan= apangan Ker$a yg dimasuki= Pendapatan=
Pengeluaran= Fumlah A!> terhadap status kemiskinan (Miskin/>dak
Miskin*
1 Pengaruh Pendapatan Keluarga= &anyaknya Anggota Keluarga= Fenis
rumah= "sia Kepala Keluarga terhadap Kepemilikan rumah (Punya
rumah/tidak*
&erdasarkan dua 5ontoh tersebut mung$kin sudah membuka pikiran untuk
kasus seperti apa regresi logistik digunakan intinya ariabel dependentnya
dikotomi artinya memiliki dua kategori seperti pada kasus diatas yang ditebal
"ntuk metode ini tidak bisa karena hanya bisa dua sesuai dengan namanya
untuk masalah diatas ada metode lain yang bisa digunakan yaitu regresi
logistik ordinal
&entuk umum model peluang regresi logistik dengan p ariabel pen$elas=
di#ormulasikan sebagai berikut:
regresi logistik model umum:
dengan O()* adalah peluang ke$adian sukses dengan nilai probabilita
0O()*1 dan $ adalah nilai parameter dengan $ + 1=.==p O()* merupakan
#ungsi yang non linier= sehingga perlu dilakukan trans#ormasi ke dalam
bentuk logit untuk memperoleh #ungsi yang linier agar dapat dilihat hubungan
antara ariabel bebas dan ariabel tidak bebas Dengan melakukan
-
8/16/2019 andakat
5/22
trans#ormasi dari logit O()*= maka didapat persamaan yang lebih sederhana=
yaitu:
regresi logistik logit
Fika dari beberapa ariabel bebas ada yang berskala nominal atau ordinal=
maka ariabel tersebut tidak akan tepat $ika dimasukkan dalam model logit
karena angka8angka yang digunakan untuk menyatakan tingkatan tersebut
hanya sebagai identi#ikasi dan tidak mempunyai nilai numerik dalam situasiseperti ini diperlukan ariabel dummy "ntuk ariabel bebas dengan skala
ordinal maupun nominal dengan k kategori= akan diperlukan sebanyak k81
ariabel dummy
Asumsi8asumsi dalam regresi logistik:
8 >idak mengasumsikan hubungan linier antar ariabel dependen dan
independent
8 ariabel dependen harus bersi#at dikotomi (. ariabel*
8 ariabel independent tidak harus memiliki keragaman yang sama antar
kelompok ariabel
8 Kategori dalam ariabel independent harus terpisah satu sama lain atau
bersi#at eksklusi#
8 4ampel yang diperlukan dalam $umlah relati# besar= minimum dibutuhkan
hingga Q0 sampel data untuk sebuah ariabel prediktor (bebas*
Pendu%aan Pa&ame*e&
Metode untuk mengestimasi parameter8parameter yang tidak diketahui
dalam model regresi logistik ada 3 yaitu:
1 Metode kemungkinan maksimum (Ma)imum ikelihood Method*
. Metode kuadrat terke5il tertimbang noniterasi (%oniteratie Beight east
4Ruare Method*
3 Analisis #ungsi diskriminan (Dis5riminant Eu5tion Analysis*
Pada dasarnya metode maksimum ikelihood merupakan metode kuadrat
terke5il tertimbang dengan beberapa proses iterasi= sedangkan metode
noniteratie 2eight least sRuare method hanya menggunakan satu kali iterasi
kedua metode ini asymptoti5aly eRuialent= artinya $ika ukuran sampel besar
-
8/16/2019 andakat
6/22
keduanya akan menghasilkan estimator yang identik Penggunaan #ungsi
diskriminan mensyaratkan ariabel pen$elas yang kuantitati# berdistribusi
normal leh karena itu= penduga dari #ungsi diskriminan akan oer estimate
bila ariabel pen$elas tidak berdistribusi normal
Dari Ketiga metodei di atas= metode yang banyak digunakan adalah metode
maksimum likelihood dengan alasan lebih praktis (%a5hro2i dan "sman=
.00.* Metode maksimu likelihoood ini menduga parameter dengan nilai
yang memaksimumkan #ungsi likelihood (likelihood #un5tion*
U/i Si%niikan'i -(de.
"ntuk mengetahui pengaruh ariabel bebas terhadap ariabel tidak bebas
se5ara bersama8sama (oerall* di dalam model= dapat menggunakan "$i
ikelihood !atio 9ipotesisnya adalah sebagai berikut:
1 9o: 1 + . ++ p + 0 (tidak ada pengaruh eriabel bebas se5ara
simultan terhadap ariabel tak bebas*
1 91: minimal ada satu $ ; 0 (ada pengaruh paling sedikit satu eriabel
bebas terhadap ariabel tak bebas* "ntuk $ + 1=.==p
1 4tatistik u$i yang digunakan adalah:
8 Dengan :
o + Maksimum ieklihood dari model reduksi (!edu5ed Model* atau
model yang terdiri dari konstanta sa$a
p + Maksimum ikelihood dari model penuh (Eull Model* atau dengan
semua ariabel bebas
8 4tatistik '. ini mengikuti distribusi Khi8kuadrat dengan dera$ad bebas p
sehingga hipotesis ditolak $ika p8alue C @= yang berarti ariabel bebas -
se5ara bersama8sama mempengaruhi ariabel tak bebas L
U/i Pa&'ia. dan Pem)en*ukan -(de.
Pada umumnya= tu$uan analsis statistik adalah untuk men5ari model yang
5o5ok dan keterpautan yang kuat antara model dengan data yang ada
Pengu$ian keberartian parameter (koe#isien * se5ara parsial dapat dilakukan
melalui "$i Bald dengan hipotesisnya sebagai berikut:
-
8/16/2019 andakat
7/22
8 9o: $ + 0 (ariabel bebas ke $ tidak mempunyai pengaruh se5ara
signi#ikan terhadap ariabel tidak bebas*
8 91: $ ; 0 (ariabel bebas ke $ mempunyai pengaruh se5ara signi#ikan
terhadap ariabel tidak bebas* < "ntuk $ + 1=.==p
8 Dengan statistik u$i sebagai berikut:
1 9ipotesis akan ditolak $ika p8alue C @ yang berarti ariabel bebas -$
se5ara partial mempengaruhi ariabel tidak bebas L
Odd' Ra*i(
dds ratio merupakan ukuran risiko atau ke5enderungan untuk mengalami
ke$adian Ssukses S antara satu kategori dengan kategori lainnya= dide#inisikan
sebagai ratio dari odds untuk )$ + 1 terhadap )$ + 0 dds ratio ini
menyatakan risiko atau ke5enderungan pengaruh obserasi dengan )$ + 1
adalah berapa kali lipat $ika dibandingkan dengan obserasi dengan )$ + 0
"ntuk ariabel bebas yang berskala kontinyu maka interpretasi dari koe#isien
$ pada model regresi logistik adalah setiap kenaikan 5 unit pada ariabel bebas akan menyebabkan risiko ter$adinya L + 1= adalah e)p(5$* kali lebih
besar
dds ratio dilambangkan dengan T= dide#inisikan sebagai perbandingan
dua nilai odds )$ + 1 dan )$ + 0= sehingga:
$ Re%&e'i P(i'(n
Proses Poisson berhubungan dengan menghitung $umlah suatu ke$adian
diskrit pada selang 2aktu kontinyu 4ebagai 5ontoh misalnya: mengobserasi
berapa $umlah telepon yang masuk pada $angka 2aktu tertentu= atau berapa
$umlah orang yang mengantri tiap harinya &erdasarkan Mood etal(1IIJ*
se5ara umum bentuk distribusi Poisson adalah sebagai berikut :
-
8/16/2019 andakat
8/22
Pada distribusi Poisson nilai harapan dan arian5e mempunyai nilai yang
sama yaitu :
menurut Mood etal (1IIJ* distribusi Poisson menyediakan model yang
nyata untuk ke$adian yang a5ak Ke$adian a5ak tersebut dihitung $umlahnyamaka merupakan distribusi Poisson &erdasarkan 'ambar dapat dilihat bah2a
$ika $umlah ke$adian besar maka akan mendekati distribusi normal= tetapi $ika
$umlah ke$adian ke5il maka tidak berbentuk normal lagi= karena itu bentuk
Poisson ini 5o5ok untuk memodelkan kasus dengan $umlah ke$adian yang
$arang ter$adi
4alah satu #enomena dimana peubah responnya diskret adalah #enomena
banyaknya ke$adian yang $arang ter$adi Misalnya banyaknya ke5elakaan
mobil setiap bulan= banyaknya hu$an badai setiap tahun= banyaknya
kebakaran hutan setiap tahun= banyaknya barang yang 5a5at dalam suatu
produksi tertentu Data yang diperoleh berupa 5a5ahan Model regresi yang
dapat digunakan untuk men$elaskan hubungan antara peubah bebas dengan
peubah respon berupa 5a5ahan adalah regresi Poisson !egresi poisson sama
halnya dengan regresi pada umumnya $uga terbagi atas analisis regresi
poisson sederhana dan berganda
Adapun Asumsi dari Analisis !egresi poisson yaitu :
1 ariabel respon berdistribusi poisson
. ariabel dependen harus diskrit
3 Metode regresi Poisson mempunyai asumsi eRui8dispersion= yaitu kondisi
dimana nilai mean dan arians dari ariabel respon bernilai sama
(eRuidispersi yang berarti nilai ariansi dari ariabel respon L yang
diberikan oleh -+)harus sama dengan nilai meannya yaitu ar(L$)*
+(L$)* +U
-
8/16/2019 andakat
9/22
Dalam penggunaan model regresi Poisson= nilai parameter8parameter yang
tidak diketahui sehingga harus ditaksir terlebih dahulu "ntuk penaksirannya
digunakan metode maksimum likelihood 4etelah taksiran parameter
diketahui maka dilakukan u$i signi#ikansi model Pengu$ian yang dilakukan
adalah :
-
8/16/2019 andakat
10/22
BAB II
PE-BA3ASAN
2$ Re%&e'i P&()i*
Da*a
3ASIL TES
TERTULIS
JENIS
KELAS
NILAI TES
PRAKTIKU-
10 10 JI
10 10 J0
00 00 60
00 00 6G
10 10 7J
10 10 JQ
10 00 J7
10 10 IG
10 10 100
00 00 J0
00 00 60
00 00 6Q
00 00 6010 10 J0
00 00 70
10 00 J0
00 00 70
00 00 70
00 00 60
00 00 60
10 10 J6
10 10 JG
10 00 70
00 00 6Q
00 00 70
10 10 JI
10 10 7I
00 00 67
10 10 100
10 10 I0
-
8/16/2019 andakat
11/22
Lan%kah 4 nputkan data pada !85ommander Pilih Data ? mpor data ?
Data set dari )5el= A55es atau dbase ? berinama tugas. ? pilih data ? pen
Lan%kah 2 4 Pilih 4heet1 ? K
Maka data akan masuk pada !85mdr
Lan%kah 4 4ebelum melakukan analisis= kita mengubah ariabel dummy
dari angka men$adi #aktor Pilih Data ? Atur peubah pada dataset akti# ?
Konersi peubah numerik ke #aktor
-
8/16/2019 andakat
12/22
Lan%kah 5 4 pilih ariabel 9asil >est >ertulis ? pada leel Eaktor pilih
'unakan angka ? K
Lan%kah ! 4 Maka akan mun5ul tampilan berikut= untuk 9asil >est >ertulis
isikan 0 + tidak lulus dan 1 + lulus ? K
-
8/16/2019 andakat
13/22
Lan%kah # 4 Pilih Data ? Atur peubah pada dataset akti# ? Konersi peubah
numerik ke #aktor Kemudian pada tampilan diba2ah ini= pilih Fenis Kelas ?
pada eel #aktor pilih 'unakan angka ? K
Lan%kah 6 4 Maka akan mun5ul tampilan berikut= untuk Fenis Kelas isikan 0
+ non regular dan 1 + regular ? K
Lan%kah 7 4 "ntuk melakukan analisis regresi probit= pilih 4tatistika ?
Pen5o5okan model ? Model inier >ergeneralisir
-
8/16/2019 andakat
14/22
Lan%kah 8 4 Kemudian akan ditampilkan $endela seperti di ba2ah ini
Masukan 9asil >es >ertulis V %ilai >est Praktikum , Fenis Kelas
Kemudian pada kolom Eamili pilih binomial= dan untung Eungsi hubungan
pilih Probit ? klik K
Ou*+u*
Ana.i'i'
&erdasarkan hasil output di atas dapat dianalaisis sebagai berikut:
Persamaan !egresi Probit sebagai berikut :
Probit [ μ ( x ) ]=α + β1 x1+ β2 x2
-
8/16/2019 andakat
15/22
Probit [ μ ( x ) ]=−11,6642+1,5039 x1+5,6043 x2
π ( x )= e−11,6643+1,5039 X 1+5,6043 X 2
1+e−11,6643+1,5039 X 1+5,6043 X 2
U/i Pa&'ia.
9 Un*uk :a&ia)e. Ni.ai Te'* P&ak*ikum ;est Praktikum (-1* tidak
ada pengaruh signi#ikan terhadap ariabel 9asil >est (L** H 1:
β1≠0 (se5ara indiidu ariabel %ilai >est Praktikum (-1* ada
pengaruh signi#ikan terhadap ariabel 9asil >est (L**
b >ara# 4igni#ikansi :α
+ QW + 0=0Q
5 4tatistik "$i : p-value + 0=0317
d. Daerah Kritis : H 0 ditolak $ika p-value ¿α
e. Keputusan : p-value (0=0317* ¿ α (0=0Q* maka H 0
ditolak
# Kesimpulan :
&erdasarkan keputusan bah2a H 0 ditolak= maka dapat diperoleh
kesimpulan yaitu se5ara indiidu ariabel %ilai >est Praktikum (-1* ada
pengaruh signi#ikan terhadap ariabel 9asil >est (L*
29 Un*uk :a&ia)e. Jeni' Ke.a' ;est (L** H 1:
β1≠0
(se5ara indiidu ariabel Fenis Kelas (-.* ada pengaruh
signi#ikan terhadap ariabel 9asil >est (L**
b >ara# 4igni#ikansi : α + QW + 0=0Q
-
8/16/2019 andakat
16/22
5 4tatistik "$i : p-value + 0=IIQ.
d. Daerah Kritis : H 0 ditolak $ika p-value
¿α
e. Keputusan : p-value (0=IIQ.* ¿ α (0=0Q* maka H 0 tidak
ditolak
# Kesimpulan :
&erdasarkan keputusan bah2a H
0 tidak ditolak= maka dapat
diperoleh kesimpulan yaitu se5ara indiidu ariabel Fenis Kelas (-.* tidak
ada pengaruh signi#ikan terhadap ariabel 9asil >est (L*
Dikarenakan ariabel Fenis Kelas se5ara indiidu tidak berpengaruh se5arasigni#ikan= maka model men$adi:
Probit [ μ ( x ) ]=−11,6642+1,5039 x1
Karena ariabel $enis kelas se5ara statistik tidak berpengaruh se5ara
signi#ikan= maka yang kita modelkan dan interpretasikan hanya ariabel
nilai tes praktikum sa$a >api= ariabel $enis kelas ini dikatakan tidak
signi#ikan se5ara statistik= bukan berarti pengaruhnya tidak ada (nol rasio*=
melainkan ada pengaruhnya= hanya sa$a sangat ke5il
2$2 Re%&e'i L(%i'*ik Bine&
Da*a
angkah8langkah yang dilakukan sama dengan regresi probit= tapi ketika
ditampilkan $endela seperti berikut= pada bagian hubungan dipilih logit=
kemudian klik K
-
8/16/2019 andakat
17/22
Ou*+u*4
&erdasarkan hasil output di atas dapat dianalaisis sebagai berikut:
Persamaan !egresi ogistik &iner sebagai berikut :
π ( x )= e−19,856+2,552 X 1+19,005 X 2
1+e−19,856+2,552 X 1+19,005 X 2
U/i Pa&'ia.
9 Un*uk :a&ia)e. Ni.ai Te'* P&ak*ikum ;est Praktikum (-1* tidak
ada pengaruh signi#ikan terhadap ariabel 9asil >est (L**
-
8/16/2019 andakat
18/22
H 1: β1≠0 (se5ara indiidu ariabel %ilai >est Praktikum (-1* ada
pengaruh signi#ikan terhadap ariabel 9asil >est (L**
b >ara# 4igni#ikansi : α + QW + 0=0Q
5 4tatistik "$i : p-value + 0=0GJ.
d. Daerah Kritis : H 0 ditolak $ika p-value ¿α
e. Keputusan : p-value (0=0GJ.* ¿ α (0=0Q* maka H 0
ditolak
# Kesimpulan :
&erdasarkan keputusan bah2a H 0
ditolak= maka dapat diperoleh
kesimpulan yaitu se5ara indiidu ariabel %ilai >est Praktikum (-1* ada
pengaruh signi#ikan terhadap ariabel 9asil >est (L*
29 Un*uk :a&ia)e. Jeni' Ke.a' ;est (L**
H 1: β1≠0 (se5ara indiidu ariabel Fenis Kelas (-.* ada pengaruh
signi#ikan terhadap ariabel 9asil >est (L**
b >ara# 4igni#ikansi : α + QW + 0=0Q
5 4tatistik "$i : p-value + 0=II6Q
d. Daerah Kritis : H 0 ditolak $ika p-value ¿α
e. Keputusan : p-value (0=II6Q* ¿ α
(0=0Q* maka H 0 tidak
ditolak
# Kesimpulan :
&erdasarkan keputusan bah2a H
0 tidak ditolak= maka dapat
diperoleh kesimpulan yaitu se5ara indiidu ariabel Fenis Kelas (-.* tidak
ada pengaruh signi#ikan terhadap ariabel 9asil >est (L*
Dikarenakan ariabel Fenis Kelas se5ara indiidu tidak berpengaruh se5ara
signi#ikan= maka model men$adi:
-
8/16/2019 andakat
19/22
π ( x )= e−19,856+2,552 X 1
1+e−19,856+2,552 X 1
Karena ariabel $enis kelas se5ara statistik tidak berpengaruh se5ara signi#ikan=
maka yang kita modelkan dan interpretasikan hanya ariabel nilai tes praktikum
sa$a >api= ariabel $enis kelas ini dikatakan tidak signi#ikan se5ara statistik= bukan
berarti pengaruhnya tidak ada (nol rasio*= melainkan ada pengaruhnya= hanya sa$a
sangat ke5il
Odd' Ra*i(
"ntuk men5ari nilai ratio= pilih model ? nteral Keyakinan
Pilih statistik Bald= dengan eel keyakinan 0=IQ Kemudian klik K
Da&i E'*ima*e ;B"Ni.ai Te'* P&ak*ikum9 + 1.=J3.Q6 artinya ke5enderungan
mahasis2a $urusan teknik sipil untuk lulus tes tertulis berhubungan positi# dengan
nilai tes praktikum 4etiap peningkatan nilai tes praktikum sebesar satu poin=
membuat ke5enderungan lulus tes tertulis 1.=J3.Q6 kali
2$ Re%&e'i P(i'(n
-
8/16/2019 andakat
20/22
Da*a
&erdasarkan hasil output di atas maka diperoleh persamaan atau model !egresi
Poisson sebagai berikut :
log ^ μ=α + β1 x1+ β2 x2
log ^ μ=α +1264 x1+0,008981 x2
In*e&+&e*a'i 4
Model ?? >ambahkan obserasi
Pada kotak dialog Add obseration statisti5s to data : 5entang Eitted alues= lalu
K
-
8/16/2019 andakat
21/22
9asil output :
-
8/16/2019 andakat
22/22
DAFTAR PUSTAKA
http://2a$ibstatblogspot5oid/.013/0G/konsep8regresi8logistik85ontoh8dengan
html = diakses pada .J ktober .01Q= pukul .000 B&
http://statistik5eriablogspot5oid/.013/01/konsep8regresi8logistik8biner8
dikotomihtml
https://ariyoso2ordpress5om/5ategory/teknik8regresi/
http://wajibstat.blogspot.co.id/2013/04/konsep-regresi-logistik-contoh-dengan.%20htmlhttp://wajibstat.blogspot.co.id/2013/04/konsep-regresi-logistik-contoh-dengan.%20htmlhttp://statistikceria.blogspot.co.id/2013/01/konsep-regresi-logistik-biner-dikotomi.htmlhttp://statistikceria.blogspot.co.id/2013/01/konsep-regresi-logistik-biner-dikotomi.htmlhttps://ariyoso.wordpress.com/category/teknik-regresi/http://statistikceria.blogspot.co.id/2013/01/konsep-regresi-logistik-biner-dikotomi.htmlhttp://statistikceria.blogspot.co.id/2013/01/konsep-regresi-logistik-biner-dikotomi.htmlhttps://ariyoso.wordpress.com/category/teknik-regresi/http://wajibstat.blogspot.co.id/2013/04/konsep-regresi-logistik-contoh-dengan.%20htmlhttp://wajibstat.blogspot.co.id/2013/04/konsep-regresi-logistik-contoh-dengan.%20html