<\/p>\n
Regresi logistik<\/strong> adalah metode yang dapat kita gunakan untuk menyesuaikan model regresi ketika variabel responnya<\/a> adalah biner.<\/span><\/p>\n Sebelum menyesuaikan model ke kumpulan data, regresi logistik membuat asumsi berikut:<\/span><\/p>\n Regresi logistik mengasumsikan bahwa variabel respon hanya memiliki dua kemungkinan hasil. Berikut beberapa contohnya:<\/span><\/p>\n Cara memeriksa asumsi ini:<\/strong> Cukup hitung jumlah hasil unik yang terjadi pada variabel respon. Jika terdapat lebih dari dua kemungkinan hasil, Anda perlu melakukan regresi ordinal<\/a> .<\/span><\/p>\n Regresi logistik mengasumsikan bahwa observasi dalam kumpulan data tidak bergantung satu sama lain. Artinya, observasi tidak boleh berasal dari pengukuran berulang terhadap individu yang sama atau terkait satu sama lain dengan cara apa pun.<\/span><\/p>\n Cara menguji hipotesis ini:<\/strong> Cara paling sederhana untuk menguji hipotesis ini adalah dengan membuat plot residu terhadap waktu (yaitu urutan pengamatan) dan mengamati apakah terdapat tren acak atau tidak. Jika tidak<\/em> ada pola acak, asumsi ini bisa dilanggar.<\/span><\/p>\n Regresi logistik mengasumsikan bahwa tidak ada multikolinearitas<\/a> yang serius antara variabel penjelas<\/a> .<\/span><\/p>\n Multikolinearitas terjadi ketika dua atau lebih variabel penjelas berkorelasi tinggi satu sama lain, sehingga tidak memberikan informasi unik atau independen dalam model regresi. Jika tingkat korelasi antar variabel cukup tinggi, hal ini dapat menimbulkan masalah saat menyesuaikan dan menafsirkan model.<\/span><\/p>\n Misalnya, Anda ingin melakukan regresi logistik menggunakan lompatan vertikal maksimum<\/strong> sebagai variabel respons dan variabel berikut sebagai variabel penjelas:<\/span><\/p>\n Dalam hal ini, tinggi badan<\/strong> dan ukuran sepatu<\/strong> kemungkinan besar berkorelasi karena orang yang lebih tinggi cenderung memiliki ukuran sepatu yang lebih besar. Artinya multikolinearitas kemungkinan besar akan menjadi masalah jika kita menggunakan kedua variabel tersebut dalam regresi.<\/span><\/p>\n Cara memeriksa asumsi ini:<\/strong> Cara paling umum untuk mendeteksi multikolinearitas adalah dengan menggunakan variance inflasi faktor (VIF), yang mengukur korelasi dan kekuatan korelasi antar variabel prediktor dalam model regresi. Lihat tutorial ini<\/a> untuk penjelasan mendetail tentang cara menghitung dan menafsirkan nilai VIF.<\/span><\/p>\n Regresi logistik mengasumsikan bahwa tidak ada outlier ekstrim atau observasi yang berpengaruh dalam kumpulan data.<\/span><\/p>\n Cara memeriksa asumsi ini:<\/strong> Cara paling umum untuk menguji outlier ekstrem dan observasi berpengaruh dalam kumpulan data adalah dengan menghitung jarak Cook<\/a> untuk setiap observasi. Jika memang terdapat outlier, Anda dapat memilih untuk (1) menghapusnya, (2) menggantinya dengan nilai seperti mean atau median, atau (3) menyimpannya dalam model namun mencatatnya saat melaporkan regresi. . hasil.<\/span><\/p>\n Regresi logistik mengasumsikan adanya hubungan linier antara setiap variabel penjelas dan logit variabel respon. Ingatlah bahwa logit didefinisikan sebagai:<\/span><\/p>\n Logit(p) = log(p \/ (1-p)) dengan p adalah probabilitas hasil positif.<\/span><\/p>\n Cara menguji hipotesis ini:<\/strong> Cara termudah untuk mengetahui apakah hipotesis ini benar adalah dengan menggunakan uji Box-Tidwell.<\/span><\/p>\n Regresi logistik mengasumsikan bahwa ukuran sampel kumpulan data cukup besar untuk menarik kesimpulan yang valid dari model regresi logistik yang sesuai.<\/p>\n Cara memeriksa hipotesis ini:<\/strong> Sebagai aturan praktis, Anda harus memiliki minimal 10 kasus dengan hasil paling jarang untuk setiap variabel penjelas. Misalnya, jika Anda memiliki 3 variabel penjelas dan probabilitas yang diharapkan dari hasil yang paling jarang terjadi adalah 0,20, maka Anda harus memiliki ukuran sampel minimal (10*3) \/ 0,20 = 150<\/strong> .<\/span><\/p>\n Berbeda dengan regresi linier, regresi logistik tidak memerlukan:<\/span><\/p>\n Terkait:<\/span><\/strong> Empat Asumsi Regresi Linier<\/a><\/p>\n 4 Contoh Penggunaan Regresi Logistik dalam Kehidupan Nyata<\/a> Regresi logistik adalah metode yang dapat kita gunakan untuk menyesuaikan model regresi ketika variabel responnya adalah biner. Sebelum menyesuaikan model ke kumpulan data, regresi logistik membuat asumsi berikut: Asumsi #1: variabel respon adalah biner Regresi logistik mengasumsikan bahwa variabel respon hanya memiliki dua kemungkinan hasil. Berikut beberapa contohnya: ya atau tidak Laki laki atau perempuan […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Asumsi #1: variabel respon adalah biner<\/strong><\/span><\/h3>\n
\n
Hipotesis #2: observasi bersifat independen<\/strong><\/span><\/h3>\n
Hipotesis #3: tidak terdapat multikolinearitas antar variabel penjelas<\/strong><\/span><\/h3>\n
\n
Asumsi #4: Tidak ada outlier yang ekstrim<\/strong><\/h3>\n
Hipotesis #5: Terdapat hubungan linier antara variabel penjelas dan logit variabel respon<\/strong><\/span><\/h3>\n
Asumsi #6: Ukuran sampel cukup besar<\/strong><\/span><\/h3>\n
Asumsi Regresi Logistik vs. Regresi linier<\/strong><\/span><\/h3>\n
\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi logistik di SPSS<\/a>
Cara Melakukan Regresi Logistik di Excel<\/a>
Cara melakukan regresi logistik di Stata<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"