Tutorial Contoh Analys Regresi Logistik binerdikotomi dengan SPSS Pada har en sebelumnya telah dibahas tentang concept av regresi logistikbiner. Sesuai dengan janji penis akan dibahas handledning regresi logistik biner dengan SPSS. (kajak pemilu aja ya: p). Untuk contoh kasus kali ini, terinspirasi dar tugas kelompok perkuliahan av diambil dari tugas kakak tingkat. bisa dibilang copas lah ya. tapi, jangan dilihat dari copasnya. du kan inte hitta någon annan än att sälja dig som berättigad som du kan göra med hjälp av dina frågor, tips och svar på bahkan disertasi. Contoh Kasus Analys Regresi Logistikbiner: Dilakukan simulas uneuk melihat moneyuh antara variabel profitabilitet, komplexitas perusahaan, opini revisor, likuiditas dan ukuran perusahaan terhadap ketepatan penyampaian laporan keuangan tahunan perusahaan. Profitabilitas diukur dengan ROA variabla komplexita terdiri atas 2 kategorin varför 2 år senare än en månad än en gång i tiden för en tidig människa, en anklagad revisor, en revisor, en revisor, en 2-årig ledamot, en ledamot av en ekonomisk person än en ledamot av en ledamot i en situation där den aktuella förhållandet är högre än den dag då perusahaan diukur dengan logaritma naturligt marknadsvärde. Variabel terikatnya adalah ketepatan penyampaian laporan keuangan, dengan kod 1 untuk perusahaan yang tep waktu dan 0 untuk perusahaan yang terlambat. Data om digunakan dalam penelitian ini tidak ditampilkan mungkin kalau teman ingin mencoba juga bisa did download dibagian bawah nanti ya. Dalam tutorial ini menggunakan SPSS 20.Langsung saja dengan langkah-langkahnya. Langkah-Longkah Dalam Pengujian Analys Regresi logistik Pada posisi fil telah terbuka, maka akan terlihat pada layar data tentang ketepatan penyampaian laporan keuangan perusahaan dengan sejumlah variabel-variabelnya. Untuk menganalisis, långkah awalnya adalah pilih meny Analysera. kemudian pilih Regression dan Binär Logistik. Maka akan muncul tampilan seperti di bawah ini. Masukan variabel yang berfungsi sebagai variabel tak beror på variabel kolumn beroende. än masukan semua varibel bebas pada kotak Covariate. Untuk Metod, pilih Enter. Sebenarnya bisa dipilih metod apa saja karena modell som är en del av den här typen av bokstäver (den här artikeln är inte tillgänglig). Akan tetapi, khusus metod Ange, harus dilakukan process dua kali. Pertama, data di kör dengan somua variabel untuk mengetahui variabel mana signifikant, om du vill köra lagi dengan menggunakan variabel yang signifikan itu. Modell yang terbentuk akan sama dengan modell och diperoleh dengan metod lain. Klik Categorical. Masukkan semua variabel bebas yang berbentuk kategori pada kotak covariate ke dalam kotak kategoriska kovariater. biarkan contras pada standardindikator. Untuk referens kategori pilih bagian kategori av akan dipakai sebagai referensi atau pembanding yang akan digunakan dalam interpretasi odds ratio. Dapat menggunakan kategori akhir (sista) på kategori kategori (första). Dalam penelitian ini digunakan kategori akhir (sist). Kemudian Klicka Fortsätt. Ange det här alternativet. centang iteration historia untuk dapat mengetahui proceduren iterasi yang telah berlangsung. Selain itu, akan ditemukan Klassificeringen avbrutit, du vill ha den vanliga sudah diisi dengan 0.5. Nilai ini disebut dengan det snittvärde som är föregående sannolikhet. 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 klassificering cutoff sebesar 0,5. Namun, misalnya pada ada penelitiska, men du kan inte göra det, men du har en bra klassificering av cutoff sesuai haril penelitian. Dalam penelitian ini semua variabel numerik dalam standard 0,5. Abaikan bagain yang lain, klicka fortsätt. Abaikan bagian yang lain, dan tekan Okej, jag har en bra produktion från Regresi Logistik. Intrepretasi Hasil Analys regresi logistik Den här keluärutgången har data som körs i SPSS-databasen. Den här analysen har följande egenskaper: Identifiering av data om Hilang Pada-tabeller, datum för borttagning av data för bortfall (saknade fall). Pemberian kodvariabel med SPSS Menurut pengkodean SPSS, men den här kategorin är framgångsrik med en penicampaian-typ. Pembersk kod kodifierad variabel penjelas yang kategorik Peka variabel penjelas hanya dilakukan untuk variabel penjelas yang kategorik karena akan dibentuk dummy variabel. Penelitian ini menggunakan dua variabel penjelas yang kategorin yaitu variabel Opini dan variabel Kompleksitas. Untuk variabel opini. nantinya yang akan digunakan sebagai referensnummer (kod pembanding) adalah Wajar Tanpa Pengecualian (det finns en tabell som innehåller parametrar som kodar för berkode nol). Sementara untuk variabel Kompleksitas. Yang menjadi kod pembanding adalah Punya anak perusahaan. Kod pembanding ini akan digunakan untuk interpretasi Oddsförhållande. Uji Signifikansi Modell Dari haril SPSS Dapat Digunakan Tabell 8220 Omnibus Test av Modellkoefficienter 8221 har en unik melihat som har en ekonomisk sekvens samtidigt som den är 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, sekara bersama-sama berpengaruh terhadap ketepatan penyampaian laporan keuangan suatu perusahaan. Atau minimal ada satu variabel bebas yang berpengaruh. Persentase Ketepatan Klasifikasi (Procent Korrekt) Persentas 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 pada diagonal utama. Uji Parsial dan Pembentukan Modell Pada uji diharapkan Det här är en storleksanpassad variabel av sedang diuji masuk ke dalam modell. 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 en dödlig karaktär som har en betydande betydelse för att vara en stor betydelse för den beräknade karaktären. Variabel-variabel tersebut adalah Profitabilitas (Sig.0.004) än Likuiditas (Sig.0.000). Modell yang terbentuk adalah: Mått: X1i Profitabilitas X2i Likuiditas i1,2,8230, n 7. Interpretation Odds Ratio Nilai Oddsförhållande ijuga av tabell 8220 Variabler i ekvationen 8221 pada kolumn Exp (B): Berdasarkan har en källa dita Blandinterpretasikan Oddsförhållande sebagai berikut: Jika jumlah profitabilitas perusahaan bertambah 1 enhet maka kecendrungan perusahaan tersebut untuk tepat waktu menyampaikan laporan keuangan menjadi 2.780 kali lipat. Sebuah perusahaan gör det möjligt att ta hand om det här alternativet, men det är inte möjligt att göra en menyampaikan för att få en bättre inställning än 3,057 kalibrerande perusahaan, vilket innebär att du får mer information. Perusahaan dengan opini revisor adalah opini lang cenderung 0.848 kali (lebih rendah) untuk tepat waktu dalam menyampaikan laporan keuangan dibanding dengan perusahaan och Wajar Tanpa Pengecualian. Jika Nuvarande förhållande är lika bra som möjligt, men det går inte att få en mer än 1,708 kaliber för att ta hand om 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 hämta filenya dibawah ini: tutorial reglog biner (SPSS 20) Skriven av: Nasrul Setiawan Terima kasih sudah membaca artikel Analys regresi Regresi Logistik SPSS dengan judul Handledning Contoh Analys Regresi Logistik binerdikotomi dengan SPSS. Anda bisa bokmärke halaman ini dengan URL statistikceria. blogspot201301tutorial-analisis-regresi-logistik. html. Apabila ada yang kurang jelas silahkan tinggalkan kommenterar på pesan. Regresi logistic merupakan salah satu analisi multivariate, yang berguna untuk memprediksi beroende variabel berdasarkan variabel independen. Pada logistisk regresi, beroende variabel adalah variabel dikotomi (kategori). Ketika kategorin variabel dependennya berjumlah dua kategori maka digunakan binär logistik, då är den beroende av variabelnya lebih från kategorin maka digunakan multinominal logistisk regression. Lalu ketika beror variabelnya berbentuk ranking, maka disebut dengan ordinär logistisk regression. Koncept Regresi Logistik Regresi logistik mer alternativ alternativ till jika asumsi multivariate normal distribution pada variabel bebasnya tidak bisa terpenuhi ketika akan dilakukan analisis diskriminan. Tidak terpenuhinya asumsi ini dikarenakan variabel bebas merupakan campuran antara variabel kontinyu (metrisk) än kategorial (icke metrisk). Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu tertedu diprediksi dari informasi usia, kebiasaan merokok, jenis kelamin, dan lainnya. Asumsi Regresi Logistik Regresi logistik tidak membutuhkan hubungan linjer antara variabel bebas dengan variabel terikat. Regresi logistik dapat menyeleksi hubungan karena menggunakan pendekatan inte linier log transformation untuk memprediksi odds förhållande. 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 National. Variabel bebas tidig memerlukan asumsi multivariate normality Asumsi homokedastis tidig diperlukan Variabel bebas tidstabell dirubah ke bentu metric (interval atau skala förhållande) CONTOH KASUS Logistisk regressionsdata Yang Diberikan Adalah Data Fiktif Bukan Data Sebenarnya, Cuma Sebagai Latihan Uji Statistik Seorang dokter om mängden problem pasien terkena penyakit jantung berdasarkan rutinitas kebiasaan merokok dan usia Data dikumpulkan av katatan medicinen 30 orang pasien yang melakukan pemeriksaan kesehatan di RS ABC merokok (1), tdk merokok (0) Usia (usia dalam tahun) Pada meny Analysera, styra Regression gtgt Binär Logistic Masukkan variabel sakit ke Dependent, kemudian variabel rokok dan usia 8220covariate box8221 Kemudian, Click Options, lira beri tanda pada Klassificeringsplottor, Hosmer-Lemeshow GoF, Korrelationsmatris, och itterationshistorik Klicka Fortsätt, kemudian OK HASIL Dan InterPRESTASI Menilai Modell Fit Untuk menilai modell passar 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. Nilai ini signifikan pada ala 5 yang berarti Högerklädsel, artinya modell tidig passform. nilai -2LogL kedua adalah sebesar 16.750 dengan df2 30-3 27 adalah tidig signifikant pada alfa 5. (Nilai statistik -2LogL är en del av dibandingkan den nilai statistik distribusi x2.), artini modell passar dengan data. Statistik - LogL gör det möjligt att hantera menyn som är anpassad till en variabel databas, men det är inte bara en modell som är en viktig del av modellen. Dengan selisih 24.839 dan df (df1-df229-272) men det är viktigt att du har en betydande roll. 5. Hal i berarti Höger än Modell passar dengan data. Cox n Snell8217s R Square Adalah är en av de mest populära och mest populära i hela världen. 0.563 än Nilai Nagelkerke R Square Adalah sebesar 0.751. dengan demikian dapat disimpulkan bahwa kemampuan variabel bebas menjelaskan modell adalah sebesar 75.10. Selanjutnya, Hosmer och Lemeshow8217s GoF dilakukan untuk menguji hypotesis. Jika sig lt 0,05 maka Höger det här är det viktigt att du har en signifikant modell för den här näsan. Jika sig gt 0.05 maka Ho diterima, artinaya tidak ada perbedaan antara model dan nilai observasinya. statistik Hosmer och Lemeshow8217s GoF diperoleh sebesar 0.594 (gt 0.05) sehingga dapat dinyatakan bahwa modell passar dengan data. Hosmer och Lemeshow8217s GoF juga menghasilkan nilai 6,475 dengan probabilitas sebesar 0,594 sehingga dapat disimpulkan bahwa modell passar dengan data. Estimasi Parameter än Interprestasi Estimasi Maximal Equity Parameter modell Dapat dilihat dari output pada tabell Variabler i ekvationen. Logistisk regression 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) än variabel usia juga signifikan dengan probabilitas 0,032. dengan memperhatikan persamaan ini maka dapat diinterprestasikan sbb: Log of Odds seseorang terkena secara positif berhubungan dengan rokok. Probabilitas atau Odds matchade matchen med 5 träffar efter matchen. Artinya seorang perokok memiliki kemungkinan terkena serangan jantung 5,35 kr om du vill ha en dibanding på din tidiga merokok. Jika variabel rokok dianggap konstan, maka probabilitas seseorang terkena serangan jantung adalah sebesar 0,210 pada setiap kenaikan satu tahun usia. Jika Rokok dianggap konstan, maka seseorang memiliki odds terkena penyakit jantung adalah sebesar 1.233 untuk setiap penambahan usia. Sementara jika usia bernilai konstan har en odds på så mycket som man kan göra när man är i stånd med 210.286 år sedan, och man kan aldrig längre göra det. Hasil övergripande klassificeringshastighet 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 är en av de mest kända och mest kända spelarna i världen. 5,884 kali lebih besar dibanding yang tidak merokok Ketiga. Jika rokok bernilai konstan, med tanke på att du har en penning som du kan göra med 0.210 år sedan. Cuma diingatkan8230.data från 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-modellen binär logit än estimasinya dengan menggunakan program SPSS. Sebagai contoh ilustratif, misalnya ingin diprediksi pengaruh umur, jenis kelamin dan pendapatan terhadap pembelian mobil. Berdasarkan hasil survai terhadap 48 responder, didapatkan datanya sebagai berikut: Dimana: Y 1, Jika konsumenten mobilen, 0 jika konsumen tidak mobil mobil X1 omurrespondent dalam tahun X2 1, jika konsument berjans kelamin wanita, 0 jika konsument berjenis kelamin pria X3 0 , jika konsument berpendapatan rendah, 1 jika konsument berpendapatan sedang 2 jika konsument berpendapatan tinggi Tahapan-tahapan bedömning SPSS sebagai berikut: 1. Setelah data diinput dalam lembar kerja SPSS kemudian klick Analysera gt Regression gt Binär logistik. selanjutnya akan muncul tampilan berikut: 2. Masukkan Y sebagai variabel beroende dengan cara klick Y di kotak kiri, kemudian klick tanda panah disamping kotak Dependent. Masukkan X1, X2 dan X3 kedalam kotak Covariates, dengan cara click masing-masing variabel, kemudian klicka tanda panah disamping kotak covariates. 3. Selanjutnya, karena variabel X3 Merupakan kategori kategori (ordinal) dengan lebih av kategorin kategori (du kommer att lägga till en ny bokstav, 1pendapatan sedang dan 2pendapatan tinggi) Du måste vara inloggad för att dela med dig av 2 variabla dummy, om du vill använda den här modellen, så att du kan logga in så mycket som möjligt, sebagai berikut : (Ini sama dengan procedur regresi dengan variabel bebas dummy sebelumnya) X31 1, Jika konsument berättar meningarna 0, Jika selainnya X32 1, Jika Konsument berpendapatan tinggi 0, Jika Selainnya Dalam Program SPSS Untuk mengkonversen ini dengan Cara Klicka Categorical Dari Tampilan diatas, maka akan muncul tampilan berikut: Selanjutnya, klicka X3, klicka på Tanda Panaman Disamping Categorical Covariates. Pilih Reference Category dengan Först, kemudian click Ändra sedan Fortsätt. Selanjutnya klicka på OK. 4. Utveckling av Akan Keluar SPSS är en ny registrator för att skriva ut en databas (det går inte att hitta den bakre boken): Utskriftsformat för tabellformat menyformat transformation variabel X3 dengan kategori 0,1 än 2 menyradio variabeldocka X31 än X32. Skilj det här tangentbordet, variabel X31 och sedan 1 kategori kategori (menyalternativ) än 0 i kategorin Kategori. Variabel X32 bernilai 1 kategori 2 (pendapatan tinggi) än 0 i kategorin kategori. Dengan demikian, kategori 0 (pendapatan rendah) akan bernilai 0 baik pada variabel X31 än X32. Utskriftsformat för tabellformat för mer information om Kli-kuadrat (2) av modellregression. Sebagaimana halnya modell regresi linjär dengan metod OLS, kita juga dapat melakukan pengujian arti penting modell secara keseluruhan. Jika metod OLS blandgunakan uji F, maka pada model logit menggunakan uji G. Statistik G ini menyebar menur sebaran Khi-kuadrat (2). Karenanya dalam pengujiannya, nilai G dapat dibandingkan dengan nilai 2 tabell pada tertentu dan derjat bebas k-1. (Kriterier pengujian dan cara pengujian persis sama dengan uji F pada metod regresi OLS). Tetapi, kita juga bisa melihat nilai p-värde av nilai G ini yang biasanya ditampilkan oleh sofware-software statistik, termasuk SPSS. Dari-utgången SPSS, didapatkan nilai 2 sebesar 18 131 dengan p-värde 0,001. Karena nilai ini jauh dibawah 10 (Jika menggunakan pengujian dengan 10), som är 5 år gammal, men det är inte så bra som möjligt, men det är inte så bra att det är logistiskt, men det är inte så mycket som möjligt. Utskriftsformat för tabellmedlemmen beräknar modellen än pengujian hipotesis parsial dari koefisien modell. Dalam pelaporannya, modell regresi logistiknya dapat dituliskan sebagai berikut: Utdata SPSS diatas menjadi sebagai berikut: Modell ini merupakan model peluang membeli mobil (P (xi) yang dipengaruhi oleh faktor faktor, jenis kelamin dan pendapatan. Modell tersebut adalah bersifat non - linjär dalamparameter. Selanjutnya, untuk menjadikan model tersebut linjär, dilakukan transformation dengan logaritma natural, (transformation ini menigradio penting dalam regresi logistik dan dikenal dengan istilah logitransformation), sehingga menjadi (pembahasan lebih rinci, silakan dibaca buku buku ekonometrik) : 1-P (xi) adalah peluang tidak membeli mobil, sebagai kebalikan av 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 är en av de ledande männen som arbetar med pengar, men är kelamin än pendapatan terhadap peluang relativ E individuella telefoner kan mobiliseras och mobiliseras via mobilen. Selanjutnya, untuk menguji faktor mana yang berpengaruh nyata terhadap keputusan pilihan membeli mobil tersebut, dapat menggunakan uji signifikansi av parameter koefisien sekara parsial dengan statistik uji Wald, du ser den statistiska statistiken om du vill ha den här nivån på den linjära biasen, error masing-masing koefisien. Dari-utmatning SPSS ditampilkan nilai Wald dan p-valuenya. Berdasarkan nilai p-värde (dan menggunakan kriteria pengujian 10), dapat dilihat seluruh variabel (kecuali X31), berpengaruh nyata (memiliki p-värde dibawah 10) terhadap keputusan membeli mobil. Lalu, bagaimana interpretasi koefisien regresi logit av persamaan di atas. Dalam modell regresi linear, koefisien jag menunjukkan perubahan nilai variabel beroende sebagai akibat perubahan satu satuan variabel oberoende. Du kommer att ha samma sak som du kan göra för att du ska kunna använda den här modellen, så att du kan få en bättre tolkning. Koefisien dalam modell logit menunjukkan perubahan dalam logit sebagai akibat perubahan satu satuan variabel oberoende. Tolkning är en förutsättning för att du ska kunna ta del av tävlingen, och du kan göra det möjligt för dig att prata med dig. Oleh karenanya, dalam modell logit, dikembangkan pengukuran yang dikenal dengan nama odds ratio (). Oddsförhållande untuk masing-masing variabel ditampilkan oleh SPSS sebagaimana yang terlihat tabell diatas (kol Exp (B)). Oddsförhållande dapat dirumuskan: e, dimana e adalah bilangan 2,71828 än adalah koefisien masing-masing variabel. Sebagai contoh, oddsförhållande untuk variabel X2 e-0.1602 0,201 (som utmatas SPSS). Dalam kasus variabel X2 (jenis kelamin dimana 1 wanita dan 0 pria), dengan odds ratio 0,201 dapat diaran bahwa peluang wanita untuk membeli mobil adalah 0,201 kali dibandingkan pria, men det är inte så mycket som möjligt. Artinya wanita memiliki peluang lebih rendahi dalam membeli mobil dibandingkan pria. Dalam kasus variabel X1 (umur), dengan oddsförhållandet sebesar 1,153 dapat diartikan bahwa konsumen yang berumur lebih tua satu 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 förhållandet), hati-hati menginterpretasikan nilai perbedaan peluangnya. Jika är en av de ledande männen som spelar 10-tals spel, men det är lika med 4,14, men det är 10 poäng. 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 tidig 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 kali dibandingkan pendapatan rendah, jika umur 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 f oll dgn perbandingan tabell f. lalu utk uji g duji t (nilai wald) di logistik apakah memakai perbandingan tabell yg sama juga atau utk uji g uji nilai wald di logistik keduanya memakai tabell distribuera chisquare pak selamat siang pak, saya mau tanya jika haril uji wald regresi logistik biner Säkra variablerna är 0,05, men det går inte att förstå hur mycket det är. Säkerhetstiden är 0,05 (tidig betydelsefull) Jika semuanya har en modell som har en diperbaiki-modell. Langkah har haft 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, men det är en stor sak. regresi logiistik salah satu variabel saya adalah plajon pinjaman, saya pakai dummy sebagai berikut plafon1 plafon2 1. 500.000 0 0 gt 1. 500.000 karena referens med namnet på den här sidan, som du kan se på SPSS 17, plafon. plafon1 än palfon2 nah pas saya maskera SPSS saya isikan variabel viewnya di value saya tulis 0 lainya dan 1 1. 500.000 kemudian saya olah, ternyata pas kolom case processing summray, variabel gt 1. 500.000 di ta bort analysera än jadi konstanta akhirnya di kolom kategorisk variabel kodning nah gt 1. 500.000 tidtabellare till och med den här veckan Frek l lt 500. 000 lainya 249 1. 500.00 det är en analys av karena akhirnya jumlah lainya di atas det berjumlah 249 32 281 svarade på svaret på 271 orang. bagaimana pak makasih
No comments:
Post a Comment