INTERPRETASI OUTPUT PENELITIAN DENGAN ANALISIS REGRESI LOGISTIK MULTINOMIAL (UJI SIMULTAN, UJI PARSIAL, INTERPRETASI EXP(B) & UJI KEBAIKAN MODEL)

INTERPRETASI OUTPUT PENELITIAN DENGAN ANALISIS REGRESI LOGISTIK MULTINOMIAL

(UJI SIMULTAN, UJI PARSIAL, INTERPRETASI EXP(B) & UJI KEBAIKAN MODEL)

Halooo selamat siang sobat semua.. Wah apa kabarnya neh sooob? Moga baik, sehat dan sukses selalu yaaa.. Amin hehehe.. Oke deh, melanjutkan postingan saya tentang analisis regresi logistik (reglog) multinomial, maka dalam postingan kali ini, saya akan berbagi bagaimana interpretasi output reglog multinomial. Naaah, sebelum membaca postingan tentang interpretasi ini, saya sarankan untuk membaca dua postingan sebelumnya bagi sobat yang belum membacanya. Dua postingan sebelumnya berbicara mengenai Konsep Pemahaman Reglog Multinomial, lebih jauh silahkan klik disini dan Tutorial Pengolahan Data Dengan Analisis Reglog Multinomial, lebih jauh silahkan klik disini. 

Oke deeeh, tanpa berlama-lama ayoo kita bahas output hasil pengolahannya sob.. Yaaap, untuk interpretasi output, maka yang pertama kita lihat itu adalah hasil uji simultannya/overall test ya sooob. Dalam reglog multinomial, uji simultan ini dilihat dari output Model Fitting Information. Yaap, berikut ouput uji simultannya:

1.       UJI SIMULTAN

Ho: Tidak ada satupun variabel independen yang secara statistik signifikan memengaruhi variabel dependen

H1: Minimal terdapat satu buah variabel independen yang secara statistik signifikan memengaruhi variabel dependen.

Wilayah kritis/Tolak Ho: Jika nilai prob Chi Square (db=k-1) lebih kecil dari Aplha 5% ATAU Chi Square hitung lebih besar dari Chi Square tabel (db=0,05;k-1)

Derajat bebas untuk pengujian ini adalah (0,05;k-1) = (0,05;7-1). Jumlah k dalam pengujian ini adalah 7. Mengapa? Karena nilai k menunjukkan banyaknya kategori yang ada pada variabel dependen dan seluruh variabel independen. Dalam contoh kasus berikan, kita menggunakan masing-masing 3 buah kategori atau dummy variable untuk variabel dependen jenis kelas perkuliahan (prog) dan social economic status (ses)  dan sebuah variabel non kategorik nilai menulis (write). Naaah, ternyata nilai probabilitas Chi Square (db=7-1) yang dihasilkan 0,000 lebih kecil dibanding Alpha 5%. Dengan demikian, kita akan tolak hipotesis nol dan menyatakan bahwa minimal ada satu buah variabel independen yang signifikan memengaruhi variabel dependennya. Cara lain, sobat bisa bandingkan nilai Chi Square hitungnya dengan Chi Square tabel (0,05;6) yaitu 48,230 > 12,59 (Tolak hipotesis nol).

Nah, uji simultan ternyata signifikan neh sooob. Sekarang, kita baru bisa teruskan lagi ke uji parsialnya. Intinya uji parsial ini adalah uji signifikansi pengaruh masing-masing variabel independennya terhadap variabel dependennya. 

2.      UJI PARSIAL

Ho: Variabel independen ke-x secara statistik signifikan memengaruhi variabel dependen

H1: Variabel independen ke-x secara statistik tidak signifikan memengaruhi variabel dependen

            Wilayah kritis/Tolak Ho: Jika nilai prob Chi Square untuk variabel ke –x (db=k+1) lebih kecil dari Aplha 5% ATAU Chi Square hitung lebih besar dari Chi Square tabel (db=0,05;k+1)

Berikut output uji parsial yang dihasilkan:

Dari  hasil uji parsial, terlihat bahwa kedua variabel independen (write dan ses) secara statistik signifikan memengaruhi variabel dependen (keputusan seseorang dalam menentukan program perkuliahan yang akan diambil). Hal ini terlihat dari probabilitas masing-masing variabel bebas yang lebih kecil daripada Alpha 5% yaitu 0,000 (write) dan 0,026 (ses). Cara lain bisa ditempuh dengan membandingkan nilai statistik Chi Square masing-masing variabel bebas dengan nilai pada tabel Chi Square. Nilai statistik Chi Square variabel write sebesar 31,447 lebih besar daripada nilai tabel Chi Square (0,05;2) = 5,99. Selanjutnya, nilai statistik Chi Square variabel ses sebesar 11,058 juga lebih besar daripada nilai tabel Chi Square (0,05;4) = 9,49.

Dengan demikian, kedua variabel bebas yang digunakan secara statistik memiliki pengaruh yang signifikan terhadap pengambilan keputusan seseorang dalam menentukan program perkuliahan yang akan dijalani.

1.      INTERPRETASI NILAI EXP(B)

  

Interpretasi dengan Exp (B)

Dalam melakukan interpretasi dengan alat analisis regresi logistik, umumnya interepretasi model dilakukan dari nilai Exp (B), mengingat sulitnya melakukan interpretasi model jika menggunakan persamaan model Odds Ratio-nya.

Berikut interpretasi model pada masing-masing variabel bebas kuantitatif dan kualitatif yang secara statistik memiliki pengaruh yang signifikan:

·         Variabel bebas kuantitatif nilai menulis (write) pada program kelas perkuliahan general (Ingat bahwa reference category yang digunakan sebelumnya adalah program kuliah kelas academic).

“Semakin tinggi nilai menulis yang dicapai oleh seseorang, maka kecenderungan seseorang tersebut untuk memilih kelas general 0,944 kali lipat dari kelas academic”. Untuk kemudahan penalaran dalam interpretasi, maka kita bisa saja interpretasikan dari kelas reference category yang sudah ditentukan (academic) terhadap kelas general yaitu dengan melakukan pembagian 1/0,944=1,0593. Dengan demikian, interpretasinya bisa juga dinyatakan sebagai berikut: “Semakin tinggi nilai menulis yang dicapai oleh seseorang, maka kecenderungan seseorang tersebut untuk memilih kelas academic 1,0593 kali lipat dari kelas general”.

  Variabel bebas kuantitatif nilai menulis (write) pada program kelas perkuliahan vocation

“Semakin tinggi nilai menulis yang dicapai oleh seseorang, maka kecenderungan seseorang tersebut untuk memilih kelas vocation 0,893 kali lipat dari kelas academic”. Sama halnya dengan interpretasi sebelumnya, untuk tujuan kemudahan, maka kita juga bisa menginterpretasikan terlebih dahulu dari variabel reference category dengan terlebih dahulu melakukan pembagian 1/0,893=1,198 sehingga dengan demikain kita bisa lakukan interpretasi sebagai berikut “Semakin tinggi nilai menulis yang dicapai oleh seseorang, maka kecenderungan seseorang tersebut untuk memilih kelas academic 1,1198 kali lipat dari kelas vocation”.

  

  Perhatikan bahwa pada hakikatnya, tidak terlalu besar perbedaan pengaruh dari tinggi rendahnya nilai tes menulis (write) dalam penentuan program kelas perkuliahan yang akan diambil. Hal ini terlihat dari nilai Exp (B) yang masih berada pada kisaran nilai 1,1.

  Nah, kalau tadi kita menginterpretasikan variabel kuantitatif, maka kali ini saya akan memberikan contoh interpretasi untuk variabel bebas kualitatif kondisi ekonomi (ses). Sedikit berbeda dengan variabel bebas kuantitatif (diinterpretasikan dengan menggunakan reference category variabel tidak bebasnya), maka untuk variabel kualitatif, dalam proses interpretasi, selain dengan reference variabel tidak bebas, kita juga menggunakan kategori pada variabel bebas itu sendiri sebagai reference category-nya, dalam hal ini ses kode 3 (kondisi ekonomi kategori kelas tinggi sebagai reference category).

Interpretasi ses kode 1 pada program kelas general

Kecenderungan seseorang dengan kondisi ekonomi rendah untuk memilih program perkuliahan kelas general daripada program perkuliahan kelas academic sebesar 3,1999 kali lipat dari (tiga kalinya) seseorang dengan kondisi ekonomi tinggi.

Interpretasi ses kode 2 pada program kelas general

Kecenderungan seseorang dengan kondisi ekonomi menengah untuk memilih program perkuliahan kelas general daripada program perkuliahan kelas academic sebesar 1,877 kali lipat dari (hampir dua kalinya) seseorang dengan kondisi ekonomi tinggi.

Interpretasi ses kode 1 pada program kelas vocation

Kecenderungan seseorang dengan kondisi ekonomi rendah untuk memilih program perkuliahan kelas vocation daripada program perkuliahan kelas academic sebesar 2,672 kali lipat dari (hampir tiga kalinya) seseorang dengan kondisi ekonomi tinggi.

Interpretasi ses kode 2 pada program kelas vocation

Kecenderungan seseorang dengan kondisi ekonomi menengah untuk memilih program perkuliahan kelas vocation daripada program perkuliahan kelas academic sebesar 3,575 kali lipat dari (sekitar tiga setengah kalinya) seseorang dengan kondisi ekonomi tinggi.

1.      UJI KEBAIKAN MODEL

Uji kebaikan model dalam analisis reglog dapat dilihat dari nilai koefisien determinasi semu kendati interpretasi nilai koefisien determinasi dalam reglog tidak semudah interpretasi dalam analisis regresi OLS biasa. Namun, untuk kepentingan uji kebaikan model (goodness of fit), maka kita akan memperhitungkan besarnya nilai koefisien determinasi untuk melihat seberapa besarkan keragaman data pada variabel bebas mampu menjelaskan keragaman data pada variabel bebas kualitatifnya. Perhatikan kembali output berikut:

  

Kita ambil nilai Nagelkerke 0,246 yang mengindikasikan bahwa keragaman data variabel bebas dalam penelitian mampu menjelaskan keragaman data variabel terikatnya sebesar 24,6 persen sedangkan sisanya dijelaskan oleh variabel bebas lain yang ada di luar model penelitian. Nah, dalam penelitian sosial, nilai koefisien determinasi yang mendekati 0,3 sudah tergolong cukup baik mengingat begitu banyaknya variabel-variabel dalam penelitian sosial. Untuk contoh kasus kali ini, nilai R square yang hanya sebesar 0,246 dikarenakan kita hanya menggunakan dua variabel bebas. 

Jika kita menambah variabel bebas, maka nilai R Square akan cenderung meningkat. Yaap, cara lain dalam uji kebaikan model, bisa juga dengan menggunakan persentase “benar” pada classification plot yang nanti bisa sobat jalankan dengan cukup mencentang pilihan classification plot saat pengolahan yaaa hehehe..

Yaaap, kira-kira sampai disini dulu soooob yang bisa saya sampaikan terkait interpretasi dari output analisis reglog multinomial dengan contoh kasus bagaimana pengaruh nilai tes menulis (write) dan kondisi ekonomi (ses) terhadap penentuan program kelas perkuliahan (general, academic, vocation).

Description: INTERPRETASI OUTPUT PENELITIAN DENGAN ANALISIS REGRESI LOGISTIK MULTINOMIAL (UJI SIMULTAN, UJI PARSIAL, INTERPRETASI EXP(B) & UJI KEBAIKAN MODEL) Rating: 4.5 Reviewer: Unknown - ItemReviewed: INTERPRETASI OUTPUT PENELITIAN DENGAN ANALISIS REGRESI LOGISTIK MULTINOMIAL (UJI SIMULTAN, UJI PARSIAL, INTERPRETASI EXP(B) & UJI KEBAIKAN MODEL)

Read More