Izin bertanya pak , pada logit biner ,jika data kuisioner nya ada 5 pilihan jawaban misal uang saku , Rp. 500.000 Rp.1.000.000 Rp.1.500.000 Rp.2.000.000 > Rp. 3.000.000 Pada pengkodean data apakah harus menggunakan 0 dan 1 Pak ,sementara jawaban pada uang saku ada 5 Pak , bagaimana solusi nya ya pak Kasus saya : Analisis pemilihan moda transportasi oleh mahasiswa Variabel dependent (y )nya ada 2 pak : angkutan umum dan sepeda motor Variabel indepent (X) nya ada : kepemilikan sim , kepemilikan sepeda motor , uang saku perbulan , besar biaya transportasi perbulan ,jarak waktu ,pertimbangan biaya ,dan lain lain Yg saya tanyakaan dalam varibel saya ada 5 jawaban pertanyan ,seprti cintoh pada uang saku Untuk penomoran nya bagaimana ya pak , agar bisa memasukkan data ke spss
Izin bertanya pak, apabila nilai uji wald yang diperoleh kurang dari nilai chi square tabel tetapi nilai sig yang diperoleh kurang dari 0,05 itu bagaimana ya pak?
Percakapan dengan Bard  Apabila uji wald lebih kecil dari chi square tabel apa mungkin sig lebih kecil 0,05 edit Lihat draf lainnya volume_up  Iya, mungkin saja nilai sig lebih kecil dari 0,05 meskipun nilai uji Wald lebih kecil dari chi square tabel. Uji Wald adalah sebuah uji statistik yang digunakan untuk menguji hipotesis nol bahwa satu atau lebih koefisien regresi sama dengan nol. Uji Wald dilakukan dengan menghitung statistik Wald, yang merupakan kuadrat dari rasio antara koefisien regresi dan kesalahan standarnya. Statistik Wald kemudian dibandingkan dengan nilai kritis dari distribusi chi-square dengan derajat kebebasan yang sesuai. Chi-square tabel adalah tabel yang berisi nilai-nilai kritis dari distribusi chi-square untuk berbagai derajat kebebasan dan tingkat signifikansi. Nilai-nilai kritis ini digunakan untuk menguji hipotesis nol pada uji chi-square, termasuk uji Wald. Nilai sig adalah probabilitas dari memperoleh nilai statistik Wald yang lebih ekstrim daripada nilai yang diperoleh dalam sampel, jika hipotesis nol benar. Nilai sig dapat dihitung menggunakan perangkat lunak statistik, seperti SPSS atau R. Jika nilai uji Wald lebih kecil dari chi square tabel, berarti statistik Wald tidak signifikan pada tingkat signifikansi tertentu. Namun, ini tidak berarti bahwa hipotesis nol benar. Nilai sig yang lebih kecil dari 0,05 menunjukkan bahwa ada bukti yang cukup untuk menolak hipotesis nol, namun tidak menjamin bahwa hipotesis nol salah. Ada beberapa kemungkinan mengapa nilai sig lebih kecil dari 0,05 meskipun nilai uji Wald lebih kecil dari chi square tabel. Salah satu kemungkinan adalah bahwa ukuran sampelnya kecil. Pada ukuran sampel yang kecil, statistik Wald cenderung memiliki varians yang lebih tinggi, sehingga lebih mungkin untuk memperoleh nilai statistik Wald yang signifikan meskipun hipotesis nol benar. Kemungkinan lain adalah bahwa ada multikolinearitas dalam model regresi. Multikolinearitas adalah kondisi di mana dua atau lebih variabel independen sangat berkorelasi satu sama lain. Multikolinearitas dapat menyebabkan koefisien regresi menjadi tidak stabil dan statistik Wald menjadi signifikan meskipun hipotesis nol benar. Oleh karena itu, penting untuk mempertimbangkan ukuran sampel dan multikolinearitas ketika menafsirkan hasil uji Wald. Jika ukuran sampelnya kecil atau ada multikolinearitas dalam model regresi, maka hasil uji Wald harus ditafsirkan dengan hati-hati. Berikut adalah beberapa tips untuk menafsirkan hasil uji Wald: Pertimbangkan ukuran sampel. Jika ukuran sampelnya kecil, maka hasil uji Wald harus ditafsirkan dengan hati-hati. Periksalah multikolinearitas. Jika ada multikolinearitas dalam model regresi, maka hasil uji Wald harus ditafsirkan dengan hati-hati. Gunakan nilai sig untuk membuat keputusan. Jika nilai sig lebih kecil dari 0,05, maka ada bukti yang cukup untuk menolak hipotesis nol. Namun, ini tidak berarti bahwa hipotesis nol salah. Pertimbangkan faktor-faktor lain, seperti teori dan penelitian sebelumnya, ketika membuat keputusan.
Izin bertanya pak, variabel X ada 7 dengan dua variabel termasuk rasio dan 5 sisanya termasuk ordinal serta variabel Y nominal (0,1) dengan sampel 70. Apakah bisa saya menggunakan uji logit biner ini pak? karena setelah saya uji hasinya selalu negatif dan tidak ada yang berdampak secara signifikan pak. Mohon bantuannya pak🙏
Mohon maaf Pak, izin bertanya, Penelitian saya menggunakan 3 variabel independen dan 1 variabel dependen. setiap variabel tersebut memiliki lebih dari 1 pertanyaan, nah cara memasukkan data-data tersebut agar bisa menjadi 1 kolom saja bisa apakah bisa di reratakan saja Pak? Kalau bisa, bagaimana dengan variabel dependennya Pak, dikarenakan hasil reratanya berbeda-beda apakah bisa dibulatkan saja Pak? Misalnya jika nilai reratanya0.5 dibulatkan menjadi 1
Hallo Pak, izin bertanya. Apakah diregresi logistik perlu uji multikolinearitas Pak? Dan untuk corelasi matriks apakah diperlukan juga pak? Yg dilihat dari tabel corelasi matriks itu apa saja pAk🙏🏼
Ya, regresi logistik perlu melakukan uji multikolinearitas. Meskipun regresi logistik tidak memiliki asumsi normalitas pada variabel bebas, multikolinearitas tetap menjadi masalah yang harus diatasi. Alasan mengapa uji multikolinearitas penting dalam regresi logistik: 1. Memperparah bias dan ketidakakuratan parameter: Multikolinearitas menyebabkan korelasi tinggi antar variabel independen. Hal ini membuat estimasi parameter menjadi tidak stabil, bias, dan tidak akurat. Kesimpulan yang ditarik dari model regresi logistik menjadi tidak dapat diandalkan. 2. Mengganggu interpretasi koefisien: Ketika variabel independen berkorelasi tinggi, sulit untuk mengetahui pengaruh individualnya terhadap variabel dependen. Interpretasi koefisien regresi menjadi rumit dan membingungkan. 3. Menurunkan efisiensi model: Multikolinearitas menyebabkan redundansi informasi antar variabel independen. Hal ini menurunkan efisiensi model dan meningkatkan standar error koefisien. 4. Memicu masalah pada proses konvergensi: Multikolinearitas dapat mempersulit proses konvergensi algoritma regresi logistik. Hal ini menyebabkan model sulit mencapai solusi optimal dan memperlambat proses analisis. Cara mendeteksi multikolinearitas: Nilai Korelasi: Korelasi tinggi (di atas 0.8) antar variabel independen menunjukkan adanya multikolinearitas. Variance Inflation Factor (VIF): Nilai VIF di atas 10 menunjukkan adanya multikolinearitas. Tolerance: Nilai tolerance di bawah 0.1 menunjukkan adanya multikolinearitas. Cara mengatasi multikolinearitas: Menghapus salah satu variabel: Hapus variabel yang memiliki korelasi paling tinggi dengan variabel lain. Melakukan transformasi data: Transformasi data seperti logaritma atau standarisasi dapat membantu mengurangi multikolinearitas. Membuat variabel dummy: Ubah variabel kategorikal menjadi variabel dummy untuk menghilangkan multikolinearitas. Kesimpulan: Uji multikolinearitas merupakan langkah penting dalam analisis regresi logistik. Melakukan uji dan mengatasi multikolinearitas dapat meningkatkan kualitas model regresi logistik, menghasilkan parameter yang lebih akurat dan interpretasi yang lebih mudah dipahami.
Izin bertanya pak, jika hasil uji hipotesis parsial tidak berpengaruh signifikan apakah boleh menambahkan variabel interaksi antar variabel independen?
Izin bertanya pak, jika variabel independen hanya ada 1 variabel berbentuk skala likert 1-5 dan bersifat multidimensional, sementara variabel dependen saya bersifat nominal (dengan respon ya/tidak) apakah memungkinkan untuk saya lakukan uji regresi biner? Apakah ada hal tertentu yang harus saya perhatikan pak? Terimakasih pak🙏🏻🙏🏻
@@rumahkakung9440 Dikarenakan Variabel Independen saya merupakan skala psikologis berbetuk likert dengan respon jawaban 1 - 5 dan mampu menghasilkan total skor. Apakah saat hendak melakukan analisis, total skor tersebut yang digunakan pak?
Izin bertanya kembali pak. Penelitian saya menggunakan regresi logistik biner dengan 4 variabel independen (concern, control, curiosity dan confidence) dan memperoleh sampel 326. Secara deskriptif, banyak sampel berada di kategori tinggi pada variabel curiosity dan confidence. Dimana curiosity sejumlah 307 org (kategori tinggi) dan confidence sejumlah 300 org (kategori tinggi). Tetapi dalam Wald test yang memberikan pengaruh hanya X4 (confidence) dan curiosity tidak, meskipun secara deskriptif lebih banyak sampel yang memiliki curiosity yang tinggi. Terkait hal ini sekiranya apakah terdapat kesalahan data pak?
Assalamualaikum Pak, maaf pak mau izin tanya, jika jumlah sampel data 30, dengan variabel independen berjumlah 3, apakah bisa melakukan regresi logistik biner Pak? Terimakasih Pak🙏
@@rumahkakung9440 Baik Pak, terimakasih sudah berkenan menjawab pertanyaan saya🙏 Untuk jumlah 30 sampel tersebut sudah saya sortir sebelumnya Pak. Tadinya sampel tersebut lebih dari 30. Kebetulan saya sudah coba Pak di spss regresi logistik biner ini, dan hasilnya bisa saya analisis. Tapi setelah saya temukan ada asumsi minimal 50 sampel, saya jadi bingung Pak untuk menggunakan 30 sampel tersebut.. Jadi bisa ya Pak saya menggunakan 30 sampel dalam regresi logistik biner ini? Terimakasih Pak🙏
Maaf bapak, izin bertanya. Apakah yang menjadi penyebab, hasil uji waldnya bisa negatif ya pak? data sampelnya 105 data. Variabel independen salah satu juga ada variabel dummy,
Penggunaan variabel dummy sebagai salah satu variabel independen dapat menjadi penyebab hasil uji Wald negatif. Penjelasannya: 1. Sifat Uji Wald: Uji Wald digunakan untuk menguji signifikansi koefisien regresi secara individual atau simultan. Uji ini menghasilkan statistik Wald yang dibandingkan dengan nilai kritis chi-square dengan derajat bebas tertentu. Hasil uji Wald negatif menunjukkan bahwa koefisien regresi tidak signifikan secara statistik. 2. Pengaruh Variabel Dummy: Variabel dummy bersifat kategorikal dan memiliki nilai 0 atau 1. Ketika digunakan dalam regresi, variabel dummy menciptakan efek intercept yang berbeda untuk setiap kategori. Hal ini dapat menyebabkan koefisien regresi untuk variabel independen lainnya menjadi tidak signifikan, meskipun secara individual memiliki pengaruh yang signifikan. 3. Multikolinearitas: Penggunaan variabel dummy juga dapat meningkatkan risiko multikolinearitas dalam model regresi. Multikolinearitas terjadi ketika dua atau lebih variabel independen memiliki hubungan yang sangat kuat, sehingga sulit untuk memisahkan pengaruh individual mereka. Hal ini dapat menyebabkan koefisien regresi menjadi tidak signifikan, termasuk koefisien untuk variabel dummy. 4. Interpretasi Hasil: Hasil uji Wald negatif tidak selalu berarti bahwa variabel independen tidak memiliki pengaruh sama sekali. Dalam beberapa kasus, variabel dummy mungkin memiliki pengaruh yang signifikan secara keseluruhan, meskipun koefisien individualnya tidak signifikan. Penting untuk mempertimbangkan interpretasi substantif dari hasil regresi, bukan hanya nilai p-value, untuk memahami pengaruh variabel independen. Berikut beberapa tips untuk mengatasi hasil uji Wald negatif: Pastikan model regresi tidak memiliki masalah multikolinearitas. Gunakan model regresi alternatif yang lebih cocok untuk data kategorikal, seperti regresi logistik. Lakukan analisis sensitivitas untuk melihat bagaimana perubahan pada variabel independen memengaruhi hasil regresi. Pertimbangkan interpretasi substantif dari hasil regresi, bukan hanya nilai p-value. Kesimpulan: Penggunaan variabel dummy dalam regresi dapat menyebabkan hasil uji Wald negatif.
Ada beberapa kemungkinan penyebab hasil uji Wald negatif: 1. Hipotesis nol (H0) benar: Kemungkinan paling umum adalah hipotesis nol (H0) memang benar. H0 dalam uji Wald biasanya menyatakan bahwa parameter yang diuji sama dengan nol. Jika hasil uji negatif, ini menunjukkan bahwa tidak ada bukti yang cukup untuk menolak H0. Artinya, parameter yang diuji kemungkinan besar tidak berbeda dari nol. 2. Kesalahan spesifikasi model: Kemungkinan lain adalah model yang digunakan dalam uji Wald salah spesifikasi. Hal ini dapat terjadi jika variabel penting yang hilang dari model, atau jika hubungan antara variabel tidak dimodelkan dengan benar. Kesalahan spesifikasi model dapat menyebabkan hasil uji yang tidak dapat diandalkan, termasuk hasil negatif. 3. Ukuran sampel kecil: Jika ukuran sampel kecil, uji Wald mungkin tidak memiliki kekuatan yang cukup untuk mendeteksi efek yang sebenarnya. Hal ini berarti bahwa meskipun parameter yang diuji tidak sama dengan nol, uji Wald mungkin masih menghasilkan hasil negatif. 4. Multikolinearitas: Multikolinearitas adalah kondisi di mana dua atau lebih variabel independen dalam model sangat berkorelasi. Hal ini dapat menyebabkan masalah dalam regresi, termasuk hasil uji Wald yang tidak dapat diandalkan. 5. Outlier: Outlier adalah titik data yang jauh dari sisa data. Outlier dapat memengaruhi hasil uji Wald, termasuk menghasilkan hasil negatif. Interpretasi hasil uji Wald negatif: Penting untuk menafsirkan hasil uji Wald dengan hati-hati, dengan mempertimbangkan kemungkinan penyebab di atas. Hanya karena hasil uji negatif, bukan berarti hipotesis nol pasti benar. Penting untuk mempertimbangkan faktor lain, seperti ukuran efek dan plausibilitas hipotesis, sebelum membuat kesimpulan. Saran: Jika Anda mendapatkan hasil uji Wald negatif, berikut beberapa saran: Periksa kembali hipotesis nol dan pastikan itu masuk akal. Periksa model untuk memastikan tidak ada kesalahan spesifikasi. Pertimbangkan untuk meningkatkan ukuran sampel. Periksa multikolinearitas dan outlier. Laporkan hasil uji dengan cara yang jelas dan ringkas, termasuk informasi tentang ukuran efek dan signifikansi statistik. Semoga penjelasan ini membantu! Jika Anda memiliki pertanyaan lebih lanjut tentang uji Wald atau statistik lainnya, jangan ragu untuk bertanya.
Mohon maaf pak izin bertanya apakah jumlah sample 60 sudah bisa dilakukan uji regresi logistik biner? Selanjutnya pak apabila data variabel independen diperoleh dari hasil skala likert 1-5 apakah datanya perlu ditransformasikan menjadi data interval pak? Terimakasih mohon jawabannya
Yg dimaksud negatif bisa dilihat dari tanda pengaruhnya minus, sebaliknya jika positip artinya tdk ada tanda minus. Hak itu tdk ada hubungannya dg tdk bisa diinterpretasikan. Jika tdk bisa diintrp, artinya tdk muncuk angka pengaruhnya
izin bertanya pak, bila pada hasil regresi dinyatakan ada redundansi bagaimana ya pak? apakah bisa diteruskan atau harus mengganti data? terimakasih pak 🙏🏻
Redundansi tidak berpengaruh pada regresi. Redundansi adalah keadaan di mana beberapa variabel dalam model regresi memiliki hubungan linier yang kuat atau saling terkait secara positif. Hal ini dapat menyebabkan masalah dalam interpretasi koefisien regresi dan meningkatkan kerentanan terhadap overfitting. Oleh karena itu, penting untuk mengidentifikasi variabel yang redundan dan menghapusnya dari model regresi. Dengan menghilangkan variabel redundan, kita dapat membangun model yang lebih sederhana dan lebih interpretable.
@@rumahkakung9440 iya pak kebetulan saya menggunakan metode sensus dan sampelnya tidak sampai 20, mungkin ada saran harus diapakan ya pak, terimakasih sebelumnya atas jawabannya🙏
Ada beberapa kemungkinan mengapa hasil SPSS Tabel Block 1 tidak muncul: 1. Kesalahan Input Data Pastikan data Anda telah diinput dengan benar dan lengkap. Periksa kembali apakah ada nilai yang hilang atau salah input. Pastikan format data Anda sesuai dengan analisis yang ingin dilakukan. Contohnya, untuk variabel numerik, pastikan formatnya numerik, bukan karakter. 2. Kesalahan Pemilihan Analisis Pastikan Anda telah memilih analisis yang tepat untuk data Anda. Analisis T-test digunakan untuk membandingkan mean dua kelompok data. Jika Anda ingin membandingkan lebih dari dua kelompok, Anda perlu menggunakan analisis ANOVA. 3. Kesalahan Pengaturan Output Pastikan Anda telah mengaktifkan output tabel untuk T-test. Caranya, pada menu Analyze > Regression > Binary Logistic, klik Statistics > Select. Centang kotak di depan Omnibus tests. Pastikan ukuran tabel yang ditampilkan cukup besar untuk menampung semua hasil. Caranya, klik kanan pada tabel dan pilih Properties. Pada tab Output, ubah nilai Width dan Height. 4. Masalah pada Perangkat Lunak SPSS Pastikan Anda menggunakan versi SPSS yang terbaru. Versi lama SPSS terkadang memiliki bug yang dapat menyebabkan masalah pada output. Coba restart perangkat lunak SPSS. Jika masalah masih berlanjut, hubungi tim support SPSS untuk mendapatkan bantuan.
Maksudnya pengaruhnya tidak terhingga. Bukan positip maupun negatip
Izin bertanya pak , pada logit biner ,jika data kuisioner nya ada 5 pilihan jawaban misal uang saku , Rp. 500.000
Rp.1.000.000
Rp.1.500.000
Rp.2.000.000
> Rp. 3.000.000
Pada pengkodean data apakah harus menggunakan 0 dan 1 Pak ,sementara jawaban pada uang saku ada 5 Pak , bagaimana solusi nya ya pak
Kasus saya : Analisis pemilihan moda transportasi oleh mahasiswa
Variabel dependent (y )nya ada 2 pak : angkutan umum dan sepeda motor
Variabel indepent (X) nya ada : kepemilikan sim , kepemilikan sepeda motor , uang saku perbulan , besar biaya transportasi perbulan ,jarak waktu ,pertimbangan biaya ,dan lain lain
Yg saya tanyakaan dalam varibel saya ada 5 jawaban pertanyan ,seprti cintoh pada uang saku
Untuk penomoran nya bagaimana ya pak , agar bisa memasukkan data ke spss
Logit biner hanya ada 2 pilihan. Kalau lebih dari 2, menggunakan metode lain
Klo biner pilihannnya hanya 2, klo pilihan lebih dari 2 pakai logistik multinomial
Klo data spt itu berarti bukan biner, tapi bisa pakai ordinal
Klo biner pilihannya hanya ada dua 0 atau 1. Klo pilihan 5 bukan biner tetapi ordinal dan angka rupiahnya diganti skore 1 sd 5
Izin bertanya pak, apabila nilai uji wald yang diperoleh kurang dari nilai chi square tabel tetapi nilai sig yang diperoleh kurang dari 0,05 itu bagaimana ya pak?
Percakapan dengan Bard

Apabila uji wald lebih kecil dari chi square tabel apa mungkin sig lebih kecil 0,05
edit
Lihat draf lainnya
volume_up

Iya, mungkin saja nilai sig lebih kecil dari 0,05 meskipun nilai uji Wald lebih kecil dari chi square tabel.
Uji Wald adalah sebuah uji statistik yang digunakan untuk menguji hipotesis nol bahwa satu atau lebih koefisien regresi sama dengan nol. Uji Wald dilakukan dengan menghitung statistik Wald, yang merupakan kuadrat dari rasio antara koefisien regresi dan kesalahan standarnya. Statistik Wald kemudian dibandingkan dengan nilai kritis dari distribusi chi-square dengan derajat kebebasan yang sesuai.
Chi-square tabel adalah tabel yang berisi nilai-nilai kritis dari distribusi chi-square untuk berbagai derajat kebebasan dan tingkat signifikansi. Nilai-nilai kritis ini digunakan untuk menguji hipotesis nol pada uji chi-square, termasuk uji Wald.
Nilai sig adalah probabilitas dari memperoleh nilai statistik Wald yang lebih ekstrim daripada nilai yang diperoleh dalam sampel, jika hipotesis nol benar. Nilai sig dapat dihitung menggunakan perangkat lunak statistik, seperti SPSS atau R.
Jika nilai uji Wald lebih kecil dari chi square tabel, berarti statistik Wald tidak signifikan pada tingkat signifikansi tertentu. Namun, ini tidak berarti bahwa hipotesis nol benar. Nilai sig yang lebih kecil dari 0,05 menunjukkan bahwa ada bukti yang cukup untuk menolak hipotesis nol, namun tidak menjamin bahwa hipotesis nol salah.
Ada beberapa kemungkinan mengapa nilai sig lebih kecil dari 0,05 meskipun nilai uji Wald lebih kecil dari chi square tabel. Salah satu kemungkinan adalah bahwa ukuran sampelnya kecil. Pada ukuran sampel yang kecil, statistik Wald cenderung memiliki varians yang lebih tinggi, sehingga lebih mungkin untuk memperoleh nilai statistik Wald yang signifikan meskipun hipotesis nol benar.
Kemungkinan lain adalah bahwa ada multikolinearitas dalam model regresi. Multikolinearitas adalah kondisi di mana dua atau lebih variabel independen sangat berkorelasi satu sama lain. Multikolinearitas dapat menyebabkan koefisien regresi menjadi tidak stabil dan statistik Wald menjadi signifikan meskipun hipotesis nol benar.
Oleh karena itu, penting untuk mempertimbangkan ukuran sampel dan multikolinearitas ketika menafsirkan hasil uji Wald. Jika ukuran sampelnya kecil atau ada multikolinearitas dalam model regresi, maka hasil uji Wald harus ditafsirkan dengan hati-hati.
Berikut adalah beberapa tips untuk menafsirkan hasil uji Wald:
Pertimbangkan ukuran sampel. Jika ukuran sampelnya kecil, maka hasil uji Wald harus ditafsirkan dengan hati-hati.
Periksalah multikolinearitas. Jika ada multikolinearitas dalam model regresi, maka hasil uji Wald harus ditafsirkan dengan hati-hati.
Gunakan nilai sig untuk membuat keputusan. Jika nilai sig lebih kecil dari 0,05, maka ada bukti yang cukup untuk menolak hipotesis nol. Namun, ini tidak berarti bahwa hipotesis nol salah.
Pertimbangkan faktor-faktor lain, seperti teori dan penelitian sebelumnya, ketika membuat keputusan.
Terimakasih atas penjelasannya Pak. 🙏🏻
Itu tdk boleh terjadi. Kedua uji utu hrsnya berkebalikan. Jika sig < 0.05 maka Uji Wald harus> chi square. Hasil Anda harus di proses ulang
Izin bertanya pak, variabel X ada 7 dengan dua variabel termasuk rasio dan 5 sisanya termasuk ordinal serta variabel Y nominal (0,1) dengan sampel 70. Apakah bisa saya menggunakan uji logit biner ini pak? karena setelah saya uji hasinya selalu negatif dan tidak ada yang berdampak secara signifikan pak. Mohon bantuannya pak🙏
Itu kemungkinan krn var. X nya ada yg rasio. Coba dulu yg rasio dihilangkan hasilnya spt apa?
Mohon maaf Pak, izin bertanya, Penelitian saya menggunakan 3 variabel independen dan 1 variabel dependen. setiap variabel tersebut memiliki lebih dari 1 pertanyaan, nah cara memasukkan data-data tersebut agar bisa menjadi 1 kolom saja bisa apakah bisa di reratakan saja Pak? Kalau bisa, bagaimana dengan variabel dependennya Pak, dikarenakan hasil reratanya berbeda-beda apakah bisa dibulatkan saja Pak? Misalnya jika nilai reratanya0.5 dibulatkan menjadi 1
Hindari menggunakan rata2. Sulit sy menjelaskan lewat kalimat. Sy anjurkan cari referensi Buku atau jurnal.
@@rumahkakung9440 lalu bagaimana solusinya Pak 🙏🏻
@@sitirukaiyah351 Coba baca buku saya, judulnya Merancang Penelitian Bisnis Menggunakan SPSS & SmarPLS
@@rumahkakung9440 baik Pak
Hallo Pak, izin bertanya. Apakah diregresi logistik perlu uji multikolinearitas Pak? Dan untuk corelasi matriks apakah diperlukan juga pak? Yg dilihat dari tabel corelasi matriks itu apa saja pAk🙏🏼
Ya, regresi logistik perlu melakukan uji multikolinearitas.
Meskipun regresi logistik tidak memiliki asumsi normalitas pada variabel bebas, multikolinearitas tetap menjadi masalah yang harus diatasi.
Alasan mengapa uji multikolinearitas penting dalam regresi logistik:
1. Memperparah bias dan ketidakakuratan parameter:
Multikolinearitas menyebabkan korelasi tinggi antar variabel independen.
Hal ini membuat estimasi parameter menjadi tidak stabil, bias, dan tidak akurat.
Kesimpulan yang ditarik dari model regresi logistik menjadi tidak dapat diandalkan.
2. Mengganggu interpretasi koefisien:
Ketika variabel independen berkorelasi tinggi, sulit untuk mengetahui pengaruh individualnya terhadap variabel dependen.
Interpretasi koefisien regresi menjadi rumit dan membingungkan.
3. Menurunkan efisiensi model:
Multikolinearitas menyebabkan redundansi informasi antar variabel independen.
Hal ini menurunkan efisiensi model dan meningkatkan standar error koefisien.
4. Memicu masalah pada proses konvergensi:
Multikolinearitas dapat mempersulit proses konvergensi algoritma regresi logistik.
Hal ini menyebabkan model sulit mencapai solusi optimal dan memperlambat proses analisis.
Cara mendeteksi multikolinearitas:
Nilai Korelasi: Korelasi tinggi (di atas 0.8) antar variabel independen menunjukkan adanya multikolinearitas.
Variance Inflation Factor (VIF): Nilai VIF di atas 10 menunjukkan adanya multikolinearitas.
Tolerance: Nilai tolerance di bawah 0.1 menunjukkan adanya multikolinearitas.
Cara mengatasi multikolinearitas:
Menghapus salah satu variabel: Hapus variabel yang memiliki korelasi paling tinggi dengan variabel lain.
Melakukan transformasi data: Transformasi data seperti logaritma atau standarisasi dapat membantu mengurangi multikolinearitas.
Membuat variabel dummy: Ubah variabel kategorikal menjadi variabel dummy untuk menghilangkan multikolinearitas.
Kesimpulan:
Uji multikolinearitas merupakan langkah penting dalam analisis regresi logistik.
Melakukan uji dan mengatasi multikolinearitas dapat meningkatkan kualitas model regresi logistik, menghasilkan parameter yang lebih akurat dan interpretasi yang lebih mudah dipahami.
@@rumahkakung9440 baik Pak Terimakasih atas infonya Pak, semoga sukses selalu🙏🏼🙏🏼
Multikol tetao perlu dilakukan
Izin bertanya pak, jika hasil uji hipotesis parsial tidak berpengaruh signifikan apakah boleh menambahkan variabel interaksi antar variabel independen?
Boleh saja, yg penting penambahan variabel ada rujukannya
Baik pak, penambahan variabel yg dimaksud seperti pada menit 27:22, untuk itu apakah bapak ada saran buku/rujukan yg bisa digunakan?
@@alifahasyifa3392 coba dicari di Google Scholar mbak
@@rumahkakung9440 baik pak terimakasih pak
Boleh saja
Izin bertanya pak, jika variabel independen hanya ada 1 variabel berbentuk skala likert 1-5 dan bersifat multidimensional, sementara variabel dependen saya bersifat nominal (dengan respon ya/tidak) apakah memungkinkan untuk saya lakukan uji regresi biner? Apakah ada hal tertentu yang harus saya perhatikan pak?
Terimakasih pak🙏🏻🙏🏻
Prinsipnya bisa, hanya saja terlalu sederhana klo var. Indep.nya Hanya 1. Seharusnya var. Independennya ditambah.
Bisa
@@rumahkakung9440 Dikarenakan Variabel Independen saya merupakan skala psikologis berbetuk likert dengan respon jawaban 1 - 5 dan mampu menghasilkan total skor. Apakah saat hendak melakukan analisis, total skor tersebut yang digunakan pak?
@@psychologystudent6441 untuk analisis inferensialnya pakai total skore sedangkan analisis deskriptifnya pakai skore parsialnya
Izin bertanya kembali pak. Penelitian saya menggunakan regresi logistik biner dengan 4 variabel independen (concern, control, curiosity dan confidence) dan memperoleh sampel 326.
Secara deskriptif, banyak sampel berada di kategori tinggi pada variabel curiosity dan confidence. Dimana curiosity sejumlah 307 org (kategori tinggi) dan confidence sejumlah 300 org (kategori tinggi). Tetapi dalam Wald test yang memberikan pengaruh hanya X4 (confidence) dan curiosity tidak, meskipun secara deskriptif lebih banyak sampel yang memiliki curiosity yang tinggi.
Terkait hal ini sekiranya apakah terdapat kesalahan data pak?
Assalamualaikum Pak, maaf pak mau izin tanya, jika jumlah sampel data 30, dengan variabel independen berjumlah 3, apakah bisa melakukan regresi logistik biner Pak?
Terimakasih Pak🙏
Prinsip bisa, dg syarat jmlh populasinya hanya 30. Klo populasinya lebih, maka hrs mengikuti metode menentukan jmlh sampel.
@@rumahkakung9440 Baik Pak, terimakasih sudah berkenan menjawab pertanyaan saya🙏 Untuk jumlah 30 sampel tersebut sudah saya sortir sebelumnya Pak. Tadinya sampel tersebut lebih dari 30.
Kebetulan saya sudah coba Pak di spss regresi logistik biner ini, dan hasilnya bisa saya analisis. Tapi setelah saya temukan ada asumsi minimal 50 sampel, saya jadi bingung Pak untuk menggunakan 30 sampel tersebut..
Jadi bisa ya Pak saya menggunakan 30 sampel dalam regresi logistik biner ini?
Terimakasih Pak🙏
Maaf bapak, izin bertanya. Apakah yang menjadi penyebab, hasil uji waldnya bisa negatif ya pak? data sampelnya 105 data. Variabel independen salah satu juga ada variabel dummy,
Penggunaan variabel dummy sebagai salah satu variabel independen dapat menjadi penyebab hasil uji Wald negatif. Penjelasannya:
1. Sifat Uji Wald:
Uji Wald digunakan untuk menguji signifikansi koefisien regresi secara individual atau simultan. Uji ini menghasilkan statistik Wald yang dibandingkan dengan nilai kritis chi-square dengan derajat bebas tertentu. Hasil uji Wald negatif menunjukkan bahwa koefisien regresi tidak signifikan secara statistik.
2. Pengaruh Variabel Dummy:
Variabel dummy bersifat kategorikal dan memiliki nilai 0 atau 1. Ketika digunakan dalam regresi, variabel dummy menciptakan efek intercept yang berbeda untuk setiap kategori. Hal ini dapat menyebabkan koefisien regresi untuk variabel independen lainnya menjadi tidak signifikan, meskipun secara individual memiliki pengaruh yang signifikan.
3. Multikolinearitas:
Penggunaan variabel dummy juga dapat meningkatkan risiko multikolinearitas dalam model regresi. Multikolinearitas terjadi ketika dua atau lebih variabel independen memiliki hubungan yang sangat kuat, sehingga sulit untuk memisahkan pengaruh individual mereka. Hal ini dapat menyebabkan koefisien regresi menjadi tidak signifikan, termasuk koefisien untuk variabel dummy.
4. Interpretasi Hasil:
Hasil uji Wald negatif tidak selalu berarti bahwa variabel independen tidak memiliki pengaruh sama sekali. Dalam beberapa kasus, variabel dummy mungkin memiliki pengaruh yang signifikan secara keseluruhan, meskipun koefisien individualnya tidak signifikan. Penting untuk mempertimbangkan interpretasi substantif dari hasil regresi, bukan hanya nilai p-value, untuk memahami pengaruh variabel independen.
Berikut beberapa tips untuk mengatasi hasil uji Wald negatif:
Pastikan model regresi tidak memiliki masalah multikolinearitas.
Gunakan model regresi alternatif yang lebih cocok untuk data kategorikal, seperti regresi logistik.
Lakukan analisis sensitivitas untuk melihat bagaimana perubahan pada variabel independen memengaruhi hasil regresi.
Pertimbangkan interpretasi substantif dari hasil regresi, bukan hanya nilai p-value.
Kesimpulan:
Penggunaan variabel dummy dalam regresi dapat menyebabkan hasil uji Wald negatif.
Untuk lebih jelasnya, saya dapat mencari solusi seperti ini dari referensi dimana ya pak?
Ada beberapa kemungkinan penyebab hasil uji Wald negatif:
1. Hipotesis nol (H0) benar:
Kemungkinan paling umum adalah hipotesis nol (H0) memang benar. H0 dalam uji Wald biasanya menyatakan bahwa parameter yang diuji sama dengan nol. Jika hasil uji negatif, ini menunjukkan bahwa tidak ada bukti yang cukup untuk menolak H0. Artinya, parameter yang diuji kemungkinan besar tidak berbeda dari nol.
2. Kesalahan spesifikasi model:
Kemungkinan lain adalah model yang digunakan dalam uji Wald salah spesifikasi. Hal ini dapat terjadi jika variabel penting yang hilang dari model, atau jika hubungan antara variabel tidak dimodelkan dengan benar. Kesalahan spesifikasi model dapat menyebabkan hasil uji yang tidak dapat diandalkan, termasuk hasil negatif.
3. Ukuran sampel kecil:
Jika ukuran sampel kecil, uji Wald mungkin tidak memiliki kekuatan yang cukup untuk mendeteksi efek yang sebenarnya. Hal ini berarti bahwa meskipun parameter yang diuji tidak sama dengan nol, uji Wald mungkin masih menghasilkan hasil negatif.
4. Multikolinearitas:
Multikolinearitas adalah kondisi di mana dua atau lebih variabel independen dalam model sangat berkorelasi. Hal ini dapat menyebabkan masalah dalam regresi, termasuk hasil uji Wald yang tidak dapat diandalkan.
5. Outlier:
Outlier adalah titik data yang jauh dari sisa data. Outlier dapat memengaruhi hasil uji Wald, termasuk menghasilkan hasil negatif.
Interpretasi hasil uji Wald negatif:
Penting untuk menafsirkan hasil uji Wald dengan hati-hati, dengan mempertimbangkan kemungkinan penyebab di atas. Hanya karena hasil uji negatif, bukan berarti hipotesis nol pasti benar. Penting untuk mempertimbangkan faktor lain, seperti ukuran efek dan plausibilitas hipotesis, sebelum membuat kesimpulan.
Saran:
Jika Anda mendapatkan hasil uji Wald negatif, berikut beberapa saran:
Periksa kembali hipotesis nol dan pastikan itu masuk akal.
Periksa model untuk memastikan tidak ada kesalahan spesifikasi.
Pertimbangkan untuk meningkatkan ukuran sampel.
Periksa multikolinearitas dan outlier.
Laporkan hasil uji dengan cara yang jelas dan ringkas, termasuk informasi tentang ukuran efek dan signifikansi statistik.
Semoga penjelasan ini membantu!
Jika Anda memiliki pertanyaan lebih lanjut tentang uji Wald atau statistik lainnya, jangan ragu untuk bertanya.
izin bertanya pak apabila datanya hanya 28 apa bisa dilakukan ya? dan pada analisis block 0 tidak muncul -2 log likehoodnya bagaimana ya pak?
Klo itu sy hrs cek dulu. Coba Anda ulangi jangan ada yg terlewat.
Izin bertanya pak. Jika jumlah data hanya berjumlah 17 apakah regresi logistik biner bisa tetap dipakai?
Regresi parametrik minimal data 30. Klo hanya 17 pakai saja non parametrik
Mau bertanya lagi pak, jika Hasil Uji Simultan tidak signifikan, apakah tetap bisa dilanjutkan Uji Parsial?
Uji simultannya hipotesis terima h0 pak
@@mohammadikballutfy4545 klo H0 diterima berarti Pvalue atau Sig >0,05 artinya variabel independen secara simultan tdk berpengaruh
maaf bapak izin jikalau ada buku refernsinya mohon di cantumkan bapak terutama uji wald nya bapak saya kesulitan mencari referensi bukunya bapak
Bisa baca buku saya Merancang Penelitian Bisnis. Gendro Wiyono. Bisa cek di shopee atau Buka Lapak
Coba cari buku saya dimarket place ada, judulnya. Merancang Penelitian Bisnis Gendro Wiyono
Pak izin tanya, pustaka yang Bapak gunakan apa saja ya? Terimakasih
Buku Saya sendiri. Bisa dicari di market place atau Gramedia. Judulnya Merancang Penelitian Bisnis
@@rumahkakung9440 maaf pak izin tanya kembali, apakah di buku bapak terdapat rumus rumus statistik uji, seperti rumus dari uji wald, odds, uji G?
Mohon maaf pak izin bertanya apakah jumlah sample 60 sudah bisa dilakukan uji regresi logistik biner? Selanjutnya pak apabila data variabel independen diperoleh dari hasil skala likert 1-5 apakah datanya perlu ditransformasikan menjadi data interval pak? Terimakasih mohon jawabannya
Kalau sudah dapat info ya🙏 perlu juga
Bisa dilanjut.
Bisa dilanjut.
Tdk perlu, tetapi hrs diuji normalitasnya
Bisa. Tidak perlu diganti interval
Maaf pak izin bertany kalo variabel x nya 1 dan variabel Y nya ada 2 itu bisa tetap pakai regresi biner atau engga ya pak ?
Ya bisa saja
Izin bertanya kembali pak, lalu pengujiannya kalau pake uji F itu bisa atau tidak ya pak ? Terimakasih
@@ISYAFIATUNNIKMAH1 tdk bisa. Uji F dilakukan klu var. X lebih dari 1
Ya tetap bisa
@@rumahkakung9440 baik pak, jadi tidak bisa menggunakan uji f dan uji t ketika var x nya 1 dan var y nya 2 ya pak 🙏🏻
Pak apabila variabel X ada salah satu variabel dummy juga, untuk cara mengolahnya di SPSS apakah langkahnya sama seperti di video ini?
Ya sama saja
Ya sama
Pak saya mau tanya jikalau variabel Y nya Bapak buat sbg scale = Ratio, itu tidak apa apa? Karena saya direkomendasi untuk sbg "nominal"
Bisa juga nominal, berarti pakai regresi logistik
Gpp boleh saja
Iya
pak saya mau tanya untuk interpretasi hasil uji tidak bisa di interpretasi dia berpengaruh negatif atau positif gitu kah pak?
Maksudnya tdk bisa apa? .. apa yg dimaksud tdk berpengaruh?
Yg dimaksud negatif bisa dilihat dari tanda pengaruhnya minus, sebaliknya jika positip artinya tdk ada tanda minus. Hak itu tdk ada hubungannya dg tdk bisa diinterpretasikan. Jika tdk bisa diintrp, artinya tdk muncuk angka pengaruhnya
Pasti angkanya beta muncul walaupun nilai 0 koma sekian. Klo tdk muncul berarti ada masalah pada datanya
Maksud tfk berpengaruh secara statistik kalau nilai Sig. Nya diatas 0,05
Dianggap tidak bisa diinterpretasikan jika nilai Sig nya diatas 0,05
Pak jika hasil nilai signifikansi seluruhnya >0,05 bagaimana solusinya supaya hipotesis tersebut diterima ya pak?
Sudah uji asumsi klasik belum?
@@rumahkakung9440kalau sudah memenuhi asumsi. Lalu signifikan variabel diatas 0,5 apa boleh memakai 1,0 pak?
apakah ada buku regresi biner ini ya pak? jika ada apakah bisa share link toko bukunya pak terimakasih
Cari di marketplace, buku saya, Merancang Penelitian Bisnis, Gendro Wiyono
izin bertanya pak, bila pada hasil regresi dinyatakan ada redundansi bagaimana ya pak? apakah bisa diteruskan atau harus mengganti data?
terimakasih pak 🙏🏻
Redundansi tidak berpengaruh pada regresi. Redundansi adalah keadaan di mana beberapa variabel dalam model regresi memiliki hubungan linier yang kuat atau saling terkait secara positif. Hal ini dapat menyebabkan masalah dalam interpretasi koefisien regresi dan meningkatkan kerentanan terhadap overfitting. Oleh karena itu, penting untuk mengidentifikasi variabel yang redundan dan menghapusnya dari model regresi. Dengan menghilangkan variabel redundan, kita dapat membangun model yang lebih sederhana dan lebih interpretable.
@@rumahkakung9440 baik pak terimakasih banyak pak atas ilmunya🙏🏻🙏🏻
Usahakan menghindari redudansi. Bisa diganti data atau salah satu variabelnya yg terkena redudansi
Pak izin bertanya, jika sampel yang digunakan kurang dari 20 dengan variabel x berjumlah 6 apakah bisa ya pak, terimakasih🙏
Utk metode parametrik minimal sampel 30 itupun jika pakai metode sensus
@@rumahkakung9440 iya pak kebetulan saya menggunakan metode sensus dan sampelnya tidak sampai 20, mungkin ada saran harus diapakan ya pak, terimakasih sebelumnya atas jawabannya🙏
@@safira6083 pakai alat analisis non parametrik, bisa baca buku saya atau cari di google
@@rumahkakung9440 baik pak terimakasih atas sarannya🙏
izin bertanya. kenapa ketika olah data spss outputnya tabel block 1 kebawah tabel nya tidak keluar ya Pak bagaimana solusinya
Ini nguji apa ?
Utk menjawab itu hrs dilihat datanya, ada yg salah atau tdk
Ada beberapa kemungkinan mengapa hasil SPSS Tabel Block 1 tidak muncul:
1. Kesalahan Input Data
Pastikan data Anda telah diinput dengan benar dan lengkap. Periksa kembali apakah ada nilai yang hilang atau salah input.
Pastikan format data Anda sesuai dengan analisis yang ingin dilakukan. Contohnya, untuk variabel numerik, pastikan formatnya numerik, bukan karakter.
2. Kesalahan Pemilihan Analisis
Pastikan Anda telah memilih analisis yang tepat untuk data Anda. Analisis T-test digunakan untuk membandingkan mean dua kelompok data.
Jika Anda ingin membandingkan lebih dari dua kelompok, Anda perlu menggunakan analisis ANOVA.
3. Kesalahan Pengaturan Output
Pastikan Anda telah mengaktifkan output tabel untuk T-test. Caranya, pada menu Analyze > Regression > Binary Logistic, klik Statistics > Select. Centang kotak di depan Omnibus tests.
Pastikan ukuran tabel yang ditampilkan cukup besar untuk menampung semua hasil. Caranya, klik kanan pada tabel dan pilih Properties. Pada tab Output, ubah nilai Width dan Height.
4. Masalah pada Perangkat Lunak SPSS
Pastikan Anda menggunakan versi SPSS yang terbaru. Versi lama SPSS terkadang memiliki bug yang dapat menyebabkan masalah pada output.
Coba restart perangkat lunak SPSS.
Jika masalah masih berlanjut, hubungi tim support SPSS untuk mendapatkan bantuan.
Ini emang h0nya kebalik yaa?
Pertanyaannya kurang lengkap
Pak, kalo model data tidak fit di block 0 dan 1 itu bagaimana ya pak?
Datanya dicek lagi, apakah sdh lolos uji asumsi klasik?
Mohon maaf pak. Izin bertanya, bapak menggunakan SPSS berapa yah?
Saya pakai SPSS 25
Pakai SPSS 25
Spss 25
Untuk penjelasan regresi logistik biner ini lebih lanjut bisa dibaca dibuku apa ya pak?
Bisa baca Buku saya berjudul Merancang Penelitian bisnis menggunakan SPSS dan SmartPLS. Banyak dijual di Market Place, Shoppe atau Bukalapak