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).