Pada kesempatan yang lalu kita sudah mengupas secara konsepsi jenis dari model regresi dengan variabel Y berskala ukur nominal (kategori –  biner). Setidaknya ada 3 jenis model yang bisa dihasikan dengan variabel Y berskala ukur nominal (kategori –  biner) diantaranya model peluang linear, model logit dan model probit. Dari ketiga model tersebut hanya model logit dan probit yang secara kriteria kebagusan model memenuhi prasyarat kebagusan model, seperti telah dijelaskan pada 4 artikel sebelumnya, Model Regresi Y-Dummy.

Pada kesempatan kali ini kita akan coba uraikan secara aplikatif tahapan-tahapan dalam menghasikan ke-3 model tersebut dengan menggunakan SPSS. Pada pembahasan pertama dan kedua kita sudah praktekan pemodelan peluang linear dan model logit biner dengan menggunakan SPSS. Pada kesempatan kali ini kita akan melakukan pengujian model logit proporsi karena nilai peluang yang peroleh oleh suatu objek bersifat proporsional dengan jumlah pengamatan sebagai mana pembahasan pada artikel sebelumnya (artikel : Model Logit). Adapun software yang akan kita gunakan masih dengan menggunakan SPSS. Adapun tahapan-tahapannya adalah sebagai berikut :

1. Persiapkan data yang kita miliki dalam file excel seperti tampak pada gambar berikut. Pastikan variabel yang kita miliki merupakan variabel kategori untuk variabel Y-nya dan dijumlahkan dalam bentuk frekuensi, sesuai dengan judul yang kita akan ujikan pada kesempatan kali ini. 

2. Buka software SPSS lalu definisikan variabel penelitian kita pada jendela Variabel View, setelahnya masukan data ke dalam software SPSS melalui jendela Data View. Dalam tampilan SPSS akan terlihat seperti gambar berikut : 

3. Pilih menu Analyze lalu klik Regression lalu pilih Probit lalu klik, maka akan muncul jendela SPSS seperti gambar di bawah ini, yang berisikan menu-menu kelengkapan analisis regresi dengan model logit proporsi. Masukan variabel-variabel pada sisi sebelah kanan ke dalam kolom pendefinisian variabel yaitu Frequency, Total Observed dan Covariate (s) guna menghasilkan model logit proporsi yang kita inginkan. 

4. Kik menu Options untuk mendefinisikan berbagai kriteria yang akan kita terapkan pada data sehingga akan terlihat pada output analisis yang akan dihasilkan. Seperti tampak pada gambar berikut. Setelah kita definisikan lalu klik Continue. 

5. Klik pada model Logit karena yang akan kita terapkan pada data merupakan model probit logit atau logit proporsi. Maka tampilan akhir jendela pemodelan logit proporsi akan tampak seperti gambar berikut. Jika sudah yakin dengan semua kelengkapan analisis yang akan di terapkan pada data, lalu klik OK. 

6. Maka SPSS akan memproses pembentukan model logit proporsi dan akan muncul tampilan output SPSS seperti gambar di bawah ini. 

7. Dari output SPSS terlihat ada 3 bagian utama yang menjadi perhatian utama dari peneliti. Pertama, Parameter Esatimates secara sederhana menggambarkan uji signifikansi dari variabel independen yang dimasukan ke dalam model logit proporsi yaitu nilai yang dihasilkan merupakan pendekatan distribusi peluang Z. Kedua, Chi Square Test yang digunakan untuk memastikan bahwa model logit proporsi berlaku atas variabel Y (goodnes of fit). Ketiga, Cell Counts and Residuals yang memperlihatkan nilai peluang yang dihasilkan ketika suatu nilai variabel X dimasukan ke dalam model logit proporsi (lihat kolom Probability).

Dari tahapan pengujian data atas model logit proporsi yang perlu dicermati oleh peneliti adalah cara mendapatkan data penelitian dan hasil peluang yang dihasilkan oleh model. Data merupakan kumpulan kejadian yang diakumulasikan dalam bentuk frekuensi. Dan peluang yang dihasilkan seperti telah dijelaskan pada artikel sebelumnya adalah untuk kepentingan identifikasi efektivitas nilai dari variabel X yang dimasukan ke dalam model atas objek penelitian. Selain itu, jika diihat dari tipe variabel yang operasikan pada model, salah satu kegunaannya adalah umum digunakan pada penelitian-penelitian yang bersifat rancangan percobaan yaitu untuk melihat peluang efektivitas suatu nilai perlakuan (var. X) terhadap objek yang diteliti.

Sampai jumpa pada pembahasan artikel selanjutnya. SELAMAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pada kesempatan yang lalu kita sudah mengupas secara konsepsi jenis dari model regresi dengan variabel Y berskala ukur nominal (kategori –  biner). Setidaknya ada 3 jenis model yang bisa dihasilkan dengan variabel Y berskala ukur nominal (kategori –  biner) diantaranya model peluang linear, model logit dan model probit. Dari ketiga model tersebut hanya model logit dan probit yang secara kriteria kebagusan model memenuhi prasyarat kebagusan model, seperti telah dijelaskan pada 4 artikel sebelumnya, Model Regresi Y-Dummy.

Pada kesempatan kali ini kita akan coba uraikan secara aplikatif tahapan-tahapan dalam menghasikan ke-3 model tersebut dengan menggunakan SPSS. Pada pembahasan pertama dan kedua kita sudah praktekan pemodelan peluang linear dan model logit biner dengan menggunakan SPSS. Pada kesempatan kali ini kita akan melakukan pengujian model probit proporsi karena nilai peluang yang diperoleh oleh suatu objek bersifat proporsional dengan jumlah pengamatan dengan pendekatan distribusi peluang normal kumulatif (Z) sebagai mana pembahasan pada artikel sebelumnya (artikel : Model Probit). Adapun software yang akan kita gunakan masih dengan menggunakan SPSS. Adapun tahapan-tahapannya adalah sebagai berikut :

1. Persiapkan data yang kita miliki dalam file excel seperti tampak pada gambar berikut. Pastikan variabel yang kita miliki merupakan variabel kategori untuk variabel Y-nya dan dijumlahkan dalam bentuk frekuensi, sesuai dengan judul yang kita akan ujikan pada kesempatan kali ini.

2. Buka software SPSS lalu definisikan variabel penelitian kita pada jendela Variabel View, setelahnya masukan data ke dalam software SPSS melalui jendela Data View. Dalam tampilan SPSS akan terlihat seperti gambar berikut :

3. Pilih menu Analyze lalu klik Regression lalu pilih Probit lalu klik, maka akan muncul jendela SPSS seperti gambar di bawah ini, yang berisikan menu-menu kelengkapan analisis regresi dengan model probit proporsi. Masukan variabel-variabel pada sisi sebelah kanan ke dalam kolom pendefinisian variabel yaitu Frequency, Total Observed dan Covariate (s) guna menghasilkan model probit proporsi yang kita inginkan.

4. Kik menu Options untuk mendefinisikan berbagai kriteria yang akan kita terapkan pada data sehingga akan terlihat pada output analisis yang akan dihasilkan. Seperti tampak pada gambar berikut. Setelah kita definisikan lalu klik Continue.

5. Klik pada model Probit karena yang akan kita terapkan pada data merupakan model probit probit atau probit proporsi. Maka tampilan akhir jendela pemodelan probit proporsi akan tampak seperti gambar berikut. Jika sudah yakin dengan semua kelengkapan analisis yang akan di terapkan pada data, lalu klik OK.

6. Maka SPSS akan memproses pembentukan model probit proporsi dan akan muncul tampilan output SPSS seperti gambar di bawah ini.

7. Dari output SPSS terlihat ada 3 bagian utama yang menjadi perhatian utama dari peneliti. Pertama, Parameter Esatimates secara sederhana menggambarkan uji signifikansi dari variabel independen yang dimasukan ke dalam model probit proporsi yaitu nilai yang dihasilkan merupakan pendekatan distribusi peluang Z. Kedua, Chi Square Test yang digunakan untuk memastikan bahwa model probit proporsi berlaku atas variabel Y (goodnes of fit). Ketiga, Cell Counts and Residuals yang memperlihatkan nilai peluang yang dihasilkan ketika suatu nilai variabel X dimasukan ke dalam model probit proporsi (lihat kolom Probability).

Dari tahapan pengujian data atas model probit proporsi yang perlu dicermati oleh peneliti adalah cara mendapatkan data penelitian dan hasil peluang yang dihasilkan oleh model. Data merupakan kumpulan kejadian yang diakumulasikan dalam bentuk frekuensi. Dan peluang yang dihasilkan seperti telah dijelaskan pada artikel sebelumnya adalah untuk kepentingan identifikasi efektivitas nilai dari variabel X yang dimasukan ke dalam model atas objek penelitian. Selain itu, jika dilihat dari tipe variabel yang operasikan pada model, salah satu kegunaannya adalah umum digunakan pada penelitian-penelitian yang bersifat rancangan percobaan yaitu untuk melihat peluang efektivitas suatu nilai perlakuan (var. X) terhadap objek yang diteliti.

Sampai jumpa pada pembahasan artikel selanjutnya. SELAMAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pada kesempatan yang lalu kita sudah mengupas secara konsepsi jenis dari model regresi dengan variabel Y berskala ukur nominal (kategori –  biner). Setidaknya ada 3 jenis model yang bisa dihasikan dengan variabel Y berskala ukur nominal (kategori –  biner) diantaranya model peluang linear, model logit dan model probit. Dari ketiga model tersebut hanya model logit dan probit yang secara kriteria kebagusan model memenuhi prasyarat kebagusan model, seperti telah dijelaskan pada 4 artikel sebelumnya, Model Regresi Y-Dummy.

Pada kesempatan kali ini kita akan coba uraikan secara aplikatif tahapan-tahapan dalam menghasikan ke-3 model tersebut dengan menggunakan SPSS. Pada pembahasan pertama kita sudah praktekan pemodelan peluang linear dengan menggunakan SPSS dan pada kesempatan kali ini kita akan melakukan pengujian model logit (binary) masih dengan menggunakan SPSS. Adapun tahapan-tahapannya adalah sebagai berikut :

1. Persiapkan data yang kita miliki dalam file excel seperti tampak pada gambar berikut. Pastikan variabel yang kita miliki merupakan variabel kategori untuk variabel Y-nya, sesuai dengan judul yang kita akan ujikan pada kesempatan kali ini. 

2. Buka software SPSS lalu definisikan variabel penelitian kita pada jendela Variabel View, setelahnya masukan data ke dalam software SPSS melalui jendela Data View. Dalam tampilan SPSS akan terlihat seperti gambar berikut : 

3. Pilih menu Analyze lalu klik Regression lalu pilih Binary Logistik lalu klik, maka akan muncul jendela SPSS seperti gambar di bawah ini, yang berisikan menu-menu kelengkapan analisis regresi dengan model logit biner. Masukan variabel-variabel pada sisi sebelah kanan ke dalam kolom pendefinisian variabel yaitu variabel dependent dan variabel independent guna menghasilkan model logit yang kita inginkan. 

4. Kik menu Categorical untuk mendefinisikan variabel X penelitian yang kita miliki jika memang ada variabel bersifat dummy juga. Pada contoh data di atas kita gunakan variabel X yang merupakan dummy pula yaitu Size sehingga kita perlu definisikan terlebih dahulu. Seperti tampak pada gambar berikut. Setelah kita definisikan lalu klik Continue. 

5. Klik menu Save, lalu pada kolom Predicted Values centang pada Probabilities dan Group Membership untuk mendapatkan taksiran nilai peluang hasil dari model logit biner dan keanggotaan setiap unit data pada grup dari variabel Y. Lalu klik Continue. 

6. Klik menu Options dan pilih pada pilihan yang disesuaikan dengan output dan pengujian yang diharapkan oleh peneliti terhadap model logit biner yang akan dihasilkan. Lalu klik Continue. 

7. Maka tampilan akhir jendela pemodelan logit biner akan tampak seperti gambar berikut. Untuk method dapat disesuaikan dengan kebutuhan peneliti dalam memperlakukan variabel X dalam analisis (enter : sekaligus atau stepwise : satu per satu). Jika sudah yakin dengan semua kelengkapan analisis yang akan di terapkan pada data, lalu klik OK. 

8. Maka SPSS akan memproses pembentukan model logit biner dan akan muncul tampilan output SPSS seperti gambar di bawah ini. 

9. Dari output SPSS terlihat ada 4 bagian utama yang menjadi perhatian utama dari peneliti. Pertama, Iteration History secara sederhana menggambarkan uji signifikansi dari variabel independen yang dimasukan ke dalam model Logit yaitu selisih antara initial -2 Log Likelihood dengan -2 Log Likelihood yang diperoleh dari hasil iterasi dibandingkan dengan nilai chi-kuadrat tabel (kriteria uji : nilai selisih harus lebih besar dibandingkan chi-kuadrat tabel; signifikan). Kedua, uji Hosmer and Lemeshow yang digunakan untuk memastikan bahwa model logit berlaku atas variabel Y (goodnes of fit), uji ini sama dengan membandingkan nilai -2 Log Likelihood yang diperoleh dari hasil iterasi dibandingkan dengan nilai chi-kuadrat tabel (kriteria uji : nilai -2 Log Likelihood harus lebih kecil dibandingkan chi-kuadrat tabel; tidak signifikan). Ketiga, Variables in Equation merupakan uji parsial dari variabel X atas variabel Y dengan melihat nilai Sig. atau nilai Wald yang dibandingkan dengan nilai chi-kuadrat tabel (kriteria uji : nilai Wald harus lebih besar dari nilai chi-kuadrat tabel; signifikan). Dan keempat, untuk melihat besarnya pengaruh dari variabel independent terhadap variabel dependent dapat digunakan nilai Nagelkerke R Square sebagai pendekatan nilai R Square pada model regresi dengan OLS.
10. Selain itu dengan melihat pada SPSS Data Editor, kita dapat melihat nilai peluang yang dihasilkan dari model peluang linear yang dihasilkan. Nilai peluang yang dihasilkan sesuai dengan apa yang sudah kita jelaskan bahwa kemungkinan peluang yang dihasilkan dari model logit jaulebih baik dari pada model peluang linear yaitu sudah terletak antara 0 ≤ P ≤ 1. Seperti tampak pada kolom PRE_2. 

Dari tahapan pengujian data atas model logit yang perlu dicermati oleh peneliti adalah hasil peluang yang dihasilkan oleh model. Peluang yang dihasilkan seperti telah dijelaskan pada artikel sebelumnya adalah untuk kepentingan pengelompokan salah satunya. Dan lainnya untuk diinterpretasikan secara langsung penggolongan unit data atas suatu kelompok yang diujikan (merujuk pada pengelompokan pada variabel Y). Pengelompokan yang dihasilkan salah satunya berguna dalam menghasilkan nilai rasio kemungkinan atau odds yang dapat sangat membantu peneliti dalam interpretasi perbandingan antar kategori.

Sampai jumpa pada pembahasan artikel selanjutnya. SELAMAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pada kesempatan yang lalu kita sudah mengupas secara konsepsi jenis dari model regresi dengan variabel Y berskala ukur nominal (kategori –  biner). Setidaknya ada 3 jenis model yang bisa dihasikan dengan variabel Y berskala ukur nominal (kategori –  biner) diantaranya model peluang linear, model logit dan model probit. Dari ketiga model tersebut hanya model logit dan probit yang secara kriteria kebagusan model memenuhi prasyarat kebagusan model, seperti telah dijelaskan pada 4 artikel sebelumnya, Model Regresi Y-Dummy.

Pada kesempatan kali ini kita akan coba uraikan secara aplikatif tahapan-tahapan dalam menghasikan ke-3 model tersebut dengan menggunakan SPSS. Pertama kita akan melakukan pengujian model peluang linear yang umum menggunakan metode OLS, sehingga tahapan yang dilakukan sama dengan tahapan penggunaan SPSS dalam pembentukan model regresi yang sudah dijelaskan sebelumya. Adapun tahapan-tahapannya adalah sebagai berikut :

1. Persiapkan data yang kita miliki dalam file excel seperti tampak pada gambar berikut. Pastikan variabel yang kita miliki merupakan variabel kategori untuk variabel Y-nya, sesuai dengan judul yang kita akan ujikan pada kesempatan kali ini. 

2. Buka software SPSS lalu definisikan variabel penelitian kita pada jendela Variabel View, setelahnya masukan data ke dalam software SPSS melalui jendela Data View. Dalam tampilan SPSS akan terlihat seperti gambar berikut : 

3. Pilih menu Analyze lalu klik Regression lalu pilih Linear lalu klik, maka akan muncul jendela SPSS seperti gambar di bawah ini, yang berisikan menu-menu kelengkapan analisis regresi. Masukan variabel-variabel pada sisi sebelah kanan ke dalam kolom pendefinisian variabel yaitu variabel dependent dan variabel independent guna menghasilkan model peluang linear yang kita inginkan. 

4. Klik menu Save, lalu pada kolom Predicted centang Unstandardized untuk mendapatkan taksiran nilai peluang hasil dari model peluang linear. Lalu klik Continue. Setelah masuk kembali ke jendela utama analisis regresi lalu klik OK. 

5. Maka SPSS akan memproses pembentukan model dan akan muncul tampilan output SPSS seperti gambar di bawah ini. 

6. Dari output SPSS terlihat ada 3 bagian utama yang menjadi perhatian utama dari peneliti. Pertama, Model Summary secara sederhana menggambarkan kebaikan variabel X dalam menjelaskan variabel Y. Kedua, uji ANOVA untuk memastikan bahwa model linier berlaku atas variabel Y (goodnes of fit). Dan ketiga, Coefficients merupakan uji parsial dari variabel X atas variabel Y.
7. Selain itu dengan melihat pada SPSS Data Editor, kita dapat melihat nilai peluang yang dihasilkan dari model peluang linear yang dihasilkan. Nilai peluang yang dihasilkan sesuai dengan apa yang sudah kita jelaskan bahwa kemungkinan peluang yang dihasilkan dari model peluang linear adalah P > 1 dan harus dibulatkan menjadi 1 serta jika pun ada nilai P yang bernilai minus harus dibulatkan menjadi nol (0) secara manual. Seperti tampak pada kolom PRE_1. 

Dari tahapan pengujian data atas model peluang linear yang perlu dicermati oleh peneliti adalah hasil peluang yang dihasilkan oleh model. Peluang yang dihasilkan seperti telah dijelaskan pada artikel sebelumnya adalah untuk kepentingan pengelompokan salah satunya. Dan lainnya untuk diinterpretasikan secara langsung penggolongan unit data atas suatu kelompok yang diujikan (merujuk pada pengelompokan pada variabel Y). Pengelompokan yang dihasilkan salah satunya berguna dalam menghasilkan nilai rasio kemungkinan atau odds yang dapat sangat membantu peneliti dalam interpretasi perbandingan antar kategori.

Sampai jumpa pada pembahasan artikel selanjutnya. SELAMAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pada artikel sebelumnya kita sudah mengetahui model dasar dari model regresi dengan variabel Y dummy atau kategori yaitu model peluang linear dan model perbaikan dari model peluang linear yaitu model logit. Pada model peluang linear tidak menyaratkan apapun dari proses pembentukan modelnya, sehingga penggunaan OLS biasa dapat dilakukan pada data yang dimiliki oleh peneliti. Meskipun secara praktis dapat digunakan akan tetapi secara model penaksiran memiliki banyak kelemahan dikarenakan tidak terpenuhinya prasyarat kebagusan model. Salah satu yang perlu dicermati oleh peneliti adalah hasil peluang yang dihasilkan dari model, yang memungkinkan didapati nilai peluang minus (P < 0) dan nilai peluang melebihi nilai 1 (P > 1) sehingga diperlukan proses manual yaitu berupa pembulatan nilai peluang minus menjadi 0 (nol) dan nilai peluang lebih dari 1 menjadi 1 (satu). Selain itu, asumsi homoskedastisitas yang diharuskan dipenuhi oleh model juga tidak terpenuhi (baca artikel :  Analisis Regresi Y-Dummy). Sedangkan dengan mode logit memperbaiki model peluang linear dengan memperbaiki hasil taksiran peluang dari model yang pasti terletak 0 ≤ P ≤ 1 dan memenuhi asumsi homoskedastisitas pada model dengan adanya pembobotan pada variabel penelitian.

Pada kesempatan kali ini kita akan membahas salah satu model regresi Y dummy lainnya yang akan memperbaiki model peluang linear dan secara kebagusan model sama dengan model logit yaitu model probit. Dimana secara nyata akan memperbaiki dua aspek sekaligus yaitu letak nilai peluang yang dihasilkan oleh model pasti berada pada selang 0 ≤ P ≤ 1 dan dipenuhinya asumsi homoskedastisitas pada model dikarenakan pada model probit dikenai proses pembobotan. Jadi, model probit ini menyempurnakan model sebelumnya yaitu model peluang linear dan secara perlakuan data sama dengan model logit.

Model PROBIT

Apabila model logit menggunakan fungsi peluang logistik kumulatif (logit), maka model probit menggunakan fungsi peluang normal kumulatif, oleh karena itu kadang-kadang model probit disebut dengan model normit (normit model). Pada prinsipnya model probit serupa dengan model logit, kecuali model logit menggunakan fungsi peluang logistik kumulatif sedangkan model probit menggunakan fungsi peluang normal kumulatif. Model probit dapat dinyatakan, sebagai berikut : 

Dimana F menunjukkan fungsi peluang kumulatif sedangkan X_i menunjukkan variabel bebas yang bersifat stokastik.

Oleh karena model peluang probit berkaitan dengan fungsi peluang normal kumulatif, maka kita dapat menulis model peluang probit sederhana, sebagai berikut : 

Oleh karena dalam persamaan di atas P_i menunjukkan peluang bahwa suatu kejadian akan terjadi, maka dapat diukur melalui daerah di bawah kurva normal baku dari – ∞ sampai dengan Z_i.

Untuk memperoleh suatu dugaan dari indeks Z_i, maka kita dapat menggunakan invers dari fungi normal kumulatif (Lihat tabel normal baku Z sebagai bantuan), sehingga diperoleh : 

Kita dapat menginterpretasikan peluang P_i yang dihasilkan dari model probit sebagai suatu dugaan dari peluang bersyarat (conditional probability) bahwa suatu objek pengamatan atau kelompok akan mengalami suatu kejadian berdasarkan nilai tertentu dari variabel X.

Hal ini akan serupa dengan peluang bahwa variabel normal baku Z_i akan lebih kecil atau sama dengan  β₀ + β₁ X_1i  atau P(Z_i ≤ β₀ + β₁ X_1i), dimana besar nilai peluang tersebut dapat dilihat dari tabel distribusi normal kumulatif.

Persamaan Z_i di atas merupakan persamaan yang linear dalam parameter, sehingga dapat diduga dengan menggunakan metode kuadrat terkecil (OLS).

Karena P_i_Topi (rumus pada artikel : Model Logit) merupakan peluang dibawah kurva normal dari nilai Z_i, maka terdapat masalah dalam menggunakan metode kuadrat terkecil untuk pendugaan kasus data berkelompok. Jika kita mengasumsikan setiap objek pengamatan dalam kelompok adalah bebas dan mengikuti distribusi peluang binomial, maka variabel takbebas dari persamaan di atas akan mendekati distribusi normal (apabila ukuran sampel besar) yang memiliki nilai rata-rata nol (0) dan varians sebesar: 

Hal lain bahwa persamaan di atas akan memiliki sifat heteroskedastik. Untuk mengatasi hal tersebut, maka persamaan tersebut diduga dengan menggunakan metode kuadrat terkecil terbobot (weighted least square method), dengan jalan melakukan pembobotan terhadap setiap nilai pengamatan melalui penggandaan dengan pembobot W_i = 1/√V_i.

Untuk memudahkan pemahaman terhadap penurunan perumusan secara matematis tersebut di atas, berikut disajikan tabel perhitungan secara manual atas data dengan konsep logit (kasus data berkelompok – rancangan percobaan) sebagai berikut,

Gambar 1. Penaksiran Model Probit Data Berkelompok

Dari fungsi data di atas regresi dapat dilakukan antara variabel Z_i dengan variabel X dengan sebelumnya dilakukan pemobobotan pada masing-masing variabel. Untuk memperoleh nilai peluang P_i kembali, peneliti dapat mengembalikan perhitungan atas fungsi invers pada persamaan awal (Z_i dengan fungsi invers).

Meskipun uraian di atas lumayan kompleks dengan adanya penurunan model persamaan matematis (pencarian nilai Z_i dari nilai peluangnya), akan tetapi bagi peneliti sangat diperlukan dalam proses pemahaman untuk menghasilkan data mentah (raw data) untuk digunakan dalam proses perhitungan dan pembentukan model probit. Oleh karenanya, peneliti dituntut untuk memahami segala bentuk notasi dan pemaknaan arti serta prosesnya sehingga pada tahapan selanjutnya dapat memudahkan peneliti dalam penerapan data baik kepada rumus maupun penggunaan software pendukung (misal : SPSS) dalam pembentukan model probit.

Pada kesempatan lainnya kita akan coba secara alplikatif menggunakan software SPSS untuk mencari model peluang linear, model logit dan model probit yang diaplikasi pada data riil penelitian. Agar dapat membantu peneliti secara sederhana mengaplikasikan pemahaman terori kepada data yang dimilikinya. SEMANGAT MEMPELAJARI!!!

Sumber Buku : Dr. Ir. Vincent Gaspersz, M.Sc.

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-