Ringkasan dokumen tersebut adalah:
(1) Dokumen tersebut membahas tentang uji asumsi klasik pada model regresi linier berganda dengan menggunakan program SPSS 16.0, termasuk uji normalitas, autokorelasi, multikolinearitas, dan heteroskedastisitas. (2) Contoh data yang digunakan adalah permintaan ayam di AS dari tahun 1960-1982 dengan beberapa variabel penjelas. (3) Metode-metode uji asumsi klas
Ringkasan dokumen tersebut adalah:
1. Dokumen tersebut membahas tentang uji asumsi klasik yang meliputi uji normalitas, multikolinieritas, heteroskedastisitas, dan otokorelasi.
Terdapat 5 uji asumsi klasik yang perlu dilakukan untuk model regresi, yaitu: (1) multikolinearitas, (2) autokorelasi, (3) heteroskedastisitas, (4) normalitas, dan (5) linearitas. Hasil uji pada contoh penelitian menunjukkan bahwa model regresi memenuhi semua asumsi klasik tersebut.
Uji tanda (sign-test) adalah uji statistik nonparametrik sederhana yang menggunakan tanda (positif atau negatif) dari nilai data, bukan besarnya nilai, untuk menguji hipotesis median populasi. Uji ini dapat dilakukan pada satu sampel maupun sampel berpasangan dengan menandai nilai di atas dan di bawah median secara bertanda, kemudian membandingkan jumlah tanda untuk menentukan apakah median sampel sama dengan median populasi
Analisis regresi linier berganda digunakan untuk mempelajari hubungan antara dua atau lebih variabel independen dengan satu variabel dependen secara linier. Ringkasan studi kasus menunjukkan analisis hubungan antara rasio keuangan PER dan ROI terhadap harga saham perusahaan.
Ringkasan dokumen tersebut adalah:
(1) Dokumen tersebut membahas tentang uji asumsi klasik pada model regresi linier berganda dengan menggunakan program SPSS 16.0, termasuk uji normalitas, autokorelasi, multikolinearitas, dan heteroskedastisitas. (2) Contoh data yang digunakan adalah permintaan ayam di AS dari tahun 1960-1982 dengan beberapa variabel penjelas. (3) Metode-metode uji asumsi klas
Ringkasan dokumen tersebut adalah:
1. Dokumen tersebut membahas tentang uji asumsi klasik yang meliputi uji normalitas, multikolinieritas, heteroskedastisitas, dan otokorelasi.
Terdapat 5 uji asumsi klasik yang perlu dilakukan untuk model regresi, yaitu: (1) multikolinearitas, (2) autokorelasi, (3) heteroskedastisitas, (4) normalitas, dan (5) linearitas. Hasil uji pada contoh penelitian menunjukkan bahwa model regresi memenuhi semua asumsi klasik tersebut.
Uji tanda (sign-test) adalah uji statistik nonparametrik sederhana yang menggunakan tanda (positif atau negatif) dari nilai data, bukan besarnya nilai, untuk menguji hipotesis median populasi. Uji ini dapat dilakukan pada satu sampel maupun sampel berpasangan dengan menandai nilai di atas dan di bawah median secara bertanda, kemudian membandingkan jumlah tanda untuk menentukan apakah median sampel sama dengan median populasi
Analisis regresi linier berganda digunakan untuk mempelajari hubungan antara dua atau lebih variabel independen dengan satu variabel dependen secara linier. Ringkasan studi kasus menunjukkan analisis hubungan antara rasio keuangan PER dan ROI terhadap harga saham perusahaan.
Regresi data panel digunakan untuk menguji pengaruh variabel distribusi dan promosi terhadap penjualan pada tiga perusahaan rokok selama 1991-2000. Uji asumsi klasik multikolinieritas dilakukan dengan melihat nilai-R kuadrat dan t statistik serta korelasi parsial, yang menunjukkan tidak terjadi masalah multikolinieritas pada model regresi.
Dokumen tersebut merangkum statistik deskriptif, korelasi, dan regresi linear untuk menganalisis hubungan antara pengeluaran biaya penjualan (selling) dengan tingkat penjualan unit sepeda motor. Analisis statistik menunjukkan adanya hubungan yang kuat dan signifikan antara kedua variabel tersebut.
Dokumen tersebut membahas tentang uji asumsi klasik dalam analisis regresi, yaitu uji normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi. Beberapa poin penting yang dijelaskan adalah cara menguji setiap asumsi baik secara grafik maupun non grafik beserta contoh penerapannya dalam suatu kasus studi.
Pengukuran skala guttman tradisional revisi(2)Iskani kasim
Teks tersebut menjelaskan tentang Skala Guttman tradisional untuk pengukuran. Metode ini menggunakan pertanyaan pilihan ganda dengan skor 1 untuk jawaban ya dan 0 untuk tidak. Hasil pengukuran dikonversi ke persentase lalu dikelompokkan ke rentang interpretasi antara 0-1 untuk kesimpulan. Contoh penelitian mengukur pengetahuan ibu rumah tangga tentang bahaya kosmetik pemutih menggunakan skala Gutt
Dokumen tersebut merangkum analisis pengaruh variabel Non Performing Financing (NPF), Biaya Operasional (BOPO), dan Returns to Assets (ROA) terhadap Financing to Deposits Ratio (FDR) pada perbankan di Indonesia antara tahun 2009-2011. Hasil estimasi model ekonometrika menunjukkan ketiga variabel berpengaruh negatif dan signifikan terhadap FDR, sesuai dengan teori. Uji asumsi klasik juga menunjukkan model memenuhi asumsi normalitas, tidak adanya
Dokumen tersebut membahas analisis regresi linier sederhana untuk mengukur pengaruh biaya promosi terhadap volume penjualan. Langkah-langkah analisisnya meliputi memasukkan data ke SPSS, menganalisis hubungan antar variabel, uji hipotesis, dan interpretasi hasil yang menunjukkan adanya pengaruh yang signifikan antara biaya promosi dan volume penjualan.
Regresi linier berganda digunakan untuk mengetahui hubungan antara dua atau lebih variabel bebas dengan satu variabel terikat. Persamaan regresi linier berganda menunjukkan hubungan antara variabel prestasi matematika dengan variabel kemampuan geometri dan aljabar. Analisis data 12 siswa menghasilkan persamaan Ŷ = 1,6828685 + 0,465200286X1 - 0,22068969X2.
uji kolmogorov smirnov sebagai uji alternative jika syarat uji chi -square tidak terpenuhi, dan variabel dgn kategori 2 x K
di ambil dri buku MAD kesehatan pengarang ibu Najmah.
Skala Guttman adalah pengukuran yang menggunakan dua ukuran untuk jawaban ya/tidak dan benar/salah, dengan skor 1 untuk jawaban positif dan 0 untuk negatif. Skala ini dapat dibuat dalam bentuk pilihan ganda atau checklist, dan dianalisis seperti Skala Likert. Nilai pengukuran dapat dibagi ke dalam beberapa interval dan ditafsirkan berdasarkan tabel interpretasi.
Dokumen tersebut membahas konsep dan aplikasi analisis regresi linear ganda. Secara singkat, dokumen menjelaskan bahwa regresi linear ganda adalah perluasan dari regresi linear sederhana yang melibatkan beberapa variabel bebas terhadap satu variabel terikat. Dokumen juga menjelaskan langkah-langkah pemodelan regresi linear ganda dan uji asumsi klasik yang perlu dilakukan.
Dokumen tersebut membahas analisis regresi dan korelasi sederhana, termasuk definisi, model persamaan, dan uji hipotesis untuk kedua analisis tersebut. Analisis regresi digunakan untuk mengetahui pengaruh satu atau lebih variabel bebas terhadap variabel tidak bebas, sedangkan analisis korelasi untuk mengetahui kekuatan hubungan antar variabel. Keduanya melibatkan penentuan koefisien dan uji signifikansi melalui statistik uji t
Makalah model regresi dengan variabel terikat dummyAgung Handoko
Dokumen tersebut membahas model regresi dengan variabel terikat dummy menggunakan data survei terhadap 40 responden untuk memprediksi kemungkinan seseorang memiliki kolesterol tinggi berdasarkan umur, jenis kelamin, dan sejarah keluarga. Analisis data menggunakan SPSS meliputi identifikasi data hilang, kode variabel, uji signifikansi model, penilaian kelayakan model, dan pengujian koefisien regresi.
1. Dokumen tersebut merangkum langkah-langkah analisis diskriminan untuk membedakan dua kelompok observasi berdasarkan kombinasi variabel penjelas.
2. Langkah-langkahnya meliputi pengujian asumsi, pemilihan variabel diskriminan, pembentukan fungsi diskriminan, dan klasifikasi kelompok.
3. Hasil analisis menunjukkan dua rasio keuangan mampu membedakan kelompok perusahaan sehat dan bangkrut dengan tingkat
Regresi data panel digunakan untuk menguji pengaruh variabel distribusi dan promosi terhadap penjualan pada tiga perusahaan rokok selama 1991-2000. Uji asumsi klasik multikolinieritas dilakukan dengan melihat nilai-R kuadrat dan t statistik serta korelasi parsial, yang menunjukkan tidak terjadi masalah multikolinieritas pada model regresi.
Dokumen tersebut merangkum statistik deskriptif, korelasi, dan regresi linear untuk menganalisis hubungan antara pengeluaran biaya penjualan (selling) dengan tingkat penjualan unit sepeda motor. Analisis statistik menunjukkan adanya hubungan yang kuat dan signifikan antara kedua variabel tersebut.
Dokumen tersebut membahas tentang uji asumsi klasik dalam analisis regresi, yaitu uji normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi. Beberapa poin penting yang dijelaskan adalah cara menguji setiap asumsi baik secara grafik maupun non grafik beserta contoh penerapannya dalam suatu kasus studi.
Pengukuran skala guttman tradisional revisi(2)Iskani kasim
Teks tersebut menjelaskan tentang Skala Guttman tradisional untuk pengukuran. Metode ini menggunakan pertanyaan pilihan ganda dengan skor 1 untuk jawaban ya dan 0 untuk tidak. Hasil pengukuran dikonversi ke persentase lalu dikelompokkan ke rentang interpretasi antara 0-1 untuk kesimpulan. Contoh penelitian mengukur pengetahuan ibu rumah tangga tentang bahaya kosmetik pemutih menggunakan skala Gutt
Dokumen tersebut merangkum analisis pengaruh variabel Non Performing Financing (NPF), Biaya Operasional (BOPO), dan Returns to Assets (ROA) terhadap Financing to Deposits Ratio (FDR) pada perbankan di Indonesia antara tahun 2009-2011. Hasil estimasi model ekonometrika menunjukkan ketiga variabel berpengaruh negatif dan signifikan terhadap FDR, sesuai dengan teori. Uji asumsi klasik juga menunjukkan model memenuhi asumsi normalitas, tidak adanya
Dokumen tersebut membahas analisis regresi linier sederhana untuk mengukur pengaruh biaya promosi terhadap volume penjualan. Langkah-langkah analisisnya meliputi memasukkan data ke SPSS, menganalisis hubungan antar variabel, uji hipotesis, dan interpretasi hasil yang menunjukkan adanya pengaruh yang signifikan antara biaya promosi dan volume penjualan.
Regresi linier berganda digunakan untuk mengetahui hubungan antara dua atau lebih variabel bebas dengan satu variabel terikat. Persamaan regresi linier berganda menunjukkan hubungan antara variabel prestasi matematika dengan variabel kemampuan geometri dan aljabar. Analisis data 12 siswa menghasilkan persamaan Ŷ = 1,6828685 + 0,465200286X1 - 0,22068969X2.
uji kolmogorov smirnov sebagai uji alternative jika syarat uji chi -square tidak terpenuhi, dan variabel dgn kategori 2 x K
di ambil dri buku MAD kesehatan pengarang ibu Najmah.
Skala Guttman adalah pengukuran yang menggunakan dua ukuran untuk jawaban ya/tidak dan benar/salah, dengan skor 1 untuk jawaban positif dan 0 untuk negatif. Skala ini dapat dibuat dalam bentuk pilihan ganda atau checklist, dan dianalisis seperti Skala Likert. Nilai pengukuran dapat dibagi ke dalam beberapa interval dan ditafsirkan berdasarkan tabel interpretasi.
Dokumen tersebut membahas konsep dan aplikasi analisis regresi linear ganda. Secara singkat, dokumen menjelaskan bahwa regresi linear ganda adalah perluasan dari regresi linear sederhana yang melibatkan beberapa variabel bebas terhadap satu variabel terikat. Dokumen juga menjelaskan langkah-langkah pemodelan regresi linear ganda dan uji asumsi klasik yang perlu dilakukan.
Dokumen tersebut membahas analisis regresi dan korelasi sederhana, termasuk definisi, model persamaan, dan uji hipotesis untuk kedua analisis tersebut. Analisis regresi digunakan untuk mengetahui pengaruh satu atau lebih variabel bebas terhadap variabel tidak bebas, sedangkan analisis korelasi untuk mengetahui kekuatan hubungan antar variabel. Keduanya melibatkan penentuan koefisien dan uji signifikansi melalui statistik uji t
Makalah model regresi dengan variabel terikat dummyAgung Handoko
Dokumen tersebut membahas model regresi dengan variabel terikat dummy menggunakan data survei terhadap 40 responden untuk memprediksi kemungkinan seseorang memiliki kolesterol tinggi berdasarkan umur, jenis kelamin, dan sejarah keluarga. Analisis data menggunakan SPSS meliputi identifikasi data hilang, kode variabel, uji signifikansi model, penilaian kelayakan model, dan pengujian koefisien regresi.
1. Dokumen tersebut merangkum langkah-langkah analisis diskriminan untuk membedakan dua kelompok observasi berdasarkan kombinasi variabel penjelas.
2. Langkah-langkahnya meliputi pengujian asumsi, pemilihan variabel diskriminan, pembentukan fungsi diskriminan, dan klasifikasi kelompok.
3. Hasil analisis menunjukkan dua rasio keuangan mampu membedakan kelompok perusahaan sehat dan bangkrut dengan tingkat
Aminullah Assagaf_EVIEWS, STATA, Data Panel_6 Nop 2023.pdfAminullah Assagaf
1. Software Eviews digunakan untuk mengestimasi model regresi linear antara variabel gaji dengan umur, masa kerja, sales, profit, dan profit/sales menggunakan data perusahaan di suatu kota. Hasilnya menunjukkan pengaruh yang tidak signifikan.
2. Dilakukan uji autokorelasi, multikolinearitas, dan heteroskedastisitas untuk melihat kesesuaian model asumsi klasik, dimana ditemukan adanya masalah multikolinearitas antara sales dan profit
Regresi merupakan analisis yang digunakan untuk menentukan hubungan antara variabel tergantung (y) dengan satu atau lebih variabel bebas (x). Dokumen ini menjelaskan definisi, asumsi, dan uji regresi seperti multikolinearitas, heteroskedastisitas, autokorelasi dan normalitas. Metode ini digunakan untuk menganalisis pengaruh kualitas pelayanan dan produk terhadap kepuasan pelanggan warung BTN.
APG Pertemuan 6 : Inferensia Dua Faktor Rata-rataRani Nooraeni
Dokumen tersebut membahas perbandingan vektor rata-rata dari dua populasi independen dan dua populasi tergantung. Secara ringkas, dokumen menjelaskan cara menguji hipotesis perbedaan rata-rata antar dua populasi, wilayah kepercayaan, dan selang kepercayaan hasil uji statistik. Contoh kasus diberikan untuk membandingkan hasil analisis kimia dari dua laboratorium berbeda.
Aminullah Assagaf_EVIEWS, STATA, Data Panel_7 Nop 2023.pdfAminullah Assagaf
1. Software Eviews digunakan untuk menganalisis faktor-faktor yang mempengaruhi perbedaan gaji antara CEO di suatu kota menggunakan data panel. Diagram scatter plot menunjukkan hubungan antara gaji dengan umur, masa kerja, sales, profit, dan profit/sales.
2. Simulasi Eviews mengestimasi hubungan antara variabel tersebut menggunakan model regresi linier. Hasilnya menunjukkan pengaruh yang positif namun tidak signifikan.
3.
Modul ini menjelaskan cara transformasi data logaritma menggunakan SPSS untuk mengubah distribusi data menjadi normal. Langkah-langkahnya meliputi memasukkan data ke SPSS, menganalisis deskriptif, melakukan transformasi logaritma, dan menguji homogenitas data menggunakan uji-T. Hasilnya menunjukkan distribusi data mendekati normal setelah transformasi logaritma.
Makalah ilmiah statistik dan probabilitasyadi januby
Makalah ini membandingkan tingkat konsumsi rokok rata-rata per hari antara mahasiswa di Institut Sains dan Teknologi Al-Kamal dengan pegawai di PT. Netviel Jakarta menggunakan uji Mann-Whitney. Data jumlah rokok dikumpulkan dari 25 responden secara acak, 15 dari PT. Netviel dan 10 dari kampus, kemudian dirangking untuk dianalisis menggunakan uji Mann-Whitney di Microsoft Excel untuk mengetahui ada tidak
Analisis faktor adalah metode statistik multivariat yang digunakan untuk mengidentifikasi hubungan antar variabel dan mengurangi jumlah variabel melalui proses ekstraksi faktor. Tujuannya adalah data summarization dan data reduction."
Dokumen tersebut membahas tentang Cost-Utility Analysis (CUA) yang merupakan metode analisis untuk membandingkan biaya pengobatan dengan kualitas hidup yang didapat. CUA menggunakan satuan Quality-Adjusted Life Year (QALY) yang menggabungkan lama hidup dan kualitas hidup. Tujuan CUA adalah memperkirakan perbandingan antara biaya suatu intervensi kesehatan dengan manfaat yang diperoleh dalam bentuk kualitas hidup.
Banyak orang menganggap mempelajari kitab Wahyu adalah sulit. Selain karena membicarakan simbol-simbol yang tidak biasa, kitab Wahyu juga memiliki tema-tema yang kompleks. Nah, bagaimana cara terbaik membedah kitab Wahyu?
Mari kita pelajari bersama lebih dahulu 3 pasal pertama dari kitab ini dalam kelas diskusi "Bedah Kitab Wahyu" (BKW) pada 19—26 Juni 2024 melalui grup WA.
Sebelum kelas dimulai, ikuti lebih dahulu pemaparan materinya via Zoom pada:
Rabu, 19 Juni 2024.
- Pagi: pkl. 10.30—12.00 WIB
- Malam: pkl. 19.00—20.30 WIB
Daftarkan diri Anda segera di https://bit.ly/form-mlc.
Kontak:
WA: 0821-3313-3315 (MLC)
E-Mail: kusuma@in-christ.net
1. LOGISTIC REGRESSION
Regresi logistic merupakan salah satu analisi multivariate, yang berguna untuk memprediksi
dependent variabel berdasarkan variabel independen.
Data
Pada logistic regresi, dependen variabel adalah variabel dikotomi (kategori). Ketika kategori
variabel dependennya berjumlah dua kategori maka digunakan binary logistic, dan ketika
dependen variabelnya lebih dari dua kategori maka digunakan multinominal logistic
regression. Lalu ketika dependen variabelnya berbentuk ranking, maka disebut dengan
ordinal logistic regression.
Konsep Regresi Logistik
Regresi logistik merupakan alternative uji 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 (metric) dan kategorial (non metric). Misalnya, probabilitas bahwa orang yang
menderita serangan jantung pada waktu tertentu dapat diprediksi dari informasi usia,
kebiasaan merokok, jenis kelamin, dan lainnya.
Asumsi Regresi Logistik
Regresi logistik tidak membutuhkan hubungan linier antara variabel bebas dengan
variabel terikat.
Regresi logistik dapat menyeleksi hubungan karena menggunakan pendekatan non
linier log transformasi untuk memprediksi odds ratio. 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 Nasional.
Variabel bebas tidak memerlukan asumsi multivariate normality
Asumsi homokedastis tidak diperlukan
Variabel bebas tidak perlu dirubah ke bentuk metric (interval atau skala ratio)
CONTOH KASUS Logistic Regression
Data Yang Diberikan Adalah Data Fiktif Bukan Data Sebenarnya, Cuma Sebagai Latihan
Uji Statistik
Seorang dokter ingin mengetahui probabilitas seorang pasien terkena penyakit jantung
berdasarkan rutinitas kebiasaan merokok dan usia
Data dikumpulkan dari catatan medis sebanyak 30 orang pasien yang melakukan
pemeriksaan kesehatan di RS ABC
Sakit Rokok Usia
1 0 51
1 1 46
1 1 53
2. 1 0 55
1 1 43
1 1 33
1 1 42
1 1 42
1 1 46
1 1 51
1 1 46
1 1 46
1 1 46
1 1 51
1 1 25
0 1 29
0 0 38
0 0 31
0 0 47
0 0 50
0 0 51
0 1 41
0 0 32
0 0 42
0 0 38
0 0 40
0 0 42
0 0 33
0 0 43
0 0 46
Keterangan :
sakit (1), tidak sakit (0)
merokok (1), tdk merokok (0)
Usia (usia dalam tahun)
PENYELESAIAN KASUS
Pada menu Analyze, Pilih Regression >> Binary Logistic
Masukkan variabel sakit ke Dependent, kemudian variabel rokok dan usia ke “covariate box”
3. Kemudian, Klik Options, lalu beri tanda pada Classification Plots, Hosmer-Lemeshow GoF,
Correlation matrix, dan itteration history
Klik Continue, kemudian OK
HASIL Dan INTERPRESTASI
Menilai Model Fit
Untuk menilai model fit dapat diperhatikan nilai statistik -2LogL yaitu tanpa
mengikutsertakan 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 – 16.750 = 24.839.
Untuk -2LogL pertama diperoleh nilai 41.589 dengan df1 = 30-1 = 29. Nilai ini signifikan
pada alpha 5% yang berarti Ho ditolak, artinya model tidak fit.
nilai -2LogL kedua adalah sebesar 16.750 dengan df2 = 30-3 = 27 adalah tidak signifikan
pada alpha 5%. (Nilai statistik -2LogL di atas dibandingkan dengan nilai statistik distribusi
x^2.), artinya model fit dengan data.
Statistik -LogL dapat digunakan untuk menentukan apakah jika variabel bebas dimasukkan
dalam model dapat secara signifikan mempengaruhi model. dengan selisih 24.839 dan df(df1-
df2=29-27=2) maka menunjukkan angka ini signifikan pada alpha 5%. Hal ini berarti Ho
ditolak dan Model fit dengan data.
4. Cox n Snell’s R Square adalah ukuran pengaruh bersama yaitu sebesar 0.563 dan nilai
Nagelkerke R Square adalah sebesar 0.751. dengan demikian dapat disimpulkan bahwa
kemampuan variabel bebas menjelaskan model adalah sebesar 75.10%.
Selanjutnya, Hosmer and Lemeshow’s GoF dilakukan untuk menguji hipotesis. Jika sig <
0.05 maka Ho ditolak yang berarti ada perbedaan signifikan antara model dengan nilai
observasinya. Jika sig > 0.05 maka Ho diterima, artinya tidak ada perbedaan antara model
dan nilai observasinya.
statistik Hosmer and Lemeshow’s GoF diperoleh sebesar 0.594 (> 0.05) sehingga dapat
dinyatakan bahwa model fit dengan data. Hosmer and Lemeshow’s GoF juga menghasilkan
nilai 6.475 dengan probabilitas sebesar 0,594 sehingga dapat disimpulkan bahwa model fit
dengan data.
Estimasi Parameter dan Interprestasi
Estimasi Maximum Likehood parameter model dapat dilihat dari output pada tabel Variables
in the Equation. Logistic Regression kemudian dapat dinyatakan :
Ln P/1-P = -11.506 + 5.348 Rokok + .210 Usia.
Variabel bebas kebiasaan merokok signifikan dengan probabilitas sebesar 0.004 (< 0.05) dan
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 seorang terkena penyakit jantung jika ia perokok adalah sebesar 5.348. artinya seorang
perokok memiliki kemungkinan terkena serangan jantung 5.35 kali lebih besar dibanding
yang tidak 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
maka odds seorang terkena penyakit jantung adalah sebesar 210.286 untuk perokok
dibandingkan dengan yang tidak merokok. Hasil overall clasification rate adalah sebesar
90.0% pada cutoff 50%
Kesimpulan
Pertama. Variabel rokok dan usia memiliki hubungan positif dengan odds penyakit
jantung
Kedua. Jika usia bernilai konstan, maka seorang perokok memiliki odds terkena
penyakit jantung sebesar 5.384 kali lebih besar dibanding yang tidak merokok
Ketiga. Jika rokok bernilai konstan, maka odds seorang terkena penyakit jantung
adalah sebesar 0.210 pada setiap penambahan usia.
5. Catatan :
Data yang Diberikan Adalah Data Fiktif Bukan Data Sebenarnya, Cuma Sebagai Latihan
Uji Statistik
Sumber Referensi :
Imam Ghozali. 2009. Aplikasi Analisis Multivariate dengan program SPSS. Semarang
BP:Undip, hal : 261-275