Langkah-langkahnya adalah sebagai berikut.1 Buka lah program SPSS yang anda miliki.2 Masukan data nya - sebagai contoh, data yang saya gunakan adalah data latihan dari buku Categorical Data Analysis Alan Agresti, 2007, edisi 2 - halaman 132, pada Kasus saya variabel penjelasnya ada 2 skala penuh rasio dan t dengan skala nominal dan variabel terikatnya dalam bentuk nominal penuh atas 2 kategori - biner.3 Pilih pilihan variabel lihat lalu ubahlah variabel nama dan label - nya sesuai dengan kasus masing-masing saat ini , Saya akan menggubah nama menjadi D, T dan Y misalnya Kemudian Nilai nya disesuaikan nilainya Bila data berbentuk nominal atau ordinal misalnya untuk T dan Y, ukuran nya diganti dari skala menjadi nominal.4 Data telah beres, kemudian pilih opsi Menganalisis Regresi Binary Logistik. 5 Masukkan Y sebagai variabel Dependent dan D serta T karena covariates Untuk metode nya saat ini saya masih tetap menggunakan enter.6 Karena T kategorik, maka harus ditetapkan rujukan Ence Category nya dengan cara memilih pilihan Categorical Untuk kemudahan interpretasi biasanya saya memilih pertama untuk referensi nya Semua kategori akan diperbandingkan dengan kategori pertama Kemudian JANGAN LUPA pilih perubahan Klik Continue.7 Pilih pilihan Kemudian centang hosmer lemeshow dan klasifikasi plots dan klik continue Kemudian OK. Ok Untuk Interpretasi Outputnya silahkan baca postingan berikutnya yang berjudul Analisis Regresi Logistik interpretasi Terimakasih telah membaca. Minggu yang lalu, saya telah menyampaikan mengenai konsep dari analisis regresi logistik biner Pada minggu ini, saya akan mencoba untuk melanjutkan hubungan dengan l angkah-langkah dengan Menggunakan bantuan program SPSS Langkah-langkahnya adalah sebagai berikut.1 Buka lah program SPSS yang anda miliki.2 Masukan data nya - sebagai contoh, data yang saya gunakan adalah data latihan dari buku Analisis Data Kategoris Alan Agresti, 2007, edisi 2 - Halaman 132, pada kasus saya Variabel penjelasnya ada 2 skala penuh rasio dan t dengan skala nominal dan variabel terikatnya dalam bentuk nominal atas 2 kategori - biner.3 Pilih pilihan variabel lihat lalu ubahlah variabel nama dan label - nya sesuai dengan kasus masing-masing saat ini, saya Akan menggubah nama menjadi D, T dan Yanggap Kemudian nilai nya disesuaikan nilainya Bila data berbentuk nominal atau ordinal misalnya untuk T dan Y, ukurlah nya skala dari nominal menjadi nominal.4 Data telah beres, kemudian pilih opsi Menganalisis Regresi Biner Logistik.5 Y sebagai variabel Dependent dan D serta T karena covariates Untuk metode nya saat ini saya masih tetap menggunakan enter.6 Karena T berbentuk kategorik, maka harus ditetapkan referensi Kategori nya dengan cara memilih pilihan Categorical Untuk kemudahan interpretasi biasanya saya memilih pertama untuk referensi nya setiap Kategori akan diperbandingkan dengan kategori pertama Kemudian JANGAN LUPA pilih ganti Klik Continue.7 Pilih op Tions Kemudian centang ya hosmer lemeshow dan klasifikasi plots dan klik continue Kemudian OK. Ok Untuk Interpretasi Outputnya silahkan baca postingan berikutnya yang berjudul Analisis Regresi Logistik interpretasi Terimakasih telah membaca - Ferdi Fadly. Regresi logistik regresi logistik sebenarnya sama dengan analisis regresi berganda hanya variabel terikatnya variabel Dummy 0 dan 1 contohnya, pengaruh beberapa rasio keuangan terhadap keterlambatan penyampaian laporan keuangan maka variabel terikatnya 0 jika terlambat dan 1 jika tidak terlambat tepat regresi logistik tidak perlu umum normalitas data penyaringan outlier tetap dapat dilakukan untuk multikolinearitas pada regresi usaha silahkan simak Di sini. Interpretasi regresi logistik menggunakan odd ratio atau kemungkinan contoh, jika rasio keuangan ROA meningkat sebesar 1 maka kemungkinan ketepatan lambat laporan keuangan meningkat sebesar 1,05 kali Berarti timah Ggi ROA kemungkinan tepat lebih tinggi atau jika rasio keuangan DER meningkat sebesar 2 maka kemungkinan ketepatan penyampaian laporan keuangan meningkat sebesar 0,98 kali atau bisa dikatakan menurun karena lebih kecil dari 1 yang berarti kemungkinan turun semakin tinggi. Berikut adalah simulasi aplikasi regresi logistik regresi logistik Dengan SPSS Versi 11 5 Contoh tabulasi data dengan 84 sampel bisa di download di sini Tampilannya pada SPSS Versi 11 5 kurang lebih seperti ini. Simulasi adalah untuk melihat pengaruh antara variabel profitabilitas, kompleksitas perusahaan, opini auditor, likuiditas dan ukuran perusahaan terhadap ketepatan penyampanan laporan Keuangan tahunan perusahaan Profitabilitas diukur dengan ROA kompleksitas diukur dengan 1 jika memiliki anak perusahaan dan 0 jika perusahaan tidak memiliki anak perusahaan opini auditor diukur dengan 1 atau opini opini wajar tanpa batas dan 0 untuk opini yang lain likuiditas diukur dengan Current Ratio dan k Ompleksitas diukur dengan logaritma nilai pasar natural Nah variabel terikat adalah ketepatan penyampaian laporan keuangan dengan kode 1 untuk perusahaan yang tepat waktu dan 0 untuk perusahaan yang terlambat. Klik menu Menganalisis, pilih Binary Logistic, seperti ini. Jika anda benar, maka akan keluar kotak menu Untuk regresi logistik masukkan variabel ketepatan ke dalam kotak dependend, dan masukkan variabel bebas ke dalam kotak covariate Lalu klik pada pilihan, sehingga akan keluar kotak seperti ini. Beri tanda centang seperti pada gambar di atas lalu klik continue sehingga akan kembali pada menu kotak logistik dan Tekan OK Program akan melakukan perhitungan secara otomatis, dan hasil selengkapnya dapat anda bandingkan dengan data yang telah anda download. Interpretasinya adalah sebagai berikut. Pertama Melihat kelayakan model dengan menginterpretasikan output berikut ini. Nilai -2 Log Likelihood adalah sebesar 96,607 yang akan dengan nilai Chi Square pada taraf signifikansi 0,05 d Engan df dari N-1 dengan N adalah jumlah sampel, berarti 84 1 83 Dari tabel Chi Square, diperoleh nilai adalah 100,744 Jadi -2 Log Likelihood Chi Square 96,607 100,74.Jika konstanta saja tidak layak, semua variabel bebas juga tidak Layak, tapi kan ada penurunan -2 Kemungkinan Log Yup Penurunannya adalah 96,607 84,877 11,73 Atau kalau manual laki-laki ngitung, Output SPSS juga sudah memberikannya yaitu sebagai berikut. Nah tunggu kan kalau output selisihnya adalah sebesar 11,729 dan memiliki signifikansi 0,039 0 , 05.Kalau masih kurang puas, bisa dilihat nilai Hosmer dan Lemeshow Test Hosmer dan Lemeshow Test adalah untuk melihat apakah data empiris cocok atau tidak dengan model atau dengan kata lain diharapkan tidak ada perbedaan antara data empiris dengan model Model akan diharapkan layak jika signifikansi di Atas 0,05 atau -2 Kemungkinan log di bawah Chi Square Tabel Hati-hati, ini berkebalikan dengan uji yang lain sebelumnya Tampak kan nil Ai Hosmer dan Lemeshow Test adalah sebesar 9,778 dengan signifikansi 0,281 0,05 Berarti model adalah fit dan model hasil yang layak dan boleh diinterpretasikan. Gambar di atas memberikan nilai Nagelkerke R Square sebesar 0,191 yang berarti jumlah variabel bebas mampu menjelaskan varian ketepatan penyampaian 19,1 dan berikut hal ini sebesar 80,9 hasil oleh faktor lain. Pengujian hipotesis penelitian dilihat dengan output berikut ini. Lihat aja signifikansinya, yang di bawah 0,10 10 berarti signifikan atau hipotesis diterima Pembahasannya begini dengan teori yang dikembangkan di awal. Silahkan download materi di atas di sini. dan jika membutuhkan file data contoh silahkan download di sini. Malam mas mau nanya, kalo yg pakai D1 perusahaan yg melakukan stock split dan D0 perusahaan yg tidak melakukan stock split, dalam periode 4tahun itu pemberian nmr 1 Dan 0 untuk setiap 1 perusahaan slma 4thn gimana Misalkn tahn2009-2012 perusahaan A melakukan ss pda thn 2010, apakh pmberian kode 1 hnya pda thn 2010, sdngkn untuk thn 08,11 12 diberi kode0, atau penghargaan kode 1 pda perusahaan A yg sdh melakukan ss padathn 09-12 Terima kasih mohon bntuannya mas. Kalau melalukan diberi nama 1, tidak melakukan kode etik 0 Selesai Terima kasih. mas, saya mau tanya, saya sdh uji logistik dan hasilnya signifikan dibawah 0,05 namun betanya terjemahnya yang positif, kata dosen saya itu akibat data nya tidak normal , Untuk menormalkan data di uji logistik itu bagaimana ya masmana banyak buku mengatkan syarat uji tidak perlu uji normalitas trimakash. Regresi logistik tidak perlu asas normalitas Terima kasih. selamat siang pak, saya mau tanya, judul skripsi saya analisis faktor2 yang memimpin asosiasi pelaku UKM terhadap penyusunan laporan keuangan, saya menggunakan variabel dummy, baik variabel dependen maupun independen Regresi yang cocok untuk penelitian saya tersebut Regresi linier berganda atau regresi logistik mohon pencerahannya terima kasih. Kalau dependen dummy pakai logistik Terima kasih. Selamat malam pak, saya ingin bertanya Saya sedang menyusun tesis Dalam penelitian saya menggunakan variabel dummy untuk variabel dependen Sedangkan untuk variabel independen atas 4 Dimana 2 variabel Melalui kuesioner dengan skala likert, sedangkan 2 variabel independen lainnya penilaian melalui data sekuder dengan skala nominal Apakah penelitian saya bisa dianalisis menggunakan regresi logistik adakah literatur yang bisa mendukung Terimakasih. Bisa Terima kasih. mas, saya mau nanya judul penelitian saya penerapan sistem informasi dalam Pemetaan kejadian dbd di wilker puskesmas jenis penelitiannya deskriptif kuantitatif variabel bebas curah hujan, kelembaban, kepadatan penduduk, abj, skala interval umur, jk, pendidikan, pekerjaan, hubungan teman hias, bangun brg2 bekas, kondisi ventilasi nominal, suhu rasio variabel Nya itu ada penyebaran penyakit interval sama status sabar nominal saya bingung mau menggunakan uji apa mas yg cocok buat penelitian saya mohon bantuannya terimakasih. Silahkan simak di rujukan penelitian terdahulu anda Terima kasih. Assalamu alaikum min, mau tanya kalau kita belajar tentang pengaruh 3 variabel bebas Terhadap variabel yang datanya diambil dari 10 perusahaan misalnya, dataql yang seharusnya diinput ke dalam spss. apakah data rata-rata masing2 variabel bebas dan terikat, apakah nilai maksimal atau minimumnya. Terima kasih, min. Simak di metode penelitian anda, lihat Pada definisi operasional variabel Terima kasih. Selamat siang pak, saya mau bertanya, seperti contoh yg bapak tentang audit delay diatas, dengan variabel indpendennya terdiri dari skala rasio dan skala nominal yang menggunakan variabel dummy, kira2 metode regresi seperti apa yang cocok digunakan untuk menguji , Audit tampung delaynya dihitung berdasarkan jumlah hari keterlam Batan bukan menggunanakan variabel dummy lebih baik menggunaka regresi berganda atau regresi logistik Terimakasih. Silahkan lihat rujukan penelitian terdahulu anda terima kasih. selamat sakit pak saya mau tanya variabel dependen saya tentang pengertian standar dimana letak kuesioner saya ada soal soal hanya ada dua jawaban benar dan Salah analisanya gmn ya pak. Pak, saya mau tanya lagi Saya sedang mengerjakan skripsi dengan regresi logistik 1 Di tabel uji wald, variabel cr saya beta dan se nya 0,000 signya 0,406 Itu bisa jadi 0,000 ya Pak jadi bingung kalo bikin persamaannya Apa karena timpang Ya Pak datanya nilai variabel bisa di atas 100 dengan variabel lain der, npm, pertumbuhan di bawah 10.2 Jika sig nya 0,000 itu menunjukkan signifikan Betul Pak. Mohon jawab Pak Terima kasih sebelumnnya.1 Coba diperbanyak angka di belakang koma, nanti mari 2 Betul Terima Kasih. Pak, apakah ada cara untuk menghitung jumlah sampel yg dibutuhkan saat ingi N menggunakan regresi logistik Apakah disesuaikan dengan jumlah variabel independen atau bagaimana Terima Kasih. selamat malam ingin menyusun pertanyaan kuesioner jika sampelnya terbagi menjadi 2 kelompok apakah saya harus menyusun pertanyaan yang bisa dijawab ada atau memang ada beberapa pertanyaan dari total keseluruhan pertanyaan di kuesioner yang memang Khusus untuk 1 kelompok saja terima kasih. Jika ingin mengukur hal yang sama, tentunya harus menggunakan alat ukur yang sama Terima kasih. Assalamualaikum Saya mau Tanya mas, kalau secara keseluruhan Variabel negatif artinya tidak memiliki pengaruh signifikan ya apakah itu nanti bermasalah atau tidak mas. Analisa Regresi Logistik Dengan SPSS. Pada analisis regresi, bila peubah respon bukan lagi peubah variabel kuantitatif pelaut saja peubah variabel kategorik yang hanya terdiri dari beberapa nilai regresi linier tidak dapat digunakan seperti model regresi yang sering digunakan untuk menganalisis peuba H respon berskala biner adalah REGRESI LOGISTIK. Model regresi logistik termasuk dalam model linier terampat Model Linear Generalized GLM GLM merupakan metode yang dapat digunakan untuk memecahkan masalah peubah respon tidak lagi kontinu, pelaut kategorik misalnya biner, dengan menggunakan fungsi penghubung link fungsi yang tersedia Suatu model yang mampu menganalisa hubungan antara peubah respon kategorik Dependen Variabel dengan satu atau beberapa peubah penjelas Independen Variabel. Aplikasi dari analisis Regresi Logistik banyak digunakan untuk menghitung suatu resiko dibidang bisnis maupun bidang kesehatan Misalkan faktor-faktor apa saja yang menjadi sebuah bank kridit Beresiko macet faktor-faktor apa saja yang menyebabkan resiko seseorang terkena penyakit Diabetes. Contoh Kasus Bidang Bisnis. Sebuah perusahaan pembiayaan sepeda motor ingin mengetahui faktor-faktor apa saja yang sedang membangun sebuah kridit kendaraan dapat mengalami kemacetan Data yang digunakan sampel sebanyak 35 peminjam untuk mencari penyebab dimana faktor-faktor yang dicurigai penting, DP Besar uang muka, jangka waktu pembayaran, umur peminjam dan pendidikan peminjam. Tabel atas nilai nama variabel Untuk kategori barang dagangan Dp Uang Muka dan Pendidikan diberi kode kategorinya Dimana kategori yang diberi kode nol 0, maka dijadikan sebagai Kategori Referensi Kategori Umum Kategori yang dipilih Resiko Paling Kecil seperti pendidikan Perguruan Tinggi, hal ini dapat untuk memudahkan dalam pembacaan hasil analisis Untuk variabel dependen Status Kridit, kategori berisiko diberi kode lebih besar Dari pada kategori tidak beresiko. Tabel Variabel Dalam Persamaan. Kolom Sig menginformasikan signifikan pengaruh variabel Independen terhadap Variabel Dependen Ada pengaruh yang signifikan jika nilai sig 0,05 Tampak variabel yang mempengaruhi Macet Tidak dari Kridit seorang pemohon saham dp Sig 0,040, Jangkawaktu sig 0,032, dan pendidikan 2 SMP sig 0,029 Untuk pendidikan 1 merupakan kategori pendidiikan SMA dibandingkan dengan yang Perguruan Tinggi Perguruan Tinggi Referensi Kategori tidak signifikan berbeda dengan macetnya, namun dengan pendidikan 2 yang merupakan kategori pendidikan SMP ada perbedaan signifikan risiko macetnya dengan yang Pendidikan Perguruan Tinggi. Kolom Exp B menginformasikan jensi berpengaruh pada variabel yang sangat signifikan Jika nilai diatas satu, berarti resikonya lebih besar untuk Macet Nilai Exp B pada variabel dp 15,474 yang berarti nilai dp 1,5 juta lebih tinggi terkena bahaya jika dibandingkan dengan Yang dp 1,5 juta referensi-nya sebesar 15,474 kali Nilai Exp B pada variabel Jangkawaktu 0,869 yang dipersyaratkan semakin lama Jangkawaktu bayar akan semakin kecil resiko terkena macet Nilai Exp B pada variabel pendidikan 2 15,818 yang berarti pemohon yang pendidikannya SMP lebih beresiko 15,818 Menderita macet ji Ka compare dengan yang pendidikannya Perguruan Tinggi. Tabel Hosmer dan Lemeshow Test. Merupakan uji kelayakan model, dimana hipotesanya Model Model pas dan pas tdk Layak Hasil uji menunjukkan nilai Sig 0,404 yang modelnya layak. Kontributor Kharisma Prima Editor Gin Gumilang. Seperti yang telah Dipaparkan pada artikel sebelumnya dimana model regresi logistik digunakan untuk melihat hubungan antara variabel respon biner dengan satu atau beberapa buah variabel prediktor, kali ini saya akan memberikan tutorial singkat tentang cara mengestimasi model regresi logistik dengan menggunakan bantuan aplikasi program SPSS Dalam tutorial ini saya menggunakan SPSS versi 13 0, namun anda bisa menggunakan versi yang lain dengan tampilan yang kurang lebih sama dengan versi yang saya gunakan Oke langsung saja kita beranjak pada contoh kasus. Misalkan seorang peneliti ingin mengetahui faktor-faktor apa saja yang mempengaruhi sebuah perusahaan akan melakukan praktik perat Aan laba laba smoothing Faktor-faktor tersebut telah berhasil sebanyak 3 faktor yang nantinya akan menjadi variabel prediktor, antara lain ukuran perusahaan LnTA profitabilitas perusahaan RoA dan rasio hutang perusahaan DAR Ketiga variabel ini akan memprediksi praktik perataan laba, sehingga variabel respon dalam model regresi logistik Ini adalah variabel income smoothing IS. Pertama-tama, buka SPSS Data Editor dan pada tab Variable View 1 buatlah 4 variabel dengan nama masing-masing LnTA, RoA, DAR dan IS Ubah nilai variabel IS pada kolom Decimals 2 menjadi 0.Langkah selanjutnya , Klik pada bagian baris IS dan kolom Nilai 3, sehingga akan muncul jendela Nilai Label Pada bagian ini kita definisikan kategori Income Smoothing IS berdasarkan data yang kita miliki 4, dimana kategori perata kita beri skor 1 dan kategori bukan perata kita beri skor 0 0 pada bagian Nilai dan bukan perata pada bagian Value Label lalu klik Add Lakukan hal yang sama untuk katego Ri perata Klik OK Perlu dicatat itu pendefinisian skor 1 dan 0 tidak boleh sama, skor 1 untuk kategori peluang sukses dan skor 0 untuk kategori peluang gagal. Klik pada tab Data View 5, lalu masukkan satu per satu data penelitian sesuai variabel-variabel yang tidak sesuai 6.Sebagaimana terlihat pada gambar di atas, variabel LnTA, RoA dan DAR masing-masing bertipe data metrik, sedangkan variabel IS bertipe data kategorik binary. Klik Menganalisis Regresi Binary Logistic sehingga akan muncul jendela Logistic Regression Masukan variabel LnTA, RoA dan DAR ke kolom Covariateslah variabel IS ke kolom Dependent Pada bagian Metode paling tidak ada 3 pilihan yang dapat digunakan, yaitu Enter dan Stepwise Metode Stepwise sendiri terbagi menjadi dua, Teruskan dan Backward Pada contoh kali ini kita menggunakan metode Masukkan semua variabel prediktor ke dalam model Dan diestimasi secara bersama-sama Metode Stepwise akan dibahas pada artikel lainnya. Masih pada je Ndela Logistic Regression klik Opsi lalu beri tanda centang pada bagian Klasifikasi plot Hosmer-Lameshow goodnes-of-fit Korelasi perkiraan Iterasi sejarah dan CI untuk exp B Klik Continue. Apabila pada variabel-variabel prediktor ada variabel yang bertipe data kategorik, maka kita harus Dengan cara klik kategorikal lalu masukan variabel prediditor bertipe data kategorik tersebut ke kolom kategoris kategorik klik Continue Namun pada contoh kasus kali ini, seluruh variabel prediktor bertipe data metrik. Klik OK maka akan muncul jendela SPSS Viewer yang berisi output hasil hasil regresi logistik. Hasil Dan Interpretasi. Melalui kedua tabel Iterasi Sejarah di atas kita dapat menghitung nilai -2 L 0 L 1 sebagai berikut. Dengan 0,05 dan derajat kebebasan df k 3 dimana k adalah jumlah variabel prediktor, didapat dari tabel distribusi chi - kuadrat Dari 7,815 Dikhan 21,992 7, 815 atau -2 L 0 L 1 p maka dapat disimpulkan secara Bersama-sama simultan, variabel ketiga prediktor signifikan signifikan terhadap variabel Income Smoothing IS. SPSS tidak bisa mengakomodir nilai R 0, sesuai dengan determinasi yang disesuaikan, SPSS berikan Cox Snell R Square dan Nagelkerke R Square Untuk dapat mengestimasi nilai R 0, adj Kita harus secara manual menggunakan bantuan aplikasi program atau yang lainnya Tutorial perkiraan nilai R 0, adj ini akan dibahas pada artikel lainnya. Cox Snell s R Square adalah ukuran yang mencoba meniru ukuran R pada multiple linear regression yang dibangun pada teknik memperkirakan likelihood dengan nilai 4 dari 5 hasil pencarian dari kata kunci yang lain. Hasil Pencarian Teks untuk Film Cox Snell s R menurut relevansi: Jawaban atas 1 satu hal yang tidak dapat dilakukan pada Ghozali, 2011 341 Lebih lanjut menurut Ghozali, Nagelkerke s R Square adalah hasil modifikasi dari Cox dan Snell untuk memastikan nilai dari 0 nol sampai 1 satu Hal ini dilakukan dengan cara membagi nilai Cox Snell s R Square dengan nilai maksimumnya Nilai Nagelkerke s R Squa Re dapat diinterpretasikan seperti pada R pada multiple linear regression. Melalui tabel Model Ringkasan di atas didapat nilai Nagelkerke s R Square sebesar 0,055 Hal ini mengandung variabilitas variabel dependen IS yang dapat disimpulkan oleh variabilitas variabel bebas LnTA, RoA dan DAR secara simultan adalah sebesar 5 , 5, sedangkan sisanya sebesar 94,5 dijelaskan oleh variabilitas variabel lain luar yang bersangkutan yang diteliti tersebut. Melalui tabel Variabel dalam Persamaan di atas dapat dilihat hasil analisis taksiran regresi modelnya, sehingga diperoleh model regresi logistik sebagai berikut. dimana e adalah bilangan prima Konstanta panduan 2,71828 Hasil persamaan regresi logistik di atas tidak bisa langsung diinterpretasikan dari pada hal tersebut seperti dalam regresi linier biasa Interpretasi bisa dilakukan dengan melihat nilai Exp B atau nilai eksponen yang terbentuk Yamin Kurniawan, 2014 101 Interpretasi dalam persam Aan regresi logistik harus dilakukan secara hati-hati ketika variabel prediktor yang memiliki ke dalam model memiliki beberapa tipe data Untuk variabel prediktor pada contoh kasus ini, dimana ketiga variabel prediktor bertipe data metrik, nilai Exp B dapat diinterpretasikan jika variabel LnTA meningkat dari 1 satuan, Maka akan ada perubahan odds ratio sebesar 1.207 Demikian juga untuk menafsirkan pada variabel prediktor lainnya. Melalui persamaan model tersebut kita dapat melakukan prediksi income smoothing IS berdasarkan nilai yang telah diketahui pada variabel LnTA, RoA dan DAR Misalkan yang diketahui nilai LnTA sebesar 20, 51 RoA sebesar 6,67 dan DAR sebesar 0,62, maka nilai-nya tadi kita ganti contohnya dalam persamaan model sebagai berikut. Seperti yang sebelumnya sebelumnya skor 1 adalah kategori perata dan skor 0 adalah kategori bukan perata, maka hasil prediksi di Atas dapat dikategorikan sebagai perusahaan yang melakukan prak Tik perataan laba laba smoothing Hal ini akibat hasil logit sebesar 0,718 di atas kurang dari hasil cut-off 0,5 Namun jika nilai logit kurang dari nilai cut-off 0,5, maka hasil prediksi dapat dikategorikan sebagai bukan perata. Masih dalam tabel Variabel dalam Persamaan nilai probabilitas p-value signifikansi parameter dapat dilihat pada kolom Sig, dimana p-value yang lebih kecil dari taraf signifikansi yang telah ditentukan 0,05 dapat diartikan variabel prediktor yang memiliki pengaruh yang signifikan terhadap variabel respon Dapat diketahui secara parsial, variabel LnTa signifikan signifikan terhadap IS 0,001 0,05, variabel RoA tidak signifikan terhadap IS 0,068 0,05 dan variabel DAR tidak signifikan terhadap IS 0,067 0,05 Uji signifikansi parameter dapat pula dilakukan dengan menggunakan interval konfidensi 95 Sebagai contoh nilai 95,0 CI untuk EXP B pada variabel LnTa adalah sebesar 1,077 Turun Dan atas 1,353 Atas, maka dapat disimpulkan bahwa LnTA sedang mengalami gangguan dalam hal ini 1 satu berada di luar retang interval konfidensi tersebut, ukuran 1 berada dalam interval interval konfidensi, maka variabel prediktor dapat menerima tidak nyata nyata terhadap variabel respon Seperti terlihat pada hasil interval konfidensi variabel RoA dan DAR. Tabel Hosmer dan Lemeshow Test di atas digunakan untuk kesesuaian model goodness of fit, atau dengan kata lain untuk model yang kita gunakan, yaitu dengan menggunakan dua variabel independen LnTa, RoA dan DAR Sudah sesuai dengan data empiris atau tidak Hipotesis nol pada pengujian ini adalah model yang telah cukup menjelaskan data sesuai dengan kriteria uji tolak hipotesis nol jika nilai probabilitas lebih kecil atau sama dengan taraf signifikansi yang telah ditetapkan p 0,05 Berdasarkan tabel di atas didapat nilai Chi - Persegi dengan 8,502 dengan nilai probabilitas se Besar 0,386 Dengan demikian hipotesis nol diterima 0,386 0,05, model kata sudah cukup menjelaskan data fit. Ghozali, Imam 2011 Aplikasi Multivariat dengan Program IBM SPSS 19, Edisi 5 Semarang Badan Penerbit Universitas Diponegoro. Yamin, Sofyan Heri Kurniawan 2014 SPSS Lengkap Analisis Teknik Statistik Terlengkap dengan Software SPSS, Edisi 2 Jakarta Salemba Infotek.
No comments:
Post a Comment