Nama : Rosita Putri Rahmi HaeraniNIM: 1303039Kelas: BPend.IPA Pascasarjana UPITUGAS STATISTIK

KORELASI

DIKOTOMI MURNIDIKOTOMI BUATANKONTINUM INTERVALPERINGKAT

DIKOTOMI MURNIKoef. PhiBiserial titik

DIKOTOMI BUATANtetrakhorikBiserial

KONTINUM INTERVALPearson

PERINGKATSpearman Tau Kendall

A. Koef. Phi Teknik korelasi yangdigunakan untuk jenis data nominalnominal Mengkorelasikan jumlah frekuensi antar kategori pada variabel X dan Y Hanya bisa diguakan untuk tabel 2x2

Nilai phi diantara 1 dan 1

Untuk mengujihi potesa nihil,koefisien phiharus ditransformasimen jadi Chi-Square

Kemudian ChiSquare hasil transformasi Phi dibandingkan dengan chi-squaretabel. ChiSquare table diperoleh dengan menghitung db=(K-1)(B 1) dan penetapan

B. Biserial TitikKorelasi yang digunakan untuk satu variable diukur dalam skala interval atau rasio dan variable lainnya adalah variable nominal dengan dua tingkat klasifikasi(variable dikotomi)

Ket:rpbis=KorelasiPointBiserial =MeanJenjang1&2 =SimpanganDeviasiTotalp =Proporsi(n/N)q=1-p

Ket:rpbis=KorelasiPointBiserial =MeanJenjang1 =Mean total =SimpanganDeviasiTotalp =Proporsi(n/N)q=1-p

Untuk menguji hipotesa nihil,koefisien point biserial harus dibandingkan dengan rtabelUntuk melihat rtabel harus dicari df=N-2rpbisrtabel=H0Ditolakrpbis 0 < 0 0 Pengujian dapat dilakukan untuk sampel besar atau sampel kecil Pada sampel kecil (n 10) disediakan tabel nilai kritis khusus Pada sampel besar (n > 10), distribusi probabilitas pensampelan mendekatai distribusi probabilitas normal Untuk sampel-sampel kecil, signifikansi suatu hubungan yang diobservasi antara dua sampel yang ranking dapat ditentukan dengan hanya menemukan harga S dan kemudian melihat tabel kritisnya untuk menetapkan kemungkinan (satu sisi) yang berkaitan harga tersebut. Kalau p , Ho dapat ditolak.Sebagai contoh, misalkan N = 8 dan S = 10. tabel kritisnya menunjukkan bahwa suatu S 10 untuk N = 8 mempunyai kemungkinan kemunculan di bawah Ho sebesar p = 0,138 Pada sampel besar, n > 10Distribusi probabilitas pensampelan mendekati distribusi probabilitas normalRerata = 0Kekeliruan baku

Statistik uji

REGRESI LOGISTIK

Analisis regresi logistikdigunakan untuk menjelaskan hubungan antara variabel respon yang berupa data dikotomik/biner dengan variabel bebas yang berupa data berskala interval dan atau kategorik (Hosmer dan Lemeshow, 1989). Variabel yangdikotomik/bineradalah variabel yang hanya mempunyai dua kategori saja, yaitu kategori yang menyatakan kejadian sukses (Y=1) dan kategori yang menyatakan kejadian gagal (Y=0). pada model model linear umum komponen acak tidak harus mengikuti sebaran normal, tapi harus masuk dalam sebaran keluarga eksponensial.Sebaran bernoullitermasuk dalam salah satu dari sebaran keluarga eksponensial. Variabel respon Y ini, diasumsikan mengikuti distribusi Bernoulli.

Tidak sepertiregresi linierbiasa,regresi logistiktidak mengasumsikan hubungan antara variabel independen dan dependen secara linier.Regresi logistikmerupakan regresi non linier dimana model yang ditentukan akan mengikuti pola kurva seperti gambar di bawah ini.

contoh Kasus dalam regresi logsitik biner:

1. Pengaruh Tingkat Pendidikan, Lapangan Kerja yg dimasuki, Pendapatan, Pengeluaran, Jumlah ART terhadap status kemiskinan (Miskin/TIdak Miskin).2. Pengaruh Pendapatan Keluarga, Banyaknya Anggota Keluarga, Jenis rumah, Usia Kepala Keluarga terhadap Kepemilikan rumah (Punya rumah/tidak) intinya variabel dependentnya dikotomi artinya memiliki dua kategori seperti pada kasus diatas yang ditebal.

Model yang digunakan padaregresi logistikadalah:

Log (P / 1 p) = 0 + 1X1 + 2X2 + . + kXk

Dimana p adalah kemungkinan bahwa Y = 1, dan X1, X2, X3 adalah variabel independen, dan b adalah koefisien regresi.

Regresi logistikakan membentuk variabel prediktor/respon (log (p/(1-p)) yang merupakan kombinasi linier dari variabel independen. Nilai variabel prediktor ini kemudian ditransformasikan menjadi probabilitas dengan fungsilogit.

Regresi logistikjuga menghasilkan rasio peluang (odds ratios) terkait dengan nilai setiap prediktor. Peluang (odds) dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak terjadi. Secara umum, rasio peluang (odds ratios) merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan sebagai jumlah relatif dimana peluang hasil meningkat (rasio peluang > 1) atau turun (rasio peluang < 1) ketika nilai variabel prediktor meningkat sebesar 1 unit.

Odds ratio merupakanukuran risiko atau kecenderungan untuk mengalami kejadian sukses antara satu kategori dengan kategori lainnya, didefinisikan sebagai ratio dari odds untuk xj = 1 terhadap xj = 0. Odds ratio ini menyatakan risiko atau kecenderungan pengaruh observasi dengan xj = 1 adalah berapa kali lipat jika dibandingkan dengan observasi dengan xj = 0. Untuk variabel bebas yang berskala kontinyu maka interpretasi dari koefisien j pada model regresi logistik adalah setiap kenaikan c unit pada variabel bebas akan menyebabkan risiko terjadinya Y = 1, adalah exp(c.j) kali lebih besar.

Odds ratio dilambangkan dengan , didefinisikan sebagai perbandingan dua nilai odds xj = 1 dan xj = 0, sehingga: