Minggu yang lalu, saya, menyampaikan, mengenai, kari, dari, análises, regressar, logistik, biner. Pada minggu ini, saya akan coba melanjutkan pembahasan berkaitan dengan langkah-langkah pengolahan nya dengan menggunakan programa bantuan SPSS. Langkah-langkahnya adalah sebaian berikut: 1. Buka lah programa SPSS yang anda miliki 2. Dados de entrada nya --gt sebagai contoh, data yang saya gunakan dados de adalá dados de data buku Análise de dados categóricos (Alan Agresti, 2007, edisi 2 --gt Halaman 132), pada kasus saya variabel penjelasnya ada 2 (Durasi skala rasio dan t dengan skala nominal) dan variabel terikatnya Y dalam bentuk nominal (terdiri atas 2 kategori - gtbiner) 3. Pilih opsi variabel view. Lalu ubahlah variabel nome dan etiqueta - nya sesuai dengan kasus masing-masing. Saat ini, saya akan menggubah nama menjadi D, T dan Y misalnya. Valores Kemudianos nya disesuaikan nilainya. Bila dados binários nominais nominal ordinal (misalnya untuk T dan Y), medida nya diganti dari escala menjadi nominal. 4. Os dados cobrem, kemudian pilih opsi Analisam gt Regressão gt Logística binária 5. Masukkan Y sebagai variabel Dependente dan D serta T sebagai covariates. Untuk Método nya saat ini saya masih tetap menggunakan enter. 6. Karena Categoria do artigo: Categoria de tópicos relacionados com a categoria Categoria do artigo: Categoria: nya dengan cara memilih opsi Categorical. Untuk kemudahan interpretasi biasanya saya memilih primeiro a referir-se nya. Palavras-chave para esta categoria. Kemudian JANGAN LUPA mudança pilih. Clique em Continuar. 7. Pilih opções. Kemudian centang hosmer lemeshow dan classificação parcelas dan klik continuar. Kemudian OK. Está bem. Untuk Interpretasi Produzido por silhkan membaca postingan berikutnya yang berjudul. Analisis Regresi Logistik (interpretasi). Terimakasih telah membaca. Konsep Regresi Logistik BinerDikotomi Análise regressiva logística merupakan metodo analisis yang biasanya digunakan oleh mahasiswa dalam menyelesaikan skripsi berkaitan dengan skripsi tentang persepsi. Bahasa, gaul, metode, ini, biasa, disebut, reglog. Untuk pembahasan kali akan dibahas material reglog dulu. Dan akan dilakukan untuk contoh kasusnya software de dengan SPSS. Mudah-mudahan bisa membantu para cendikiawan muda termasuk penulis sendiri. hehehhe Análise regressiva logística digunakan untuk menjelaskan hubungan antara variável respon yang berupa dados dikotomikbiner dengan variabel bebas yang berupa dados berskala intervalo dan atau kategorik (Hosmer dan Lemeshow, 1989). Variabel yang dikotomikbiner adalah variabel yang hanya mempunyai dua kategori saja, yaitu kategori yang menyatakan kejadian sukses (Y1) dan kategori yang menyatakan kejadian gagal (Y0). Pada modelo modelo linear umum komponen acak tidak harus menguikuti sebaran normal, tapi harus masuk dalam sebaran keluarga eksponensial. Sebaran bernoulli termasuk dalam salah satu dari sebaran keluarga eksponensial. Variabel respon Yini, diasumsikan mengikuti distribusi Bernoulli. Timbul pertanyaan: Perbedaan antara regressar logistik dengan analisis regressar biasa kenapa tidak pakai analise regressar biasa aja Sebenarnya untuk masala diatas bisa digunakan analisis regressar OLS. Tapi harus memenuhi asumsi bahwa 0 lt E (Yi 247 Xi) lt 1. Namun persyaratan tersebut sulit untuk terpenuhi. Sehingga metode regressão OLS kurang cocok untuk dados kuantitatif dan lebih baik menggunakan metode regresi logistik. Contoh Kasus dalam regressi logsitik biner: Pengaruh Tingkat Pendidikan, Lapangan Kerja yg dimasuki, Pendapatan, Pengeluaran, Jumlah ART status terhadap kemiskinan (MiskinTIdak Miskin). Pengaruh Pendapatan Keluarga, Banyaknya, Anggota Keluarga, Jenis rumah, Usia, Intinya variabel dependentnya dikotomi artinya memiliki dua kategori seperti pada kasus diatas yang ditebal. Kenapa cuma dua kategori aja tidak bisa lebih dari tiga kategori Adicionar ao carrinho de compras bisa karena hanya bisa dua sesuai dengan namanya. Unta masala diatas ada metodo lain yang bisa digunakan yaitu regresi logistik ordinal. (S) (0) (0) (0) (0) (0) (0) (0) (0) (0) (0) (0) (0) (0) (0) (0) (0) (0) (0) (0) (0) (0) Nenhuma classificação recente foi aceita Lista de Desejos Opções de Localização Lista de Desejos Obrigado com a palavra - J 1,2. P. (X) merupakan fungsi yang não linier, sehingga perlu dilakukan transformar ke dalam bentuk logit untuk memperoleh fungsi yang linier agar dapat dilihat hubungan antara variavel bebas dan variabel tidak bebas. Dengan melakukan transformasi dari logit (x), maka didapat persaman yang lebih sederhana, yaitu: Jika dari beberapa variaba bebas ada yang berskala nominal atau ordinal, maka variável tersebut tidak akan tepat jika dimasukkan dalam modelo logit karena angka-angka yang digunakan untuk menyatakan tingkatan Tersebut hanya sebagai identificador dan tidak mempunyai nilai numerik dalam situação seperti ini diperlukan variabel dummy. Untuk variabel bebas dengan skala ordinal maupun nominal dengan k kategori, akan diperlukan sebanyak k-1 variabel dummy. Asumida-se como um dalam regressão logística: Tidak mengasumsikan hubungan linier antar variável dependente de independente Variável dependente harus bersifat dikotomi (2 variabel) Variable independente tidak harus memiliki keragaman yang sama antar kelompok variavel Categoria independente dalam variabel independente harus terpisah satu sama lain atau bersifat eksklusif Sampel yang Diperlukan dalam jumlah relatif besar, mínimo dibutuhkan hingga 50 dados de sampel dados para sebuah variabel prediktor (bebas). 1. Metode kemungkinan maksimum (Método de Máxima Verossimilhança) 2. Metode kuadrat terkecil tertimbang noniterasi (Método de Peso Mínimo Pontual) 3. Analisis fungsi diskriminan (Discriminant Análise de Fuction) Metade do ponto de vista da probabilidade do método do metodo do metoda do metodo do metodo do kuadrat do termodinâmico do termômetro do termômetro do termômetro, método sedangkan metodo noniterativo peso menos método quadrado hanya menggunakan satu kali iterasi. Kedua metode ini asymptoticaly equivalente. Artinya jika ukuran sampel besar keduanya akan menghasilkan estimador yang identik. Penggunaan fungsi diskriminan mensyaratkan variável penjelas yang kuantitatif berdistribusi normal. Oleh karena itu, penduga dari fungsi diskriminan akan sobre estimativa bila variabel penjelas tidak berdistribusi normal. Dari Ketiga metodei di atas, metodo yang banyak digunakan adalah metode maksimum probabilidade dengan alasan lebih praktis (Nachrowi dan Usman, 2002). Metode maksimu likelihoood ini menduga parâmetro dengan nilai yang memaksimumkan fungsi probabilidade (função de verossimilhança). Uji Signifikansi Modelo Untuk mengetahui pengaruh variabel bebas terhadap variável tidak bebas secara bersama-sama (geral) di dalam modelo, dapat menggunakan Uji Razão de verossimilhança. Hipotesisnya adalah sebagai berikut: Ho: 1 2. P 0 (tidak ada pengaruh veriabel bebas secara simultaneamente terhadap variabel tak bebas) H1: mínimo ada satu j 8800 0 (ada pengaruh paling sedikit satu veriabel bebas terhadap variabel tak bebas) Untuk j 1,2. P Estatística uji yang digunakan adala: Lo Maksimum Lieklihood dari modelo reduksi (Modelo Reduzido) modelo atau yang terdiri dari konstanta saja Lp Maksimum Probabilidade dari modelo penuh (Modelo Completo) atau dengan semua variabel bebas. Estatísticas G2 ini mengikuti distribusi Khi-kuadrat dengan derajad bebes p sekingga hipotesis ditolak jika p-valor lt, yang berarti variabel bebas X secara bersama-sama mempengaruhi variabel tak bebas Y. Uji Parsial dan Pembentukan Modelo Pada umumnya, tujuan analsis statistic adalah untuk mencari Modelo yang cocok dan keterpautan yang kuat antara modelo dengan dados yang ada. Parâmetro keberartiano de Pengujian (koefisien) secara parsial dapat dilakukan melaluí Uji Wald dengan hipotesisnya sebagai berikut: Ho: j 0 (variabel bebas ke j tidak mempunyai pengaruh secara signifikan terhadap variabel tidak bebas) H1: j 8800 0 (variabel bebas ke j mempunyai pengaruh secara Signifikan terhadap variabel tidak bebas) Untuk j 1,2. P Estatísticas de Denunciante uji sebagai berikut: Hipotesis akan ditolak jika p-value lt yang berarti variabel bebas Xj secara parcial mempengaruhi variabel tidak bebas Y. Odds Ratio Odds ratio merupakan ukuran risiko atau kecenderungan untuk mengalami kejadian 8216sukses 8216 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 unidade pada variabel bebas akan menyebabkan risiko terjadinya Y 1, adalá exp (cj) kali lebih besar. Odds ratio dilandrangan dengan, didefinisikan sebagai perbandingan dua nilai odds xj 1 dan xj 0, sealingga: Siang mas. Saya Echa. Ingin menanyakan..pada penelitian saya (dados não parametrizados, var dependen dan independen keduanya rasio) didapat hasil korelasi spearman yg bermakna. Saya ingin melanjutkan regresinya. tp setelah saya uji regressar liniernya trnyt residualnya uji Kolmogorov tidak terdistribusi normal juga..hehhe. Sebaiknya saya menggunakan regresi apa ya mas apakah hrs menggunakan regressar logistik (pdhal dados saya rasio) .. mhn pencerahannya ya mas .. tksh bnyk Siang. Kalau, datanya, rasio, mungkin, lebih, baik, menggunakan, korelasi, pearson. Kalau datanya tidak normal bisa dicoba transformas dulu variabelnya mas. Assalamu39alaikum. Ka, mau tanya. Di logit, kalo salah satu variabel prediktor yang bentuknya logaritma natural (ln), misanya variabel pengeluaran dalam bentuk ln, itu gimana interpretasi odds ratio nya apa sama aja kaya de analisis regressar linier misal odds ratio nya 3, berarti tiap kenaikan satu persen pengeluaran, Kecenderungan quotsuksesquot akan meningkat sebesar 3 kali. Apa seperti itu terimakasih. Jazakumullaahu khairan. Wa39alaikumsalam, knapa di-ln-kn dek mending variabelnya yang mentah saja, tidak usah ditransformasi, supaya reglognya tidak mubazir. Sama2 dek. Di-ln-kn, tujuannya biar mempermuda interpretasi ka, tapi ternyata malah bingung cara nginterprestinya. Kalo gak di-ln-kn, ketika odds nya 2, berarti intrpretasinya: setiap pertambahan quotsatuquot rupia pengeluaran, meningkatkan kecenderungan quotsuksesquot sebesar 2x, apakah seperti itu maksud dari quotreglognya mubadzirquot itu gmn makanya tidak usah di-ln-kan dek, selain jd makin Susah interpretasi, biasanya transformasi dilakukan untuk menormalkan dados, sementara metode reglog tidak butuh asumsi normalitas. Definição de metodo yang persyaratannya paling ringan de antara metode regresi lain, jadi kalau datanya diperlakukan seperti ketika memakai regi biasa (yg syaratnya banyak) itu menurut saya mubazir. Assalamu39alaykum Mas Chalik Mawardi. Mohon izin saya ikut nanya jugada, sedang menyusun skripsi. Ada beberapa pertanyaan: 1. Apakah Dados berskala Ordinal bisa hanya terdiri dari dua categoria Contohnya para pelamar PNS dikategorikan menjadi quotlulus tesquot dan quottidak lulus tesquot. 2. Variabel penelitian saya hanya terdiri dari satu variabel dependen dan satu variabel independen. Varibel dependennya sebenarnya terdiri dari 4 kategori, tetapi bisa juga diolah menjadi dikotomi. Sedangkan untuk variavel independennya intervalo, tetapi juga bisa diolah menjadi dhikotom. Mohon saran Mas Chalik sebaiknya saya menggunakan metode estatística do arquivo Terima kasih sebelumnya. Wa 39alaikummsalam 1. Tidak, ordinal itu maksudnya, categoria, tapi memiliki tingkatan, berapapun banyaknya kategori tersebut. Misal, dados de classificação siswai, mahasiswai IP, jabatan pekerja, jenjang pendidikan (sd, smp, sma), dsb 2. Kalau dilihat dari jenis datanya, bisa pakai regresi logistik atau probit assalamualaikum, mas saya mau nanya. Saya masih belum paham soal penggunaan variabel dummy. Jadi penelitian saya tu datanya ordenado dengan satu variabel independen dan satu variabel dependen. Tapi penelitiano saya ini dilakukan pada dua kelompok yaitu kelompok sasaran dan kelompok kontrol. Sebelumnya saya meneliti korelasi variabel x terhadap y pada kelompok sasaran, selanjutnya saya bandingkan dengan kelompok kontrol maná yang pengaruhnya lebih besar terhadap variabel y. Dosen saya menyarankan untuk di manequim, tapi saya blm paham mas. Mohon, pncerahannya, bgmn, caranya, trus, apakah, bisa, menggunakan, spss, atau, gimana, mas, terimakasih, sebelumnya. Pagi Pak, saya mau, bertanya, bagaimana, cara, mengolah, regresi, logistik, dengan, variabel, dependen, 2, categoria, independência, ada, tiga, categoria. Misal dependennya menerima opini indo preocupação diberi kode 1 dan menerima opini não vai preocupação 0 lalu independennya kondisi keuangan bangkrut diberi kode 1, rawan diberi kode 0, sehat diberi kode -1. Mohon pencerahannya pak, makasi untuk kemudahan coba ganti kode variavel independennya menjadi 1, 2 dan 3. jumlah pilihan pada variavel independen tidak masala masih bisa dijalankan dengan programa populer seperti SPSS. Coba buka SPSS gt trus análise gt regressi gt logística biner (logística binária). Taruh variabel independen di covariate. Itu jika ingin menggunakan logistik biner Jika ingin menggunakan logistik geral maka bisa buka spss trus análise gt logística gt geral gt taruh de covariate digunakan jika variabel kategorik. Coba dulu yaaRegresi linier seperti yang kita ketahui tidak dapat menyelesaikan kasus dimana variabel dependente bersifat dikotomi dan kategori dengan dua atau lebih kemungkinan (ex. Sukses atau Gagal terpilih atau tidak lulus lulus atau tidak lulus melakukan pembeliano atau tidak mendapat promosi atau tidak, dan lain - Lain). Regressar à lista de categorias de produtos relacionados com esta categoria: macaco variavel prediktor baik numérico ataupun kategorik, termasuk variabel dummy. Pada regresi linier, variabel prediktor yang digunakan biasanya numerik, tetapi jika kita melibatkan campuran antara numerik maupun kategorik kita dapat menggunakan regresi logistik. Regresi logistik membentuk persaan atau fungsi dengan pendekatan máxima probabilidade, yang memaksimalkan peluang pengklasifikasian objek yang diamati menjadi kategori yang sesuai kemudian mengubahnya menjadi koefisien regressar yang sederhana. Dua nilai yang biasa digunakan sebagai variabel dependen yang diprediksi adalah 0 dan 1 (ex. 1berhasil, 0gagal). Regresi logistik menghasilkan rasio peluang (relações de probabilidade) antara keberhasilan atau kegagalan suatu dari analisis. Dapat kita contohkan dengan seorang tokoh yang ingin menjadi presidente, akan lebih baik peluangnya jika menjadi ketua partai politik tertentu. Disini odds ratio yang dimaksud adalah seberapa besar peluang tokoh tersepo dengan mempertimbangkan variabel prediktor yang ada. Regresi logistik akan membentuk variabel prediktorrespon (log (p (1-p)) yang merupakan kombinasi linier dari variabel independant. Nilai variabel prediktor ini kemudian ditransformar as menjadi probabilitas dengan fungsi logit Asidio-asumsi dalam regresi logistik Tidak mengasumsikan hubungan linier antar variabel dependen dan Independente Variable dependen harus bersifat dikotomi (2 variabel) Variabel independente tidak harus memiliki keragaman yang sama antar kelompok variavel Categoria independente dalam variabel independentes harus terpisah satu sama lain atau bersifat eksklusif Sampel yang diperlukan dalam jumlah relativo a besar, mínimo dibutuhkan hingga 50 sampel data untuk sebuah variabel ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Odds ratio) Atau razão de verossimilhança dengan kemungkinan terbesar nilai peluang adala 1, dengan demikian persaman regressar logistik menjadi: logit (p) log (p1-p) ln (p1-p) dimana p bernilai antara 0-1. Modelo yang digunakan pada regresi logistik adalah: Registro (P 1 8211 p) 0 1X1 2X2 8230. kXk Dimana p adalah kemungkinan bahwa Y 1, dan X1, X2, X3 adala variavel independen, dan b adalah koefisien regresi. Konsep Log Odds, Odds Ratio Logit (probabilidades de registro) merupakan koefisien slope (b) dari persamaan regresi. Inclinação disini adalah perubahan nilai rata-rata dari Y dari satu unidade perubahan nilai X. Regresi logistik melihat perubahan pada nilai variabel dependen yang ditransformasi menjadi peluang, bukan nilai aslinya seperti pada regresi linier. Sebagai ilustrasi jika nilai peluang adalah 0,25, maka nilai odds adalah 3 (25,75), sedangkan jika nilai peluang 50, maka nilai odds adalah 1 (50. 50) 2 (33. 67) dengan total keseluruhan nilai peluang adala 1. Nilai odds ratio biasanya dapat kita lihat pada kolom b pada 8216variables na equação8217 saída SPSS. Kecocokan Model (modelo em forma) dan fungsi likelihood Probabilidade de ser alvo de uma tentativa de probabilidade de hipotesis tertentu. Seperti yang kita ketahui pada kurva regressar mais linier kita lihat adanya hubungan linier, peningkatan pada sumbu Y akan diikuti dengan peningkatan pada sumbu X dan sebaliknya. Tetapi pada regressi logistik dengan nilai Clique para ver o gráfico em tempo real de sg. Oleh karena itu metode máxima probabilidade sangat berguna dalam menentukan kecocokan modelo yang tepat bagi persaman yang kita miliki. Hipotesis dalam regressi logistik antara lain: h0 ketika persaman regi bernilai 0 logit (p) 0. h1 persamaan regresi berbeda nyata dari 0 logit (p) 8800 0. Regresi logistik merupakan regressar não linier dimana modelo yang ditentukan akan mengikuti pola kurva linier seperti gambar Di bawah ini. Regresi logistik juga menghasilkan rasio peluang (relações de probabilidade) terkait dengan nilai setiap prediktor. Peluang (odds) dari suaru kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak terjadi. Secura umum, rasio peluang (proporções de probabilidade) merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan sebagai jumlah relatif dimana peluang hasil meningkat (raso peluang gt 1) atau turun (raso peluang lt 1) ketika nilai variavel prediktor meningkat sebesar 1 unidade. Lebih jelasnya kita dapat mengikuti ilustrasi in: Kita ingin mengetahui apakah berat badan (peso) sapi para peternak di kota elgrow bertambah significante atau tidak, dengan variabel prediktor adalah sexo yang terdiri atas masculino (M) atau feminino (F), pemberian obat cacing (Anthelmintic) secara rutina sesuai dosis yang dinyatakan dengan sim não dan, dan biaya pemeliharaan por bulan yang dinyatakan dalam EU. Kali ini kita akan menjalankan modelo logit menggunakan bantuan software IBM SPSS versi 23, untuk yang masih menggunakan SPSS seri di bawahnya jangan khawatir, masih kurang lebih sama koq cara aplikasinya, kamu bisa download dados disini 1. tahap dados importantes (misalnya dari excel), Buka SPSS kamu, arquivo gt ler dados de texto, pada kotak diálogo abrir dados, arquivos de tipo gt pilih excel, maka datanya muncul di layar, pilih lalu klik gt aberto, kemudian dimunculkan lagi jendela dados de abertura, lista de verificação seperti gambar gt ok, dados telah Masuk dalam registro spss, berikut adalah dataview, lihat sususannya tidak beraturan, kamu bisa atur dalam variável vista: atur rótulo, desimal, dan lain-lain dalam variabel ver, 2. Tahap Análise, Analise gt regressão gt logística binária, Setelah muncul jendela logística Regressão, masukkan weightgain kedalam dependen, dan variável kategorik yaitu sexo dan anthelmintic ke kotak covariates, lalu klik categórico, untuk menyesuaikan tipe dados variabel kategorik, Di jendela Define covariates variáveis pilih referência categoria primeiro, kemudian klik mudanças gt continuar, klik próximo lalu masukkan variabel kontinyu custo, ke dalam covariates, kemudian opção, kemudian continuar gt ok, maka outputnya akan ditampilkan, Chi-Square modelo sebesar 18,440, angka ini menjelaskan kemampuan Modelo dalam memprediksi variabel dependen weightgain. Dengan signifikansi 0,000 lt 0,05, berarti terdapat peningkatan signifikansi dengan penambahan sexo variável, dan anthelmintic, modelo ke dalam. -2 log probabilidade menjelaskan signifikansi modelo layaknya R-sq pada regressar linier OLS. Tabel Hosmer e Lemeshow testaram um modelo de modelo significativo, um modelo diferente e um anthelmintico. Penambahannya cukup kecil dengan signifikansi 0,631 (gt0,05). Kita lihat kembali pada variáveis de saída na equação menunjukkan modelo sesuai hipotesis null atau modelo tanpa prediktor, variáveis de saída não na equação menunjukkan signifikansi masing-masing variabel independen terhadap weightgain. (0,000), sedangkan sex (1) tidak signifikan (0,298). Dari tabel dapat kita lihat bahwa variabel anthelmintico (1) memberikan peningkatan yang signifikan terhadap modelo (0,000). Tetapi secara keseluruhan signifikan terhadap perbaikan modelo (estatísticas globais, sig 0,000). Dari variáveis de saída na equação persaman yang kita peroleh adalah (lihat nilai pada kolom B): Log odds (peso) B0 B1sex (1) B2anthelmintic (1) B3cost atau dengan nilai aslinya Pontuação do jogo (weightgain) -3,502 0,116sex (1) 2,638anthelmíntico (1) 0,011cost Jika sex (1) 1 (lihat output coding), anthelmíntico (1) 1 (lihat output coding), dan costUS 100, maka persamaannya menjadi: Log odds (weightgain) -3,502 0,116 (1) (Peso) -3,502 0,116 2,638 1,1 Jika kita hilangkan log maka persaan akan dalam bentuk eksponensial: probabilidades (weightgain) e -3,502 0,116 2,638 1,1 Interpretação de resultados Persaan Untitk setiap perubahan por unidade Pada variabel sexo (1) (koding dummy untuk variabel Mjantan), akan meningkatkan weightgain sebesar 0,116. Untuk setiap kenaikan pada variabel anthelmintico (1) sebesar 1 unidade, maka akan meningkatkan weightbain sebesar 2,638. Untitled Setiap Sebesar US1 terhadap variabel cost, maka akan meningkatkan peluang weightgain sebesar 0,011. Dari nilai signifikansi dapat kita simpulkan bahwa variabel yang signifikan berpengaruh logaritmo odds (peso) adalah pemberian obat cacing secara rutina (anthelmintic (1)), dan cost of dengan nilai signifikansi berturut-turut 0,02 dan 0,018 (pada tingkat signifikansi 95). Kemudian mari kita interpretasikan nilai exp (B) variáveis de saída pada na equação di atas: Variabel sexo (1) yang mengacu pada MaleJantan, memiliki kecenderungan untuk mendapatkan pertambahan berat badan (peso) 1,122 kali daripada Femalebetina yang menjadi kategori referensi kita Adalah koding dummy, dimana 0 pontos de fidelidade 1 ponto). Variabel anthelmintic (1) yang mengacu pada sim, dimana pemberian obat cacing secara teratur dan sestae dosis memiliki peluang sebesar 13,988 kali daripada kategori referente a kang yang mengacu pada no, dimana no dinyatakan sebagai tidak memberikan asupan obat cacing secara rutina dan sesuai dosis. Variabel ini sangat significado significa mempengaruhi log odds (peso) dengan nilai signifikansi 0,002. Variabel cost cenderung meningkatkan peso 0,058 kali dengan nilai signifikansi yang baik yaitu 0,018 lt 0,05. (Yoso) download materi dalam bentuk pdf di bawah ini gtgtgt
No comments:
Post a Comment