MODEL PROBABILITAS LINIER

Kuliah Statistik Transportasi #14

Dr. Darmawan Apriyadi, S.T., M.T.

INSTITUT TRANSPORTASI DAN LOGISTIK TRISAKTI

JAKARTA
 LOGIT & PROBIT
KEGUNAAN

Penjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan yang diteliti.
Prediksi PELUANG suatu kejadian (dispesifikasikan pada
variabel dependen) berdasarkan nilai variabel bebas.

Faktor determinan, yaitu penentuan variabel bebas mana (pada regresi berganda) yang berpengaruh
dominan terhadap variabel tergantung. Hal ini dapat dilakukan bilamana unit satuan data seluruh
variabel sama, skalanya homogen dan bersifat kontinyu.

Pengelompokan obyek berdasarkan nilai peluang

Catatan: Kategori variabel dependen bersifat biner (dua kategori)

 LOGIT & PROBIT
a) Spesifikasi Model :

(1) Identifikasi variabel Dependen dan Independen

(2) Menentukan Spesifikasi Model
• Spesifikasi model sesuai dengan mekanisme substansi pada
bidang yang dikaji (teoritis)
• Spesifikasi model ditentukan secara empiris (scatter diagram)

P(Y|x)

LOGIT

PROBIT

b) Pendugaan Paremater: Sama dengan regresi klasik (OLS)

c) Pemeriksaan Asumsi: Sama dengan regresi klasik
d) Interpretasi: prediksi peluang dan atau pengelompokan
LOGIT

1
Model Logit : Pi = E (Yi | xi ) =
1  e   0  1 X 1 

Bila Z : 0 + 1 X, maka P1 = 1
; fungsi distribusi komulatif logistik
1  e  Zi

Fungsi ini bersifat : intrinsicly nonlinear  linear ; OLS dapat

diaplikasikan :
1
Pi =
1  e 1Zi
1
1 - Pi = 1-
1  e 1Zi
1
= 1  e 1Z i

1
Pi 1  e  Zi 1  e Zi
=
1  Pi = 1 1  e  Zi = eZi
1  e Zi
Gunakan Sifat Logaritma Untuk Transformasi Linier

ln ( 
Pi 
  ln e
Zi

 1  Pi 

 Li = Zi ln (e)

Li = β0 + β1 X ; linier

Pi
: odd ratio
1  Pi

misal y = 1 ; mempunyai rumah

0 ; tidak mempunyai rumah
pi = proporsi y = 1

Bila Pi = 0.8 (keluarga dengan pendapatan 40) , maka

0. 8
4
1  0. 8

Artinya pada keadaan tersebut kekuatan kepemilikan rumah

adalah 4 berbanding 1.
Log dari odd ratio di sebut : logit

 Pi 
Li = ln   β0 + β1 Xi + e
 1  Pi 

Pendugaan parameter : OLS

1 ni
Var (e) = ; Pˆ 
Ni Pˆ i (1  Pˆ i ) Ni

Masalah : heteroskedastisitas
 gunakan bobot (wi) sehingga WLS yang lebih
tepat.
Ni P̂i(1 - P̂i)
wi =

Li* = Wi Li
Xi* = Wi Xi
WLS : Li* = β0 Wi + β1 Xi* + e Wi
 LOGIT
Ilustrasi Model Logit
Xi = income (10 $)
Ni = sampel keluarga dalam Xi (Sampel)
ni = jumlah keluarga yang memiliki rumah (Kejadian)

x Sampel Kejadian Logit wi

6 40 8 -1.39 2.53
8 50 12 -1.15 3.02
10 60 18 -.85 3.55
13 80 28 -.62 4.27
15 100 45 -.20 4.97
20 70 36 .06 4.18
25 65 39 .41 3.95
30 50 33 .66 3.35
35 40 30 1.10 2.74
40 25 20 1.39 2.00

Keluarga dengan pendapatan 370 $, berapa peluang memiliki rumah ?

ANALISIS LOGIT & PROBIT dengan SPSS

1) Masukkan data ke Worksheet SPSS

2) Klik Analyze, cari Regession dan pilih Probit

3) Masukkan variabel yang akan dianalisis, Kejadian pada Response Freq., Sampel pada Total Observed dan
Var. Independen pada Covariate. Kemudian Klik Logit (kiri bawah) bilamana ingin analisis Logit dan
bilamana ingin analisis Probit Klik Probit.

4) Klik OK

CATATAN : Atau buat variabel Logit, kemudian lakukan analisis regresi klasik
LOGIT
* * * * * * * * * P R O B I T A N A L Y S I S * ** * * * * * * * *

Parameter estimates converged after 10 iterations.

Optimal solution found.

Parameter Estimates (LOGIT model: (LOG(p/(1-p))) = Intercept + BX):

Regression Coeff. Standard Error Coeff./S.E.

X .07907 .01011 7.81866

Intercept Standard Error Intercept/S.E.

-1.60235 .20403 -7.85334

Pearson Goodness-of-Fit Chi Square = 2.347 DF = 8 P = .968

LOGIT
Model yang diperoleh :

Li : -1.60235 + 0.07907 Xi
R2 = 0.9791
Kelurga dengan X = 37, berapa peluang memiliki rumah?
Li = -1.60235 + 0.07907 (37)
= 1.32398
1
Pi =
1  e  1.32398 

= 0.7898

Suatu keluarga dengan penghasilan 370 $ berpeluang

memiliki rumah sebesar 78.98 %.

Kaidah pengelompokan (Sarma, 1996) :

peluang  0.5 ; masukkan ke kejadian
peluang < 0.5 ; masukkan ke bukan kejadian
PROBIT

1 1 / 2 x 2
DZ u  00
z
F (Z) = e
2u
06

F (Z = 1.96) =  F ( z ) DZ  0.025
1.96

 untuk Pi = 0.20  berapa Z

1
F ( Pi )  Z ; nilainya berkisar antara –3.5 sampai dengan + 3.5
disebut normit (i)
Agar tidak negatif : +5 dan normit + 5 disebut probit

Model probit :

Zi = β0 + β1 Xi
 REGRESI LOGISTIK

KEGUNAAN

- Penjelasan (explanation) terhadap fenomena yang dipelajari atau

permasalahan yang diteliti.
- Prediksi odd ratio suatu kejadian berdasarkan kondisi atau
pertambahan nilai variabel bebas.
- Faktor determinan, yaitu penentuan variabel bebas mana (pada regresi
berganda) yang berpengaruh dominan terhadap variabel tergantung.
Hal ini dapat dilakukan bilamana unit satuan data seluruh variabel sama,
skalanya homogen dan bersifat kontinyu.
- Catatan: Kategori variabel dependen bersifat biner atau multi
 REGRESI LOGISTIK

a) Spesifikasi Model :
(1) Identifikasi variabel Dependen dan Independen
(2) Menentukan Spesifikasi Model : pemilihan variabel bebas

b) Pendugaan Paremater: MLE

c) Pemeriksaan Asumsi: Sama dengan regresi klasik
d) Interpretasi: prediksi odd ratio
REGRESI LOGISTIK BINER

ILUSTRASI
Ingin diketahu pengaruh dari keberadaan pasar (rencana) dan
pendapatan terhadap tingkat kesejahteraan masyarakat
Sejahtera : 0 = kurang
1 = sudah
Pasar : 0 = tidak ada
1 = ada
Pendapatan: x Rp 100.000,-

CATATAN: Data di dalam worksheet SPSS

REGRESI LOGISTIK BINER dengan SPSS

1) Masukkan data ke Worksheet SPSS

2) Klik Analyze, cari Regession dan pilih Binery
Logistic
3) Masukkan variabel yang akan dianalisis.
4) Klik Options, kemudian Klik Hosmer-… dan
Continue
5) Klik OK
ANALISIS REGRESI LOGISTIK

Interpretasi :
(1) Pengaruh pendapatan signifikan (p = 0.006)
(2) Odd ratio pendapatan = 1.412; artinya setiap peningkatan pendapatan
Rp. 100.000,- maka mempunyai kekuatan 1.412 kali meningkatkan
kesejahteraan

(3) Seandainya pengaruh pasar signifikan; artinya dengan adanya pasar

maka mempunyai kekuatan 1.392 kali meningkatkan kesejahteraan
masyarakat dibandingkan tidak ada pasar
VARIABEL KATEGORIK

 Variabel Kategorik sebagai variabel bebas

Contoh:
 Jenjang Pendidikan: SD, SLTP, SLTA, D3, S1, S2, S3
 Laki-perempuan; Kota-Desa; Ya-Tidak; Domestik-
Asing

 Variabel Kategorik sebagai variabel terikat

Contoh:
 Pilihan Investasi: Saham, Valas, Obligasi, Deposito,
Emas
 Pilihan Moda Transportasi ke tempat kerja:
Kereta, Bus, Motor, Mobil Pribadi, Jalan kaki
REGRESI DG VARIABEL
TERIKAT KATEGORIK/ DUMMY
PEMBAHASAN:
 Fokus

 Kasus yang muncul

 Model

 Masalah

 Bagaimana kalau diestimasi dengan

OLS
 Kasus
1. Apa yang mempengaruhi pilihan investasi pada stock market?
 Variabel terikat: Pilihan Investasi (kategorik): stock market atau
lainnya
 Variabel bebas:
 Pendapatan (rupiah)
 Return (persentasi)
 Kondisi Ekonomi (kategorik): kontraksi, stagnan, ekspansi

2. Apa yang mempengaruhi pilihan transportasi kerja?

 Variabel terikat: Pilihan moda transportasi (kategorik):
Kereta, bus, motor, mobil pribadi
 Variabel bebas:
 Jarak ke tempat kerja, Pendapatan (rupiah), Harga BBM,
Kondisi Jalan, Kenyamanan

3. Apakah punya rumah atau tidak

 Variabel terikat: Kepemilikan rumah
 Variabel bebas: Pendapatan Keluarga, Banyaknya Anggota
Keluarga, Jenis rumah, Usia Kepala Keluarga.
 Pemodelan Matematis dan masalahnya
Yi = 1 + 2 Xi + ui
X = pendapatan keluarga
Y = 1 ; bila suatu keluarga mempunyai rumah
0 ; bila suatu keluarga tidak mempunyai rumah
Secara matematis, dengan mengasumsikan bahwa E(ui) = 0,
E(Yi Xi) = 1 + 2Xi
Secara statistik, ekspektasi kondisional dari Yi jika diberikan Xi
E (Yi Xi) = (Yi = 1) P( Yi = 1Xi ) + (Yi = 0) P(Yi = 0Xi) = P(Yi = 1 Xi)

Bila
pi : probabilita bahwa keluarga i memiliki rumah, yaitu bila Yi = 1;
(1 – pi ): probabilita bahwa keluarga i tidak memiliki rumah, yaitu bila Yi = 0,

E(Yi X) = (Yi = 0) P(Yi = 0 Xi) + (Yi = 1) P(Yi = 1 Xi) = P(Yi = 1 Xi) = pi

Akibatnya:
E(Yi Xi) = 1 + 2 Xi = pi
Karena 0  pi  1, akibatnya: 0  1 + 2 Xi  1
Apakah estimator hasil OLS dapat menjamin bahwa
besaran 1 + 2 Xi terletak antara 0 dan 1?

Contoh
Akan dilihat hubungan antara pernah-tidaknya melakukan
perjalanan ke luar negeri, dan penghasilan per bulan.

Model: Yi = 1 + 2 Xi + ui

Yi = 1; Pernah melakukan perjalanan ke luar negeri

= 0; Tidak pernah melakukan perjalanan ke luar
negeri
Xi = Pendapatan
 Pernah ke Luar Pendapatan Pernah ke Luar Pendapatan
Keluarga Keluarga
Negeri (Juta Rp.) Negeri (Juta Rp.)
01 0 2,8 21 1 4,3
02 1 3,4 22 1 5,6
03 1 5,3 23 0 1,4
04 0 2,1 24 0 0,9
05 0 1,9 25 1 7,3
D
06 1 3,6 26 0 1,3
07 1 3,7 27 1 6,3 A
08 0 1,7 28 1 3,7 T
09 0 1,2 29 0 1,9
10 0 1,5 30 0 2,0
A
11 1 1,9 31 1 4,2
12 1 2,0 32 0 3,2
13 0 2,1 33 1 4,0
14 1 2,9 34 1 3,0
15 0 1,1 35 0 1,0
16 1 1,8 36 0 0,9
17 1 7,0 37 1 2,4
18 0 2,2 38 1 2,3
19 0 2,0 39 0 1,7
20 1 6,0 40 1 5,0
 ANALISIS
Taksiran model yang ditaksir dengan OLS sebagai berikut:

Yi = -0,0637 + 0,1986 Xi
R2 = 0,4665

Interpretasi Model

 Intercept = -0,0637;
 Bila pendapatan Rp. 0, maka probabilitas bahwa orang tersebut
pernah melakukan perjalanan ke luar negeri adalah negatif.
 Bila pendapatan lebih kecil dari Rp 321.000, probabilitas orang
tersebut pernah melakukan perjalanan ke luar negeri masih nol.
 Bila pendapatan lebih besar Rp. 321.000 probabilitas orang tersebut
pernah melakukan perjalanan ke luar negeri positif.
 Tetapi, bila pendapatan lebih besar dari Rp. 5,4 juta, probabilitas
pernah melakukan perjalanan ke luar negeri lebih dari satu.

 Slope = 0,1986, artinya bila pendapatan naik 1 unit (Rp.1 juta)

probabilitas seseorang untuk melakukan perjalanan keluar negeri naik
20%.
Persyaratan 0  E(Yi  Xi)  1 sulit untuk
dipenuhi, bagaimana mengatasinya?
Ada dua cara untuk mengatasi hal tersebut :
 Kita estimate modelnya dengan OLS.
 Bila E(Yi Xi) terletak antara 0 dan 1 berarti tidak ada masalah
 Bila E(Yi Xi) > 1, kita anggap E(Yi Xi) = 1
 Bila E(Yi Xi) < 0, kita anggap E(Yi Xi) = 0
E(Yi Xi) akhirnya akan terletak antara 0 dan 1.
Metode ini tidak populer karena kurang realistis.

 Kita estimate model Yi = 1 + 2 Xi + ui dengan suatu metode yang

akan menjamin bahwa E(Yi Xi) terletak antara 0 dan 1.

Ada dua macam teknik yang dapat digunakan, yaitu :

(i). Logit, dan (ii). Probit
Dalam kuliah ini yang akan dibicarakan hanya Model Logit.
 Logit (fungsi distribusi logistik)
Didefinisikan:
1
p i  E(Yi  1 X i ) 
1  e (1 2Xi )
atau
1
pi  ; dimana : Zi = 1 + 2 Xi
1  e  Zi
Pengamatan :
• pi terletak antara 0 dan 1, karena Zi terletak antara -  dan .
Bila Z  , maka pi  1
Bila Z  - , maka pi  0
• pi mempunyai hubungan non linier dengan Zi, artinya pi tidak konstan
seperti asumsi pada MPL (Model Probabilitas Linier).
• Secara keseluruhan, Model Logit adalah Model Non-Linier, baik dalam
parameter maupun dalam variabel. Oleh karena itu,
metode OLS tidak dapat digunakan untuk mengestimasi model logit.
 1
Definisi Logit: pi 
1  e zi

 zi
1 e
1  pi  =
1  e zi 1  e zi

Sekarang, perhatikan rasio antara pi dan 1 – pi :

 1 
 
pi  1  e zi   1  e zi  e 1 2 x i

1  p i  zi  e zi
 e 
 1  e zi 
 
Perbandingan itu disebut Odd Ratio atau sering juga disebut risiko.
Untuk contoh perjalanan ke luar negeri, maka odd ratio merupakan
perbandingan antara probabilitas seseorang pernah pergi ke luar
negeri dengan probabilitas seseorang tidak pernah pergi ke luar
negeri .
Misalkan saja bahwa probabilitas seseorang pernah ke luar negeri
adalah 80%. Dengan demikian, probabilitas bahwa seseorang tidak
pernah pergi ke luar negeri adalah 20%. Sehingga odd ratio adalah 4
banding 1.
Makin besar odd ini, makin besar kecenderungan seseorang pernah
pergi ke luar negeri. Ekstrimnya, bila p kecil sekali, maka 1 – p dekat
dengan 1. Akibatnya odd ratio mendekati nol. Sebaliknya, bila p dekat
dengan 1, maka 1 – p mendekati nol. Sehingga odd ratio sangat
besar.
Dengan perkataan lain, odd adalah suatu indikator kecenderungan
seseorang pernah pergi ke luar negeri Ringkasnya, bila odd
mendekati nol berarti kecenderungan seseorang pernah pergi ke luar
negeri sangat kecil sekali.
Bila odd ini kita log-kan, akan kita dapatkan log odd sebagai berikut:

 pi 
Li = ln    z i  1   2 x i
 1  p i 

Sehingga model yang akan kita perhatikan atau kita analisis menjadi :

 pi 
Li = ln    1   2 x i L disebut log odd.
 1  pi 

Pengamatan :

• L linier dalam X
• L juga linier dalam 1 dan 2
• L disebut model Logit
• Karena p terletak antara 0 dan 1, L terletak antara - dan 
• Meskipun L linier dalam X, tetapi p tidak linier dalam X
• 2 menyatakan perubahan dalam L bila x berubah 1 unit
• 1 menyatakan log odd pada saat pendapatan sama dengan nol.

Bila kita mengetahui tingkat pendapatan keluarga, katakanlah xi, kita

dapat menghitung probabilitas bahwa seseorang pernah ke luar negeri
dengan cara menghitung :

1
pi  (1  2 x i )
1 e
Masalahnya sekarang bagaimana menaksir 1 dan 2 ?

Penaksiran dengan Teknik Maksimum Likelihood (ML)

Bagi yang berminat mengetahuinya, silahkan baca buku

halaman 258 - 260
 Pengujian Signifikansi Model
& Parameter
Uji seluruh model (Uji G)
Ho : 1 = 2 = ….. = P = 0
H1 : sekurang-kurangnya terdapat satu  0

Statistik uji yang digunakan :

 likelihood (Model B) 
G = -2 ln 
 likelihood (Model A) 

Model B: model yang hanya terdiri dari konstanta saja

Model A: model yang terdiri dari seluruh variabel
G berdistribusi Khi Kuadrat dengan derajat bebas p atau G ~ p2.

Ho ditolak jika G  2
>  ,P ;  : tingkat signifikansi.

Bila Ho ditolak, artinya model A signifikan pada tingkat signifikansi .

Uji Wald : uji signifikansi tiap-tiap
parameter
Ho :  j = 0 untuk suatu j tertentu ; j = 0, 1, … , p.
H1 :  j  0

Statistik uji yang digunakan adalah

2
 ˆ j 
Wj =   ; j = 0, 1, 2, …., P
ˆ
 SE (  j ) 
Statistik ini berdistribusi Khi Kuadrat dengan derajat bebas 1 atau
secara simbolis ditulis
Wj ~  2
1

Ho ditolak jika Wj >  2 ,1 ; dengan  tingkat signifikansi yang dipilih.

Bila Ho ditolak, artinya parameter tersebut signifikan secara statistik

pada tingkat signifikansi .
 Interpretasi model / parameter
Interpretasi koefisien-koefisien dalam model regresi logistik
dilakukan dalam bentuk odds ratio (perbandingan risiko) atau dalam
adjusted probability (probabilitas terjadi).
p (risiko)
Odd didefinisikan sebagai:
1 p
Dimana p menyatakan probabilitas sukses (terjadinya peristiwa y = 1)
dan 1-p menyatakan probabilitas gagal (terjadinya peristiwa y = 0).

Odds Ratio (perbandingan risiko),  adalah perbandingan nilai Odds (risiko)

pada dua individu ; misalkan individu A dan individu B.

Odds Ratio dituliskan sebagai.

 p( X A ) 
 1  p( X A ) 
  ; XA : karakteristik individu A
p( X B ) XB : karakteristik individu B
  
 1 p ( X B 
)
 Adjusted probabilitas merupakan probabilitas terjadinya suatu
peristiwa y = 1 dengan karakteristik yang telah diketahui.

Dituliskan ;
exp . (z) ; z = 0 + 1 x1 + …. + P xp.
P (y = 1x) =
1  exp (z)
Interpretasi Parameter

Variabel bebas: kategorik

Membandingkan nilai odd dari salah satu nilai pada variabel tersebut
dengan nilai odd dari nilai lainnya (Referensi).
Misalkan kedua kategori tersebut adalah 1 dan 0 dengan 0 yang digunakan
sebagai kategori referensi, maka interprestasi koefisien pada variabel ini ada
rasio dari nilai odds untuk kategori 1 terhadap nilai odds untuk kategori 0;
dituliskan sebagai:
 p(x j  1) p( x j  0) 
    = exp. ( j ).
 1 - p(x j  1) 1  p(x j  0) 
 Artinya
risiko terjadinya peristiwa y=1 pada kategori xj = 1 sebesar
exp. ( j ) kali risiko terjadinya peristiwa y=1 pada kategori xj = 0.

Variabel Bebas: Kontinyu (tidak kategorik).

Setiap kenaikan C unit satuan pada variabel bebas akan mengakibatkan
risiko terjadinya y = 1 sebesar exp ( C.j ) kali lebih besar.

Ilustrasi

Siapa Pilih ParPol ANU?

Analisis hubungan antara karakteristik pemilih dengan pilihan parpol

Dugaan: pendidikan dan lapangan pekerjaan berpengaruh pada pilihan.

Pendidikan dapat mencerminkan tingkat pengetahuan dan kecocokannya
dengan program partai. Pekerjaan sebagai proksi tingkat strata ekonomi
pemilih
Variabel terikat:
Apakah memilih partai ANU pada PEMILU lalu?
Ya =1
Tidak = 0

Variabel bebas:
Pendidikan tertinggi yang ditamatkan:
Tidak/belum bersekolah, Tidak tamat SD & Tamat SD = 1
SLTP dan SLTA = 2
Diploma I/II/III/Akademi, S-1, dan S-2/S-3 = 3

Definisi operasional:
Pendidik1 = 1; Tdk/blm bersekolah, Tidak tamat SD, dan Tamat SD
= 0; Lainnya
Pendidik2 = 1; SLTP dan SLTA
= 0; Lainnya
Pembanding: kelompok yang lulus pendidikan tinggi
 Lapangan Pekerjaan Utama:
Pertanian = 1
Industri = 2
Perdagangan = 3

Definisi operasional:
Pekerja1 = 1; Pertanian
= 0; Lainnya

Pekerja2 = 1; Industri
= 0; Lainnya
Pembanding: lapangan usaha Perdagangan.

Tawaran Model:
Ln (p/1-p) =  + 1 Pendidik1 + 2 Pendidik2 + 1 Pekerja1 + 2 Pekerja2 + 

Model terestimasi:
Ln (p/1-p) = 2,383 – 2,280 Pendidik1 – 1,831 Pendidik2 – 1,130 Pekerja1
– 0,299 Pekerja2
Uji G: Nilai –2 log likelihood = 189,331.
Semua variabel signifikan secara bersama-sama.

Uji Wald: semua koefisien signifikan secara statistik pada  = 5%,

kecuali koefisien pada variabel pekerja(2).
Perlukah variabel tersebut dikeluarkan dari model?.

Interpretasi
Bila pendidikan = 0, dan lapangan usaha = 0, atau disaat pendidikan
seseorang tinggi, dan bekerja di sektor perdagangan,
maka probabilitas mereka mendukung Partai ANU adalah sebesar:
Ln (p/1-p) = 2,383
(p/1-p) = e2,383
p = e2,383/ (1 + e2,383) = 91,55%.
Slop untuk variabel Pendidik1 adalah –2,280.
Artinya, peluang penduduk berpendidikan rendah untuk mendukung
Partai Anu lebih rendah. Terbukti dari nilai Exp (B= -2,280) = 0,102,
berarti bahwa peluang penduduk berpendidikan rendah hanya 0,102 kali
peluang penduduk berpendidikan tinggi.

Slop Pendidikan2 adalah –1,831. Artinya, peluang penduduk berpendidikan

rendah untuk mendukung Partai Anu lebih rendah.
Terbukti dari nilai Exp (B= -1,831) = 0,16, yang dapat diartikan bahwa
peluang penduduk berpendidikan menengah hanya 0,16 kali peluang
penduduk berpendidikan tinggi.

Secara analog, peluang penduduk yang bekerja di sektor pertanian atau indu
untuk mendukung partai lebih rendah dibanding penduduk yang bekerja
di sektor perdagangan.

Peluang penduduk yang bekerja di sektor pertanian mendukung partai

hanya 0,323 kali penduduk yang bekerja di sektor perdagangan.
Penduduk yang bekerja di sektor industri hanya 0,742 kali penduduk yang
bekerja di sektor perdagangan.
MODEL MULTINOMIAL LOGIT
Kasus: Pilihan Investasi
(i). Deposito
(ii). Saham
(iii). Obligasi
(iv). SBI

Kasus: pilihan alat transportasi

(i) kereta api,
(ii) bus, atau kendaraan umum bukan KA
(iii) mobil pribadi.
(iv) motor

Model logistik dengan 4 kategori mempunyai tiga fungsi logit:

 Fungsi logit untuk Y = 1 relatif terhadap fungsi logit untuk Y = 0
 Fungsi logit untuk Y = 2 relatif terhadap fungsi logit untuk Y = 0
 Fungsi logit untuk Y = 3 relatif terhadap fungsi logit untuk Y = 0
 Kategori Y = 0 kita sebut sebagi kategori rujukan (reference
group).
  Pr(Y  1 x )   p3 
z1 (x) = ln  = p 
ln
 Pr(Y  0 x )   0
= 10 + 11 x1 + 12 x2 + … + 1p xp

 Pr(Y  2 x)   p2 
z2 (x) = ln  = ln 

 Pr(Y  0 x )   p0 
= 20 + 21 x1 + 22 x2 + … + 2p xp

 Pr( Y  3 x )   p1 
z3 (x) = ln   = ln 
Pr( Y  0 x )   p0 
 
= 30 + 31 x1 + 32 x2 + … + 3p xp
Ingat: model logit dikotomi, fungsi logitnya:

 Pr(Y  1 x )   p 
z (x) = ln  = ln 
 1  p
 Pr(Y  0 x ) 
= 0 + 1 x 1 + 2 x 2 + … + p x p

ez
p0 = Pr ( Y = 1x ) =
1  ez

p1 = Pr ( Y = 0x ) =
1
1 ez
p0 + p1 = 1
Untuk Multinomial Logit dengan 4 kategori:

1
p0 = Pr ( Y = 0x ) =
1  e z1  e z2  e z3
e z1
p1 = Pr ( Y = 1x ) =
1  e z1  e z2  e z3

e z2
p2 = Pr ( Y = 2x ) =
1  e z1  e z2  e z3

e z3
p3 = Pr ( Y = 3x ) =
1  e z1  e z2  e z3

p0 + p1 + p2 + p3 = 1

Model ditaksir dengan Metode Maximum Likelihood

Ilustrasi Kasus: Pilihan Investasi
Pilihan yang ada:
1. Saham
2. Emas
3. Deposito / Tabungan

Faktor-faktor yang diduga mempengaruhinya:

 pendidikan
 lapangan pekerjaan

Definisi operasional:
 Variabel terikat: (Referensi: Deposito/Tabungan)
1 = Saham
0 = Lainnya

1 = Emas
0 = Lainnya
 Variabel bebas:
 Pendidikan: DIDIK (Referensi: pendidikan tinggi)
1 = rendah
0 = Lainnya

1 = menengah
0 = Lainnya

 Lapangan Pekerjaan: PEKERJA (Referensi: jasa)

1 = industri
0 = Lainnya

1 = Perdagangan
0 = Lainnya

Model:
Ln(p1/p0) = 10 + 11 DIDIK1+12 DIDIK2+ 13 PEKERJA1
+ 14 PEKERJA2

Ln(p2/p0) = 20 + 21 DIDIK1+22 DIDIK2 + 23 PEKERJA1

+ 24 PEKERJA2
Model multinomial yang didapat:

(1) Ln (p1/ p0) = 0,812 – 2,029 DIDIK1 – 1,537 PENDIDIK2

+ 413 PEKERJA1 + 0,481 PEKERJA2

(2) Ln (p2/ p0) = -1,516 + 0,241DIDIK1+ 0,396 DIDIK2

+ 1,487 PEKERJA1 + 0,537PEKERJA2

Bila pada dua persamaan diatas dimasukkan nilai 0, yang berarti

kelompok berpendidikan tinggi dan bekerja di sektor jasa-jasa,
maka akan diperoleh persamaan sebagai berikut:

Ln (p1/ p0) = 0,812

(p1/ p0) = Exp(0,812)
(p1/ p0) = 2,2524
p1 = 2,2524 p0

Berarti, peluang kelompok berpendidikan tinggi, dan bekerja

di sektor jasa-jasa untuk berinvestasi dalam bentuk saham 2,2524 kali
peluang untuk berinvestasi dengan menyimpan uang di Bank.
Dengan memasukan nilai 0 pada persamaan (2) maka persamaan menjadi

Ln (p2/ p0) = -1,516

(p2/ p0) = Exp(-1,516)
(p2/ p0) = 0,2196
p2 = 0,2196 p0

Berbeda dengan persamaan pertama, intersep pada model ini mempunyai

tanda negatif. Berarti, peluang kelompok berpendidikan tinggi, dan bekerja
di sektor jasa-jasa untuk berinvestasi dengan membeli emas lebih rendah
dibanding peluang untuk berinvestasi dengan menyimpan uang di Bank,
yaitu sebesar 0,2196 kali.

Persamaan (1) menunjukan bahwa baik variabel Didik1 maupun Didik2

mempunyai koefisien negatif. Artinya, bahwa mereka yang berpendidikan
rendah dan menengah lebih kecil peluangnya untuk menanamkan uangnya
dalam bentuk saham dibanding mereka yang berpendidikan tinggi.
Hal ini dapat dimengerti mengingat menginvestasikan uang dalam bentuk
saham hanya populer pada sekelompok masyarakat, dan kelompok
umumnya mempunyai pendidikan tinggi.
Sedang untuk variabel pekerjaan, kedua koefisiennya bertanda
positif, yang berarti mereka yang bekerja di sektor industri, dan
perdagangan lebih berpeluang menanamkan uangnya dalam bentuk
saham dibanding mereka yang bekerja di sektor jasa. Akan tetapi,
perlu diingat bahwa perbedaan antar kategori dalam variabel
lapangan pekerjaan ini tidak signifikan secara statistik. Berarti,
peluang pekerja di sektor industri atau perdagangan relatif sangat
kecil perbedaannya dengan mereka yang bekerja di sektor jasa.

Sedang persamaan (2) menunjukan bahwa peluang mereka yang

mempunyai pendidikan rendah, dan menengah untuk menanamkan
uangnya dalam bentuk emas, ternyata lebih tinggi dibanding mereka
yang berpendidikan tinggi. Akan tetapi, uji Wald menunjukkan
bahwa kedua variabel tersebut tidak signifikan secara statistik.

Untuk variabel Pekerja, ternyata mereka yang bekerja di sektor

industri mempunyai peluang lebih besar untuk menanamkan
uangnya dalam bentuk emas dibanding mereka yang bekerja di
sektor jasa. Sedangkan mereka yang bekerja di sektor perdagangan
juga menunjukan hal yang sama dengan yang bekerja di sektor
industri, namun tidak signifikan secara statistik.
Dengan demikian dapat disimpulkan bahwa mereka yang berpendidikan
rendah atau menengah mempunyai peluang lebih tinggi untuk
menginvestasikan uangnya dalam bentuk tabungan dan atau emas.
Sedang mereka yang berpendidikan tinggi mempunyai peluang besar
untuk menginvestasikan dananya dalam bentuk saham, dan atau tabungan.

Sedang menurut pekerjaan, mereka yang bekerja di sektor industri dan

perdagangan mempunyai peluang besar untuk menginvestasikan dananya
dalam bentuk saham, dan atau emas. Dengan demikian, dapat dikatakan
bahwa mereka yang bekerja di sektor jasa lebih banyak yang
menginvestasikan dananya dengan menabung.
TERIMA KASIH