Kamis, 21 Juni 2018

Model Regresi Logistik

regresi logistik
Memodelkan Regresi Logistik
Regresi logistik mengenalkan kita kepada sebuah model pendekatan relatif riil. Terlebih, model regresi linier relatif susah didapatkan karena harus berhubungan linier serta lulus uji asumsi klasik. Model regresi logistik setidaknya menjadi "pelarian terakhir" apabila model yang kita hasilkan tidak baik.

Adapun model regresi logistik sendiri secara umum dapat dituliskan sebagai berikut:
regresi logistik
Model Regresi Logistik
 Di mana nilai P merupakan peluang dikotomis yang diperoleh dari formula:
regresi logistik
Nilai P
Nilai e merupakan exponen yang merupakan nilai balikan dari logaritma natural sebesar 2,72. Sedangkan nilai g aksen x-i dijabarkan:
regresi logistik
Nilai g topi x-i
Perbedaan mendasar dari model regresi logistik selain dari aspek asumsinya adalah jenis metode estimasi nilai parameternya. Jika pada regresi linier, metode estimasi nilai parameternya menggunakan metode kuadrat terkecil biasa atau Ordinary Least Square (OLS), pada model regresi logistik, metode OLS tidak dapat digunakan, estimasi nilai parameter regresi logistik justru menggunakan metode Maximum Likelihood (ML) dengan fungsi Likelihood berikut:
regresi logistik
Fungsi Likelihood Regresi Logistik
Untuk mendapatkan estimator parameter regresi logistik, fungsi Likelihood dimaksimumkan dengan melakukan penurunan (differensial) terhadap fungsi Likelihood berikut:
regresi logistik
Proses memaksimumkan fungsi Likelihood