Dalam sebuah penelitian biasanya kita memodelkan hubungan antar 2
variabel, yaiitu variabel X (independent) dan Y (dependent). Metode yang biasa
dipakai dalam penelitian seperti ini adalah regresi linier, baik sederhana maupun
berganda. Namun, adakalanya regresi linier dengan metode OLS (Ordinary Least
Square) yang dipakai tidak sesuai untuk digunakan. Regresi linier yang sering
digunakan kadang terjadi pelanggaran asumsi Gauss-Markov. Misalnya pada
kasus dimana variabel dependent (Y) bertipe data nominal, sedangkan variabel
bebas/prediktornya (X) bertipe data interval atau rasio.
Ingin diketahui apakah mahasiswa sudah melek keuangan berdasarkan
jenis kelamin, fakultas yang dipilih dan indeks prestasi kumulatif. Dalam kasus ini
hanya ada 2 kemungkinan respon mahasiswa, yaitu mahasiswa melek
keuangan dan mahasiswa tidak melek keuangan.
Dari contoh kasus di atas, dapat diketahui bahwa tipe data variabel
respon (Y) adalah nominal, yaitu kategorisasi keputusan mahasiswa melek
keuangan atau tidak (misal melek keuangan angka 1, sedangkan tidak melek
keuangan angka 0), sedangkan tipe data untuk variabel bebas (X) setidaktidaknya interval (skala likert). Bila metode regresi linier biasa diterapkan pada
kasus semacam ini, menurut Kutner, dkk. (2004), akan terdapat 2 pelanggaran
asumsi Gauss-Markov dan 1 buah pelanggaran terhadap batasan dari nilai duga
(fitted value) dari variabel respon (Y), yaitu:
1. Error dari model regresi yang didapat tidak menyebar normal.
2. Ragam (variance) dari error tidak homogen (terjadi heteroskedastisitas pada
ragam error).
3. Sedangkan, pelanggaran bagi batasan nilai duga Y (fitted value) adalah
bahwa nilai duga yang dihasilkan dari model regresi linier biasa melebihi
rentang antara 0 s.d. 1. Hal ini jelas tidak masuk akal , karena batasan nilai
pada variabel Y (dalam kasus ini adalah Pemahaman literasi keuangan tinggi
=1 dan Pemahaman literasi keuangan rendah =0). Untuk mengatasi masalah
ini, diperkenalkan metode Regresi Logistik. Regresi logistik (kadang disebut
model logistik atau model logit), dalam statistika digunakan untuk prediksi probabilitas kejadian suatu peristiwa dengan mencocokkan data pada fungsi
logit kurva logistik.
Regresi logistik adalah sebuah pendekatan untuk membuat model
prediksi seperti halnya regresi linear atau yang biasa disebut dengan istilah
Ordinary Least Squares (OLS) regression. Perbedaannya adalah pada regresi
logistik, peneliti memprediksi variabel terikat yang berskala dikotomi. Skala
dikotomi yang dimaksud adalah skala data nominal dengan dua kategori,
misalnya: Ya dan Tidak, Baik dan Buruk atau Tinggi dan Rendah.
Apabila pada OLS mewajibkan syarat atau asumsi bahwa
error varians (residual) terdistribusi secara normal. Sebaliknya, pada regresi
logistik tidak dibutuhkan asumsi tersebut sebab pada regresi logistik mengikuti
distribusi logistik
Tidak ada komentar:
Posting Komentar