Cara Analisis Multivariat Regresi Logistik dengan SPSS

Analisis regresi logistik adalah sebuah metode statistik yang sangat berguna untuk memodelkan hubungan antara variabel dependen kategorikal biner (atau multinominal) dengan satu atau lebih variabel independen, yang bisa berupa kontinu maupun kategorikal. Dalam dunia penelitian, terutama di bidang sosial, kesehatan, ekonomi, dan ilmu lainnya, memahami faktor-faktor yang memengaruhi suatu kejadian atau keputusan menjadi krusial. SPSS (Statistical Package for the Social Sciences) adalah salah satu perangkat lunak statistik yang paling populer dan banyak digunakan untuk melakukan analisis ini dengan mudah dan efisien.

Artikel ini akan memandu Anda langkah demi langkah mengenai cara melakukan analisis regresi logistik menggunakan SPSS, mulai dari persiapan data hingga interpretasi hasil. Tujuan utamanya adalah memberikan pemahaman yang jelas agar Anda dapat menerapkan metode ini dalam penelitian Anda.

Ilustrasi sederhana hasil analisis regresi logistik, menunjukkan pengaruh berbagai variabel independen terhadap probabilitas kejadian.

Persiapan Data

Sebelum memulai analisis, pastikan data Anda sudah terorganisir dengan baik. Beberapa hal yang perlu diperhatikan:

• Variabel Dependen: Harus berupa variabel kategorikal biner (misalnya, 0 untuk "tidak terjadi" dan 1 untuk "terjadi"). Jika Anda memiliki lebih dari dua kategori, pertimbangkan regresi logistik multinomial atau ordinal.
• Variabel Independen: Dapat berupa variabel kontinu (misalnya, usia, pendapatan) atau kategorikal (misalnya, jenis kelamin, tingkat pendidikan). Variabel kategorikal perlu diubah menjadi variabel dummy jika tidak memiliki urutan yang jelas.
• Ukuran Sampel: Regresi logistik membutuhkan jumlah observasi yang memadai, terutama untuk setiap kategori variabel dependen dan independen. Aturan umum yang sering direkomendasikan adalah minimal 10-20 kejadian per prediktor.
• Data Bersih: Periksa dan tangani nilai yang hilang (missing values) serta outlier yang mungkin memengaruhi hasil analisis.

Langkah-langkah Analisis di SPSS

Interpretasi Hasil SPSS

Output SPSS regresi logistik akan menampilkan beberapa tabel kunci yang perlu diinterpretasikan:

1. Block 0: Beginning Block

   Tabel ini menampilkan model tanpa prediktor. Ini adalah baseline untuk membandingkan model yang akan dibangun.

2. Block 1: Method = Enter

   Ini adalah tabel utama yang menampilkan hasil regresi logistik dengan semua prediktor yang Anda masukkan.

   • Variables in the Equation: Tabel ini menampilkan koefisien regresi (B), Standard Error, Wald statistic, Degrees of Freedom (df), nilai Signifikansi (p-value), dan Exp(B) atau Odds Ratio (OR) beserta Confidence Interval-nya.
     • B (Koefisien Regresi): Menunjukkan perubahan pada log-odds dari variabel dependen untuk setiap kenaikan satu unit pada variabel independen, dengan asumsi variabel lain konstan.
     • Exp(B) (Odds Ratio): Ini adalah interpretasi yang paling umum. Odds Ratio mengukur seberapa besar kemungkinan terjadinya peristiwa (variabel dependen bernilai 1) ketika variabel independen berubah satu unit, sambil menjaga variabel lain tetap konstan.
       • Jika Exp(B) > 1, variabel independen tersebut meningkatkan kemungkinan terjadinya peristiwa.
       • Jika Exp(B) < 1, variabel independen tersebut menurunkan kemungkinan terjadinya peristiwa.
       • Jika Exp(B) = 1, variabel independen tersebut tidak memengaruhi kemungkinan terjadinya peristiwa.
     • Sig. (p-value): Jika nilai Sig. lebih kecil dari tingkat signifikansi yang ditetapkan (umumnya 0.05), maka variabel independen tersebut dianggap memiliki pengaruh yang signifikan secara statistik terhadap variabel dependen.
     • Confidence Interval (CI) untuk Exp(B): Interval ini memberikan rentang nilai di mana Odds Ratio sebenarnya diperkirakan berada. Jika interval CI tidak mencakup angka 1, maka pengaruh variabel tersebut signifikan pada tingkat kepercayaan yang dipilih.
   • Variables Not in the Equation: Menampilkan variabel yang tidak masuk dalam model, beserta statistik yang menunjukkan potensi dampaknya jika dimasukkan.
3. Model Summary

   Tabel ini memberikan ukuran kesesuaian model secara keseluruhan, seperti Nilai -2 Log likelihood, Cox & Snell R Square, dan Nagelkerke R Square. Cox & Snell R Square dan Nagelkerke R Square adalah analog R-squared dalam regresi linear, yang memberikan indikasi seberapa baik model menjelaskan variasi dalam variabel dependen (meskipun interpretasinya berbeda dari regresi linear).

4. Hosmer and Lemeshow Test

   Uji ini digunakan untuk menilai kesesuaian model. Hipotesis nol (H0) adalah bahwa model sesuai dengan data. Jika nilai Sig. (p-value) > 0.05, maka kita dapat menyimpulkan bahwa model tersebut baik dan sesuai. Sebaliknya, jika Sig. < 0.05, model perlu dipertimbangkan ulang atau diperbaiki.

5. Classification Table

   Tabel ini menunjukkan seberapa baik model memprediksi kategori variabel dependen (nilai 0 dan 1). Ini menampilkan akurasi prediksi model.

Kesimpulan

Analisis regresi logistik dengan SPSS adalah alat yang ampuh untuk memahami determinan dari hasil biner. Dengan mengikuti langkah-langkah di atas dan memahami cara menginterpretasikan outputnya, Anda dapat menarik kesimpulan yang berarti dari data Anda. Selalu ingat untuk memeriksa asumsi model dan mempertimbangkan konteks penelitian Anda saat menginterpretasikan hasil.