Postingan

Menampilkan postingan dari November, 2015

Regresi Model Logit (Logistic) Menggunakan Eviews

Gambar
Oleh : Jul Fahmi Salim Assalamualaikum wr wb... Selamat Pagiiii... Semoga kita semua dalam keadaan sehat hari ini dan seterusnya, Amiin ya rabbal alamin.. :-) Jika sebelumnya saya sudah post mengenai regresi data Logit dengan menggunakan Shazam, maka kali ini kita akan sama-sama belajar, bagaimana cara regresi data panel dengan menggunakan Eviews.. Berikut merupakan langgkah-langkah regresi data logit / probit : Buka Program Eviews buat workfile baru pada tab workfile structure pilih unstructure/undated Pada tab data range, silahkan ketik jumlah sampel yang ada dalam penelitian dan klik oke untuk menginput variabel, klik object => series => isi namanya (JA) dan klik ok karena jumlah sampel setiap variabel sama, maka klik kanan var JA, => copy kemudian langsung paste beri nama variabel nya, klik ok.. lakukan langkah seperti tadi sampai semua variabel ada untuk memasukan data...

Regresi Model Logit (Logistik) Dengan Menggunakan Shazam

Gambar
Oleh : Jul Fahmi Salim Assalamualaikum wr wb.. Selamat Pagi Menjelang siang..... :-) Sudah beberapa waktu tidak update nih blog, karena sesuatu dan lain hal.hehehe... Baiklah kali ini mari kita belajar mengenai langkah-langkah regresi model logistik atau model logit.. sebelum masuk kedalam langkah-langkah pengerjaannya maka mari kita lihat, apa sebenarnya model logit tersebut ?? Regresi 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 ...