Y : Keputusan menolak/menerima calon anggota baru POLRI X1 : Lama Pengalaman daftar sebelumnya (kali) X2 : Status pendidikan saat ini (0: Tidak Lulus 1: Lulus) X3 : Tingkat pendidikan (0: Lulus Sekolah Menengah Atas , 1: Lulusan Sekolah Menengah kejuruan) X4 : Nilai (skala 80)
ri ## Membangkita Data X1 X1 : Lama Pengalaman daftar sebelumnya (kali) Membangkitkan Variabel X1 dengan lama daftar 0-24 bulan dengan nilai tengah 7 dan banyak pelamar adalah 100
set.seed(20)
n <- 100
u <- runif(n)
x1 <- round (60*(-(log(1-u)/12)))
x1## [1] 10 7 2 4 16 20 0 0 2 2 6 7 0 7 1 3 2 1 2 9 3 0 3 0 2
## [26] 0 12 24 0 6 2 3 9 1 4 3 3 12 5 1 5 0 3 3 7 3 5 7 3 5
## [51] 0 3 2 15 1 4 0 3 2 0 3 1 14 0 14 0 10 4 1 4 0 3 1 4 11
## [76] 2 4 3 5 2 1 11 0 14 6 3 2 4 1 0 4 2 8 18 8 10 9 7 2 0X2 : Status pendidikan Keterangan yang digunakan (0=Tidak Lulus) dan (1=Lulus)
set.seed(22)
x2 <- round(runif(n))
x2## [1] 0 0 1 1 1 1 1 1 0 0 1 1 0 1 0 0 0 0 1 0 0 0 1 1 1 1 0 1 0 0 0 0 1 0 1 0 1
## [38] 0 0 1 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 1 0 0 0 1 0 0 1 1 1 0 1 0 1 0 1 1 0
## [75] 1 0 0 0 0 0 0 0 1 0 1 1 1 0 1 0 1 0 0 0 1 1 0 0 1 1X3 : Tingkat Pendidikan Keterangan yang digunakan (0: Lulus Sekolah Menengah, 1: Lulusan Sekolah Menengah Kejuruan)
set.seed(20)
x3 <- round(runif(n))
x3## [1] 1 1 0 1 1 1 0 0 0 0 1 1 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 1 0 0 1 0 1 0 0
## [38] 1 1 0 1 0 0 0 1 0 1 1 0 1 0 0 0 1 0 1 0 0 0 0 0 0 1 0 1 0 1 1 0 1 0 0 0 1
## [75] 1 0 1 0 1 0 0 1 0 1 1 0 0 1 0 0 1 0 1 1 1 1 1 1 0 0X4 adalah data nilai pelamar dengan skala 80
set.seed(12)
x4 <- round(rnorm(n,3,0.5),2)
x4## [1] 2.26 3.79 2.52 2.54 2.00 2.86 2.84 2.69 2.95 3.21 2.61 2.35 2.61 3.01 2.92
## [16] 2.65 3.59 3.17 3.25 2.85 3.11 4.00 3.51 2.85 2.49 2.87 2.90 3.07 3.07 3.18
## [31] 3.34 4.04 2.73 2.46 2.81 2.76 3.14 2.76 3.40 2.50 3.05 2.42 3.29 2.20 2.85
## [46] 3.22 2.51 3.09 3.37 2.75 2.98 2.94 3.23 4.01 2.47 3.37 3.27 2.34 2.87 3.16
## [61] 3.20 3.50 3.43 3.10 3.42 3.42 3.98 1.93 3.49 3.57 2.74 3.13 2.79 2.91 2.95
## [76] 2.68 2.36 2.81 3.26 2.91 3.00 2.36 2.90 3.58 2.99 3.45 2.91 3.56 2.73 2.52
## [91] 3.19 2.51 3.45 3.06 3.52 2.83 3.23 2.65 2.88 2.50##Membangkitkan data Y
b0 <- -8
b1 <- 1.2
b2 <- 2
b3 <- 1.5
b4 <- 0.3set.seed(18)
datapendukung <- b0+(b1*x1)+(b2*x2)+(b3*x3)+(b4*x4)
datapendukung## [1] 6.178 3.037 -2.844 1.062 15.300 20.358 -5.148 -5.193 -4.715 -4.637
## [11] 3.483 4.605 -7.217 4.803 -5.924 -3.605 -4.523 -5.849 -2.625 5.155
## [21] -3.467 -6.800 -1.347 -5.145 -2.853 -5.139 8.770 25.221 -7.079 1.654
## [31] -4.598 -3.188 7.119 -6.062 1.143 -3.572 -1.458 8.728 0.520 -4.050
## [41] 0.415 -7.274 -3.413 -3.740 2.755 -3.434 0.253 2.827 -3.389 0.325
## [51] -5.106 -1.518 -2.631 12.703 -6.059 1.311 -5.019 -3.698 -4.739 -7.052
## [61] -1.440 -5.750 11.329 -5.070 13.326 -4.974 6.694 0.879 -5.753 1.371
## [71] -7.178 -1.461 -3.963 -0.827 9.585 -4.796 -0.992 -3.557 0.478 -4.727
## [81] -5.900 7.408 -5.130 11.374 3.597 -1.365 -2.727 -0.632 -3.981 -7.244
## [91] 1.257 -4.847 4.135 16.018 6.156 8.349 5.269 2.695 -2.736 -5.250p <- exp(datapendukung)/(1+exp(datapendukung))
p## [1] 0.9979297221 0.9542179495 0.0549922948 0.7430725623 0.9999997734
## [6] 0.9999999986 0.0057774423 0.0055246248 0.0088802998 0.0095937820
## [11] 0.9702001780 0.9900973414 0.0007334628 0.9918616809 0.0026673471
## [16] 0.0264678516 0.0107398098 0.0028744940 0.0675466911 0.9942626273
## [21] 0.0302659072 0.0011125360 0.2063612679 0.0057947001 0.0545264504
## [26] 0.0058293695 0.9998447005 1.0000000000 0.0008419059 0.8394309293
## [31] 0.0099715267 0.0396198097 0.9991910790 0.0023243217 0.7582300167
## [36] 0.0273315915 0.1887734106 0.9998380401 0.6271477663 0.0171240333
## [41] 0.6022861769 0.0006928527 0.0318916436 0.0232029381 0.9401951107
## [46] 0.0312496126 0.5629147649 0.9441175339 0.0326410161 0.5805423048
## [51] 0.0060237699 0.1797562184 0.0671697655 0.9999969580 0.0023312888
## [56] 0.7876804440 0.0065677145 0.0241741561 0.0086715359 0.0008649271
## [61] 0.1915453486 0.0031726828 0.9999879809 0.0062431977 0.9999983685
## [66] 0.0068679362 0.9987632120 0.7066149537 0.0031632091 0.7975416706
## [71] 0.0007626107 0.1883144255 0.0186515197 0.3042797778 0.9999312524
## [76] 0.0081950187 0.2705172212 0.0277332000 0.6172754928 0.0087753025
## [81] 0.0027319608 0.9993939852 0.0058817607 0.9999885097 0.9733252272
## [86] 0.2034288729 0.0613988225 0.3470571823 0.0183248929 0.0007139382
## [91] 0.7785092422 0.0077907260 0.9842493867 0.9999998895 0.9978837687
## [96] 0.9997634229 0.9948776171 0.9367309599 0.0608822043 0.0052201257set.seed(2)
y <- rbinom(n,1,p)
y## [1] 1 1 0 1 1 1 0 0 0 0 1 1 0 1 0 0 0 0 0 1 0 0 1 0 0 0 1 1 0 1 0 0 1 0 1 0 1
## [38] 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 1 0 1 1 0 1 0 0 0 0
## [75] 1 0 0 0 1 0 0 1 0 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 0 0datagab <- data.frame(y,x1,x2,x3,x4)
datagab## y x1 x2 x3 x4
## 1 1 10 0 1 2.26
## 2 1 7 0 1 3.79
## 3 0 2 1 0 2.52
## 4 1 4 1 1 2.54
## 5 1 16 1 1 2.00
## 6 1 20 1 1 2.86
## 7 0 0 1 0 2.84
## 8 0 0 1 0 2.69
## 9 0 2 0 0 2.95
## 10 0 2 0 0 3.21
## 11 1 6 1 1 2.61
## 12 1 7 1 1 2.35
## 13 0 0 0 0 2.61
## 14 1 7 1 1 3.01
## 15 0 1 0 0 2.92
## 16 0 3 0 0 2.65
## 17 0 2 0 0 3.59
## 18 0 1 0 0 3.17
## 19 0 2 1 0 3.25
## 20 1 9 0 1 2.85
## 21 0 3 0 0 3.11
## 22 0 0 0 0 4.00
## 23 1 3 1 0 3.51
## 24 0 0 1 0 2.85
## 25 0 2 1 0 2.49
## 26 0 0 1 0 2.87
## 27 1 12 0 1 2.90
## 28 1 24 1 1 3.07
## 29 0 0 0 0 3.07
## 30 1 6 0 1 3.18
## 31 0 2 0 0 3.34
## 32 0 3 0 0 4.04
## 33 1 9 1 1 2.73
## 34 0 1 0 0 2.46
## 35 1 4 1 1 2.81
## 36 0 3 0 0 2.76
## 37 1 3 1 0 3.14
## 38 1 12 0 1 2.76
## 39 0 5 0 1 3.40
## 40 0 1 1 0 2.50
## 41 0 5 0 1 3.05
## 42 0 0 0 0 2.42
## 43 0 3 0 0 3.29
## 44 0 3 0 0 2.20
## 45 0 7 0 1 2.85
## 46 0 3 0 0 3.22
## 47 0 5 0 1 2.51
## 48 1 7 0 1 3.09
## 49 0 3 0 0 3.37
## 50 0 5 0 1 2.75
## 51 0 0 1 0 2.98
## 52 0 3 1 0 2.94
## 53 0 2 1 0 3.23
## 54 1 15 0 1 4.01
## 55 0 1 0 0 2.47
## 56 0 4 1 1 3.37
## 57 0 0 1 0 3.27
## 58 1 3 0 0 2.34
## 59 0 2 0 0 2.87
## 60 0 0 0 0 3.16
## 61 0 3 1 0 3.20
## 62 0 1 0 0 3.50
## 63 1 14 0 1 3.43
## 64 0 0 1 0 3.10
## 65 1 14 1 1 3.42
## 66 0 0 1 0 3.42
## 67 1 10 0 1 3.98
## 68 1 4 1 1 1.93
## 69 0 1 0 0 3.49
## 70 1 4 1 1 3.57
## 71 0 0 0 0 2.74
## 72 0 3 1 0 3.13
## 73 0 1 1 0 2.79
## 74 0 4 0 1 2.91
## 75 1 11 1 1 2.95
## 76 0 2 0 0 2.68
## 77 0 4 0 1 2.36
## 78 0 3 0 0 2.81
## 79 1 5 0 1 3.26
## 80 0 2 0 0 2.91
## 81 0 1 0 0 3.00
## 82 1 11 0 1 2.36
## 83 0 0 1 0 2.90
## 84 1 14 0 1 3.58
## 85 1 6 1 1 2.99
## 86 1 3 1 0 3.45
## 87 1 2 1 0 2.91
## 88 0 4 0 1 3.56
## 89 0 1 1 0 2.73
## 90 0 0 0 0 2.52
## 91 0 4 1 1 3.19
## 92 0 2 0 0 2.51
## 93 1 8 0 1 3.45
## 94 1 18 0 1 3.06
## 95 1 8 1 1 3.52
## 96 1 10 1 1 2.83
## 97 1 9 0 1 3.23
## 98 1 7 0 1 2.65
## 99 0 2 1 0 2.88
## 100 0 0 1 0 2.50modelreglog <- glm(y~x1+x2+x3+x4, family = binomial(link = "logit"), data=datagab)## Warning: glm.fit: fitted probabilities numerically 0 or 1 occurredsummary(modelreglog)##
## Call:
## glm(formula = y ~ x1 + x2 + x3 + x4, family = binomial(link = "logit"),
## data = datagab)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -6.7203 3.2409 -2.074 0.03812 *
## x1 1.6712 0.5262 3.176 0.00149 **
## x2 3.2327 1.0677 3.028 0.00246 **
## x3 -1.4716 1.3564 -1.085 0.27795
## x4 -0.4534 1.0225 -0.443 0.65745
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 132.813 on 99 degrees of freedom
## Residual deviance: 40.648 on 95 degrees of freedom
## AIC: 50.648
##
## Number of Fisher Scoring iterations: 8KESIMPULAN Output tersebut merupakan hasil dari pemodelan regresi
logistik yang diterapkan pada data datagab. Berikut adalah
penjelasan dari setiap bagian:
Panggilan: Ini menunjukkan panggilan fungsi yang
digunakan untuk menyesuaikan model, yang menentukan formula untuk model
(y ~ x1 + x2 + x3 + x4), keluarga (binomial dengan fungsi
tautan logit), dan kumpulan data (datagab).
Koefisien: Tabel ini menunjukkan estimasi
koefisien untuk setiap variabel prediktor (x1,
x2, x3, x4), beserta dengan
kesalahan standar mereka, nilai z, dan nilai p yang terkait. Koefisien
mewakili perkiraan efek dari setiap prediktor pada log odds dari
variabel respons biner y. Tingkat signifikansi ditandai
oleh jumlah bintang: *** untuk p < 0,001,
** untuk p < 0,01, * untuk p < 0,05,
. untuk p < 0,1, dan tidak ada untuk p ≥ 0,1.
Kode signifikansi: Seperti yang disebutkan di atas, kode ini menunjukkan tingkat signifikansi dari koefisien.
Parameter dispersi: Ini menunjukkan parameter dispersi yang diasumsikan untuk keluarga binomial dalam model.
Deviance: Deviance adalah ukuran kurangnya kecocokan model terhadap data. Deviance nol mewakili deviance ketika hanya intercept yang dimasukkan dalam model, sedangkan deviance residu mewakili deviance setelah memasukkan model yang ditentukan. Nilai deviance yang lebih rendah menunjukkan kecocokan yang lebih baik.
Derajat kebebasan: Ini mewakili derajat kebebasan yang terkait dengan deviance nol dan residu.
AIC (Kriteria Informasi Akaike): AIC adalah ukuran kualitas relatif dari model statistik untuk kumpulan data tertentu. Nilai AIC yang lebih rendah menunjukkan model yang lebih cocok.
Jumlah iterasi Fisher Scoring: Ini menunjukkan jumlah iterasi yang dilakukan oleh algoritma untuk menyesuaikan model. Lebih banyak iterasi mungkin diperlukan untuk model yang kompleks atau ketika konvergensi lambat.