Memahami Perbedaan Penggunaan Regresi Logistik dengan Regresi Linier Metode OLS
Hingga saat ini, analisis regresi linier telah banyak digunakan secara luas oleh peneliti di seluruh dunia. Tujuan penggunaan analisis regresi linier yaitu untuk mengetahui pengaruh suatu variabel terhadap variabel yang lain.
Analisis regresi linier metode Ordinary Least Square (OLS) paling sering digunakan untuk mengestimasi pengaruh variabel bebas terhadap variabel terikat.
Pada analisis regresi linier metode OLS, terdapat beberapa asumsi yang harus dipenuhi agar diperoleh best linear unbiased estimator.
Lebih lanjut, pada analisis regresi linier terdapat dua jenis variabel yaitu variabel terikat dan variabel bebas. Perbedaan kedua jenis variabel ini yaitu bahwa variabel bebas merupakan variabel yang mempengaruhi, adapun variabel terikat merupakan variabel yang dipengaruhi.
Oleh karena itu, penting bagi peneliti untuk memahami perbedaan antara variabel bebas dan variabel terikat. Dalam penyusunan spesifikasi persamaan regresi linier, peneliti perlu memastikan pengelompokan variabel bebas dan variabel terikat sudah sesuai dengan tujuan penelitian.
Jika anda sering membaca jurnal hasil penelitian yang diakses melalui Google Scholar, di sana selain regresi linier metode OLS, juga kerap dijumpai penggunaan regresi logistik.
Beberapa peneliti juga menyebutnya dengan regresi logit. Apa perbedaan utama kedua jenis regresi tersebut? Selanjutnya, asumsi apa saja yang dipersyaratkan?
Mengingat pentingnya pemahaman kedua jenis regresi tersebut bagi peneliti, pada kesempatan ini saya akan mengangkat topik mengenai perbedaan penggunaan regresi logistik dan regresi linier metode OLS.
Perbedaan utama regresi linier metode OLS dan regresi logistik
Agar dapat memilih uji regresi dengan tepat, peneliti perlu memahami perbedaan kapan menggunakan regresi linier metode OLS dan kapan menggunakan regresi logistik. Oleh karena itu, kita coba telisik lebih lanjut mengenai teori umum penggunaan keduanya.
Regresi linier metode OLS atau sering juga disebut dengan regresi linier metode kuadrat terkecil sering digunakan oleh peneliti untuk mengamati pengaruh variabel bebas terhadap variabel terikat. Regresi linear metode OLS ini dapat digunakan baik pada data cross-section maupun data time-series.
Agar diperoleh hasil estimasi yang tidak bias dan konsisten, ada sejumlah uji asumsi yang harus dilakukan oleh peneliti. Uji asumsi regresi linier metode OLS ini sering disebut dengan uji asumsi klasik.
Beberapa uji asumsi yang perlu dilakukan oleh peneliti diantaranya uji normalitas residual, uji non heteroskedastisitas, uji linearitas, uji non multikolinearitas, serta tambahan uji autokorelasi khusus untuk data time-series.
Berdasarkan pengalaman dari beberapa penelitian terdahulu, skala pengukuran data akan menentukan pemenuhan uji asumsi tersebut.
Selanjutnya untuk uji regresi logistik memiliki perbedaan dengan regresi linier metode OLS. Regresi logistik banyak digunakan oleh peneliti ketika peubah yang pengaruhi (variabel terikat) itu merupakan variabel nonparametrik.
Variabel terikat yang diukur dengan skala nominal dapat mempertimbangkan menggunakan regresi logistik. Pada variabel terikat yang menggunakan skala nominal dengan dua kategori disebut dengan regresi logistik biner.
Adapun pada regresi linier metode OLS, variabel terikat umumnya merupakan variabel parametrik. Variabel parametrik ini dapat diukur baik menggunakan skala rasio maupun skala interval.
Dengan demikian, dapat kita simpulkan bahwa skala pengukuran variabel penting untuk dikuasai oleh peneliti. Skala pengukuran variabel akan menentukan pilihan uji yang tepat.
Skala pengukuran variabel
Skala pengukuran variabel memiliki peranan yang penting dalam analisis data. Berdasarkan skala pengukurannya, skala data variabel dapat dibagi menjadi 4 yaitu skala nominal, skala ordinal, skala interval, dan skala rasio.
Pada skala pengukuran nominal dan ordinal dapat mempertimbangkan penggunaan statistik non parametrik. Adapun pada skala pengukuran interval dan rasio dapat mempertimbangkan penggunaan statistik parametrik.
Mengingat pentingnya skala pengukuran data ini, maka peneliti perlu memahami cara membedakan secara umum perbedaan skala nominal, ordinal, interval, dan rasio.
Pada prinsipnya skala nominal ini merupakan kategorisasi variabel di mana didalamnya tanpa adanya tingkatan/peringkat. Jadi, kategorisasinya hanya membedakan antar kategori saja. Contoh skala nominal yaitu jenis kelamin dan jenis pekerjaan.
Berdasarkan contoh tersebut, jenis kelamin terbagi menjadi pria dan wanita. Kategorisasi pria dan wanita tidak ada tingkatan, apakah pria lebih tinggi dari wanita atau wanita lebih tinggi dari pria.
Begitu juga pada contoh jenis pekerjaan di mana tidak ada asumsi bahwa pekerjaan yang satu lebih tinggi dari pekerjaan yang lain dan seterusnya.
Skala pengukuran variabel yang kedua adalah skala ordinal. Kategorisasi pada pengukuran skala ordinal hampir sama dengan skala nominal, namun perbedaannya adalah bahwa pada skala ordinal terdapat tingkatan atau peringkat.
Contoh mudahnya adalah tingkat pendidikan. Pada tingkat pendidikan dapat ditentukan bahwa seseorang yang lulusan perguruan tinggi dapat dinyatakan memiliki tingkat pendidikan lebih tinggi dibandingkan dengan lulusan SMA.
Atau seseorang yang memiliki pendidikan tingkat SMP lebih tinggi dibandingkan yang memiliki tingkat pendidikan SD.
Skala pengukuran yang ketiga adalah skala interval. Pada skala interval ini sudah diperoleh nilai dalam bentuk data numerik, namun belum memiliki nilai nol absolut. contohnya adalah suhu dan nilai pembelajaran.
Adapun pada pengukuran skala rasio ini datanya sudah berbentuk numerik, namun sudah memiliki nilai nol Absolut. Contohnya adalah profit, biaya, jumlah bibit, jumlah pupuk, dan lain-lain.
Cara paling mudah mendeteksi penggunaan regresi logistik
Setelah kita memahami dengan baik perbedaan skala pengukuran data yaitu skala nominal, ordinal, interval, dan rasio, selanjutnya dapat kita gunakan untuk menentukan pilihan analisis statistik yang tepat.
Cara paling mudah mendeteksi penggunaan regresi logistik adalah pada skala pengukuran pada variabel terikatnya.
Pada variabel terikat yang diukur menggunakan skala nominal dengan dua kategori, maka dapat mempertimbangkan untuk menggunakan analisis regresi logistik biner.
Adapun jika variabel terikatnya diukur menggunakan skala interval atau rasio maka dapat mempertimbangkan untuk menggunakan regresi linear metode OLS.
Namun demikian, peneliti juga perlu memahami bahwa penggunaan kedua regresi tersebut ada asumsi-asumsi yang harus dipenuhi.
Pastikan telah dilakukan serangkaian uji asumsi, agar hasil estimasi yang diperoleh konsisten dan tidak bias. Hal ini bertujuan agar interpretasi dan penarikan kesimpulan dari hasil penelitian menjadi benar dan terhindar dari kesalahan.
Pahami teori dasarnya
Setelah peneliti dapat memahami perbedaan penggunaan regresi logistik dan regresi linier metode OLS, langkah selanjutnya adalah peneliti perlu memahami teori dasarnya.
Teori dasar ini terbagi menjadi dua, yaitu teori dasar topik yang diteliti dan teori dasar penggunaan tools analisis statistiknya.
Dalam menyusun spesifikasi persamaan regresi baik regresi logistik maupun regresi linier metode OLS, peneliti disarankan berangkat dari teori.
Selanjutnya peneliti dapat mengembangkan dari teori yang ada. Peneliti dapat mengkonfirmasi hasil penelitian sebelumnya atau bahkan melakukan penelitian baru yang sebelumnya belum ada.
Selanjutnya, teori yang perlu dipahami oleh peneliti yaitu teori penggunaan uji statistik. Misalnya peneliti harus memahami mengenai teori penggunaan regresi logistik dan juga teori penggunaan regresi linier metode OLS.
Lakukan latihan analisis data dan interpretasi
Untuk mengembangkan pemahaman peneliti dalam penggunaan regresi logistik dan regresi linier metode OLS, disarankan dapat melakukan latihan analisis data beserta cara interpretasinya.
Latihan analisis data tidak hanya dilakukan pada analisis utama, namun juga perlu dilakukan pada uji asumsi yang dipersyaratkan.
Peneliti juga dapat membaca hasil-hasil penelitian sebelumnya mengenai cara interpretasi dan pengambilan kesimpulan pada analisis regresi logistik maupun analisis regresi linier metode OLS.
Dengan demikian, jika peneliti sudah memahami teori dasarnya dan juga sudah melakukan latihan analisis data beserta interpretasinya, diharapkan akan mempermudah peneliti dalam penyelesaian riset.
Kesimpulan
Berdasarkan yang telah kita bahas pada paragraf sebelumnya, dapat disimpulkan bahwa ketika peneliti akan memilih tools analisis data, maka perlu memahami perbedaan skala pengukuran datanya yaitu skala nominal, ordinal, interval, dan rasio.
Cara mendeteksi paling mudah penggunaan regresi logistik dan regresi linier metode OLS adalah pada skala pengukuran data variabel terikatnya.
Jika skala pengukuran variabel terikat menggunakan skala nominal dengan dua kategori, maka dapat mempertimbangkan regresi logistik biner.
Selanjutnya peneliti perlu memastikan bahwa uji asumsi yang dipersyaratkan telah dilakukan dan memenuhi kaidah statistik, baik yang menggunakan regresi logistik maupun regresi linier metode OLS.
Baik, ini adalah artikel yang dapat saya tulis pada kesempatan ini. Semoga bermanfaat untuk semuanya. Tunggu update artikel edukasi berikutnya!
Posting Komentar untuk "Memahami Perbedaan Penggunaan Regresi Logistik dengan Regresi Linier Metode OLS"