multinomial & ordinal logistic model · 2020. 10. 14. · ilustrasi data tentang jenis asuransi...
TRANSCRIPT
-
BJ-IPB
Multinomial & Ordinal Logistic Model
oleh
Bambang JuandaDepartemen Ilmu Ekonomi
Fakultas Ekonomi dan Manajemen IPB
https://bambangjuanda.com/
-
Seringkali dalam suatu survei kita berhadapan
dengan peubah kualitatif yang mempunyai skala
pengukuran nominal atau ordinal. Nilai-nilai
peubah respons kualitatif ini terbatas (limited
dependent variable), bahkan sering hanya bernilai
dua kemungkinan saja. Misalnya, apakah
seseorang membeli mobil atau tidak; memilih
atau tidak dalam Pilkada (pemilihan kepala
daerah); punya penyakit jantung koroner atau
tidak; dan masih banyak contoh lainnya. Peubah
kualitatif yang hanya mempunyai dua
kemungkinan nilai ini disebut peubah biner.
BJ-IPB
-
Meskipun logis kita memperkirakan suatu
hubungan langsung antara pendapatan dan
perilaku pembelian, namun kita tidak dapat yakin
apakah masing-masing konsumen dengan
pendapatan tertentu pasti akan membeli produk.
Oleh karena itu, tujuan model pilihan kualitatif
adalah menentukan peluang bahwa individu
dengan karakteristik-karakteristik tertentu akan
memilih suatu pilihan tertentu dari beberapa
alternatif yang tersedia. Jika pilihannya hanya ada
dua alternatif disebut model pilihan biner.
BJ-IPB
-
Overview
Continuous
Categorical
LinearRegressionAnalysis
-
Response Analysis
-Model Peluang Linear
-Model Probit
BJ-IPB
-
Types of Logistic Regression
Response Variable
Yes No
BinaryTwo
Categories
Type ofLogistic Regression
Binary
Nominal
Ordinal
Threeor
MoreCategories
BJ-IPB
-
Ilustrasi data tentang jenis asuransi kesehatan
yang tersedia untuk 616 orang yang mengalami
depresi psikologis di Amerika Serikat (Tarlov et al.
1989; Wells et al. 1989). Asuransi dikategorikan
sebagai program ganti rugi (indemnity yaitu
asuransi biaya-untuk-layanan reguler) atau paket
prabayar (prepaid). Kemungkinan ketiga adalah
bahwa orang tsb tidak memiliki asuransi apa pun
(uninsure). Kita ingin mengkaji faktor-faktor
demografis yang terkait dengan pilihan asuransi.
Salah satu faktor demografis dalam data adalah
ras peserta, yang dikodekan sebagai putih (white)
atau berwarna (nonwhite):BJ-IPB
Model Logistik Multinomial
-
BJ-IPB
Model Logistik Multinomial
webuse sysdsn1
tabulate insure nonwhite, chi2 col /*Ras berwarna lebih banyak
paket prabayar(prepaid)*/
mlogit insure nonwhite
mlogit insure nonwhite, base(2)
mlogit, rrr /*relative-risk ratios=odds ratio*/
mlogit insure age male nonwhite i.site
/* defaultnya 1=indemnity(ganti rugi) sbg base outcome */
mlogit insure age male nonwhite i.site, baseoutcome(3)
/* 3=uninsure sbg base outcome */
mlogit insure age male nonwhite i.site, rrr
/*reports the estimated coefficients transformed to relative
-riskratios, that is, exp(b) rather than b */
mlogit, rrr
https://www.stata.com/manuals13/rmlogit.pdf
https://www.stata.com/manuals13/rmlogit.pdf
-
BJ-IPB
. tabulate insure nonwhite, chi2 row
-
BJ-IPB
-
BJ-IPB
-
.mlogit insure nonwhite
Multinomial logistic regression Number of obs = 616
LR chi2(2) = 9.62
Prob > chi2 = 0.0081
Log likelihood = -551.78348 Pseudo R2 = 0.0086
------------------------------------------------------------------------------
insure | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
Indemnity | (base outcome)
-------------+----------------------------------------------------------------
Prepaid |
nonwhite | .6608212 .2157321 3.06 0.002 .2379942 1.083648
_cons | -.1879149 .0937644 -2.00 0.045 -.3716896 -.0041401
-------------+----------------------------------------------------------------
Uninsure |
nonwhite | .3779586 .407589 0.93 0.354 -.4209011 1.176818
_cons | -1.941934 .1782185 -10.90 0.000 -2.291236 -1.592632
------------------------------------------------------------------------------
Peluang asuransi prepaid untuk whites (nonwhites=0)
Pr(insure = Prepaid) = e −.188 /(1 + e−.188 + e−1.942) = 0.420
Peluang asuransi prepaid untuk nonwhites (=1)
Pr(insure = Prepaid) = e −.188+.661 /(1 + e−.188+.661 + e−1.942+.378) = 0.570
BJ-IPB
Example 1: A first example
-
.mlogit insure nonwhite
Multinomial logistic regression Number of obs = 616
LR chi2(2) = 9.62
Prob > chi2 = 0.0081
Log likelihood = -551.78348 Pseudo R2 = 0.0086
------------------------------------------------------------------------------
insure | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
Indemnity | (base outcome)
-------------+----------------------------------------------------------------
Prepaid |
nonwhite | .6608212 .2157321 3.06 0.002 .2379942 1.083648
_cons | -.1879149 .0937644 -2.00 0.045 -.3716896 -.0041401
-------------+----------------------------------------------------------------
Uninsure |
nonwhite | .3779586 .407589 0.93 0.354 -.4209011 1.176818
_cons | -1.941934 .1782185 -10.90 0.000 -2.291236 -1.592632
------------------------------------------------------------------------------
Peluang asuransi indemnity untuk whites (nonwhites=0)
Pr(insure = Indemnity) = e 0 /(1 + e−.188 + e−1.942) = 0.507
Peluang asuransi indemnity untuk nonwhites (=1)
Pr(insure = Indemnity) = e 0 /(1 + e−.188+.661 + e−1.942+.378) = 0.355
BJ-IPB
-
.mlogit insure nonwhite, base(2)
Multinomial logistic regression Number of obs = 616
LR chi2(2) = 9.62
Prob > chi2 = 0.0081
Log likelihood = -551.78348 Pseudo R2 = 0.0086
------------------------------------------------------------------------------
insure | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
Indemnity |
nonwhite | -.6608212 .2157321 -3.06 0.002 -1.083648 -.2379942
_cons | .1879149 .0937644 2.00 0.045 .0041401 .3716896
-------------+----------------------------------------------------------------
Prepaid | (base outcome)
-------------+----------------------------------------------------------------
Uninsure |
nonwhite | -.2828627 .3977302 -0.71 0.477 -1.0624 .4966742
_cons | -1.754019 .1805145 -9.72 0.000 -2.107821 -1.400217
------------------------------------------------------------------------------
Peluang asuransi prepaid untuk whites (nonwhites=0)
Pr(insure = Prepaid) = e 0 /(1 + e.188 + e−1.754) = 0.420
Peluang asuransi prepaid untuk nonwhites (=1)
Pr(insure = Prepaid) = e 0 /(1 + e.188-.661 + e−1.754-.282) = 0.570
BJ-IPB
Example 2: Specifying the base outcome
-
. mlogit, rrr /*relative-risk ratios=odds ratio*/
Multinomial logistic regression Number of obs = 616
LR chi2(2) = 9.62
Prob > chi2 = 0.0081
Log likelihood = -551.78348 Pseudo R2 = 0.0086
------------------------------------------------------------------------------
insure | RRR Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
Indemnity |
nonwhite | .516427 .1114099 -3.06 0.002 .3383588 .7882073
_cons | 1.206731 .1131483 2.00 0.045 1.004149 1.450183
-------------+----------------------------------------------------------------
Prepaid | (base outcome)
-------------+----------------------------------------------------------------
Uninsure |
nonwhite | .7536233 .2997387 -0.71 0.477 .3456255 1.643247
_cons | .1730769 .0312429 -9.72 0.000 .1215024 .2465434
------------------------------------------------------------------------------
Peluang asuransi prepaid untuk whites (nonwhites=0)
Pr(insure = Prepaid) = e 0 /(1 + e.188 + e−1.754) = 0.420
Peluang asuransi prepaid untuk nonwhites (=1)
Pr(insure = Prepaid) = e 0 /(1 + e.188-.661 + e−1.754-.282) = 0.570
BJ-IPB
-
BJ-IPB
-
Hipotesis: Sabuk Pengaman akan membuat Pengendara Lebih aman jika terjadi
KECELAKAAN. Pengendara yang menggunakan Sabuk Pengaman lebih besar
Peluangnya mengalami cidera lebih ringan dibandingkan yg tdk menggunakan
1. Tidak ada yang luka
2. Terjadi luka ringan
3. Terjadi luka dan memerlukan rawat jalan
4. Terjadi luka dan memerlukan rawat inap
5. MeninggalBJ-IPB
-
Regresi Logistik Ordinal• Y skala ordinal yg punya c kategori
• Peluang Kumulatif P(Y≤j): peluang respons Y pd
kategori 1,2,...,j
• P(Y≤j)=P(Y=1)+ P(Y=2)+...+ P(Y=j)
• P(Y≤1) ≤ P(Y≤2) ≤ ..... ≤ P(Y≤c)=1
• Odd ratio = P(Y≤j) / P(Y>j) = exp(β)
• Logit P(Y≤j) = Log { P(Y≤j) / P(Y>j) }
• Logit P(Y≤j) = αj + β X; j=1,2,..,c-1
• Asumsi: pengaruh X sama utk tiap peluang kumulatif.
Jika tdk, gunakan regresi logistik nominal.
• β >0: Peluang utk nilai order lebih kecil, lebih besar
jika X naik satu unit