Interpretasi Regresi Logistik Binär Optionen

Regresi linier seperti yang kita ketahui tidak dapat menyelesaikan kasus dimana variabel abhängig bersifat dikotomi dan kategori dengan dua atau lebih kemungkinan (ex. Sukses atau Gagal terpilih atau tidak terpilih lulus atau tidak lulus melakukan pembelian atau tidak mendapat promosi atau tidak, dan lain-lain) . Regresi logistik umumnya melibatkan berbagai macam variabel prediktor baik numerik ataupun kategorik, termasuk variabel dummy. Pada regresi linier, variabel prediktor yang digunakan biasanya numerik, tetapi jika kita melibatkan campuran antara numerik maupun kategorik kita dapat menggunakan regresi logistik. Regresi logistik membentuk persamaan atau fungsi dengan pendekatan maximale likelihood, yang memaksimalkan peluang pengklasifikasian objek yang diamati menjadi kategori yang sesuai kemudian mengubahnya menjadi koefisien regresi yang sederhana. Dua nilai yang biasa digunakan sebagai variabel dependen yang diprediksi adalah 0 dan 1 (zB 1berhasil, 0gagal). Regresi Logistik Menghasilkan Rasio Peluang (Odds Ratios) Antara Keberhasilan Atau Kegagalan Suatu Dari Analisis. Dapat kita contohkan dengan seorang tokoh yang ingin menjadi presiden, akan lebih baik peluangnya jika menjadi ketua partai politik tertentu. Disini Odds Ratio yang dimaksud adalah seberapa besar peluang tokoh tersebut dengan mempertimbangkan variabel prediktor yang ada. Regresi logistik akan membentuk variabel prediktorrespon (log (p (1-p)) yang merupakan kombinasi linier dari variabel independen Nilai variabel prediktor ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit. Asumsi-asumsi dalam regresi logistik Tidak mengasumsikan hubungan linier antar variabel dependen dan Unabhängige Variabel dependen harus bersifat dikotomi (2 variabel) Variabel unabhängige tidak harus memiliki keragaman yang sama antar kelompok variabel Kategori dalam variabel unabhängige harus terpisah satu sama lain atau bersifat eksklusif Sampel yang diperlukan dalam jumlah relatif besar, mindestens dibutuhkan hingga 50 sampel data untuk sebuah variabel Prediktor (bebas) persamaan regresi logistik regresi logistik menghasilkan rasio peluang yang dinyatakan dengan transformasi fungsi logaritma (log), dengan demikian fungsi transformasi log ataupun ln diperlukan untuk p-Wert, dengan demikian dapat dinyatakan bahwa logit (p) merupakan log dari peluang ( Odds Ratio) atau Likelihood ratio dengan kemungkinan terbesar nilai peluang adalah 1, dengan demikian persamaan regresi logistik menjadi: logit (p) log (p1-p) ln (p1-p) dimana p bernilai antara 0-1. Modell yang digunakan pada regresi logistik adalah: log (P 1 8211 p) 0 1X1 2X2 8230. kXk Dimana p adalah kemungkinan bahwa Y 1, dan X1, X2, X3 adalah variabel independen, dan b adalah koefisien regresi. Konsep Log Odds, Quoten Ratio Logit (Log Odds) merupakan koefisien Hang (b) dari persamaan regresi. Slope disini adalah perubahan nilai rata-rata dari Y dari satu Einheit perubahan nilai X. Regresi logistik melihat perubahan pada nilai variabel dependen yang ditransformasi menjadi peluang, bukan nilai aslinya seperti pada regresi linier. Seutelai ilustrasi jika nilai peluang adalah 0,25, maka nilai odds adalah 3 (25. 75), sedangkan jika nilai peluang 50, maka nilai odds adalah 1 (50. 50), atau jika nilai peluang 0,33, maka nilai odds adalah 2 (33. 67) dengan total keseluruhan nilai peluang adalah 1. Nilai Odds Ratio Biasanya dapat kita lihat pada kolom B pada 8216variablen in der equation8217 Ausgabe SPSS. Kecocokan Modell (Modell passen) dan fungsi Wahrscheinlichkeit Wahrscheinlichkeit berarti juga peluang atau probabilitas untuk hipotesis tertentu. Seperti Yang Kita Ketahui Pada Kurva Regresi Liner Kita Lihat Adanya Hubungan Liner, Peningkatan Pada Sumbu Y Akan Diikuti Dengan Peningkatan Pada Sumbu X Dan Sebaliknya. Tetapi pada regresi logistik dengan nilai Y antara 0 dan 1, pendekatan linier tidak bisa kita gunakan. Oleh Karena Itu Metode maximale Wahrscheinlichkeit sangat berguna dalam menentukan kecocokan Modell yang tepat bagi persamaan yang kita miliki. Hipoteis dalam regresi logistik antara lain: h0 ketika persamaan regresi bernilai 0 logit (p) 0. h1 persamaan regresi berbeda nyata dari 0 logit (p) 8800 0. Regresi logistik merupakan regresi nicht linier dimana modell yang ditentukan akan mengikuti pola kurva linier seperti gambar Di bawah ini Regresi logistik juga menghasilkan rasio peluang (Quotenverhältnisse) terkait dengan nilai setiap prediktor. Peluang (Chancen) dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak terjadi. Secara umum, rasio peluang (Quotenverhältnisse) merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan seesselai jumlah relatif dimana peluang hasil meningkat (rasio peluang gt 1) atau turun (rasio peluang lt 1) ketika nilai variabel prediktor meningkat sebesar 1 Einheit. Lebih jelasnya kita dapat mengikuti ilustrasi berikut ini: Kita ingin mengetahui apakah berat badan (gewicht gain) sapi para peternak di kota elgrow bertambah signifikan atau tidak, dengan variabel prediktor adalah sex yang terdiri atas männlich (M) atau weiblich (F), pemberian obat cacing (Anthelmintisch) secara rutin sesuai dosis yang dinyatakan dengan ja dan nein, dan biaya pemeliharaan pro bulan yang dinyatakan dalam US. Kali ini kita akan menjalankan modell logit menggunakan bantuan software IBM SPSS versi 23, untuk yang masih menggunakan SPSS seri di bawahnya jangan khawatir, masih kurang lebih sama koq cara aplikasinya, kamu bisa herunterladen datanya disini 1. tahap impor daten (misalnya dari excel), Buka SPSS Kamu, Datei gt lesen Textdaten, Pada Kotak Dialog offenen Daten, Dateien von Typ gt Pilih Excel, Maka Datanya maiul di layar, Pilih lalu klik gt offen, kemudian dimunculkan lagi jendela Eröffnungsdaten, Checkliste seperti gambar gt ok, Daten telah Mahuk dalam record spss, berikut adalah dataview, lihat sususannya tidak beraturan, kamu bisa atur dalam variabler ansicht: atur etikett, desimal, dan lain-lain dalam variabel ansicht, 2. tahap analisis, analysieren gt regression gt binäre logistik, setelah muncul jendela logistik Regression, masukkan gewicht gain kedalam dependen, dan variabel kategorik yaitu sex dan anthelmintic ke kotak kovariaten, lalu klik kategorisch, untuk menyesuaikan tipe daten variabel kategorik, di jendela definieren kovariaten variablen pilih referenzkategorie zuerst, kemudian klik änderungen gt weiter, klik next lalu masukkan variabel Kontinin kovariates, kemudian option, kemudian weiter gt ok, maka outputnya akan ditampilkan, Chi-Quadrat Modell sebesar 18.440, angka ini menjelaskan kemampuan Modell dalam memprediksi variabel dependen weightgain. Dengan signifikansi 0,000 lt 0,05, berarti terdapat peningkatan signifikansi dengan penambahan variabel sex, dan anthelmintic, ke dalam model. -2 log Likelihood menjelaskan signifikansi Modell layaknya R-sq pada regresi linier OLS. Tabel Hosmer und Lemeshow Test menunjukkan nilai penambahan signifikansi model dari konstanta, dan model sesudah ditambahkan variabel independen sex dan anthelmintic. Penambahannya cukup kecil dengan signifikansi 0,631 (gt0,05). Kita lihat kembali pada Ausgangsvariablen in der Gleichung menunjukkan Modell sesuai hipoteis null atau Modell tanpa prediktor, Ausgangsvariablen nicht in der Gleichung menunjukkan signifikansi masing-masing variabel independen terhadap weightgain. Dari tabel dapat kita lihat bahwa variabel anthelmintisch (1) memberikan peningkatan yang signifikan terhadap model (0,000), sedangkan sex (1) tidak signifikan (0,298). Tetapi secara keseluruhan signifikan terhadap perbaikan Modell (Gesamtstatistik, sig 0,000). Dari-Ausgangsvariablen in der Gleichung persamaan yang kita peroleh adalah (lihat nilai pada kolom B): Log Odds (Gewichtszunahme) B0 B1sex (1) B2anthelmintic (1) B3cost atau dengan nilai aslinya Log Odds (Gewichtszunahme) -3,502 0,116sex (1) 2,638anthelmintisch (1) 0,011cost Jika Geschlecht (1) 1 (lihat Ausgangskodierung), anthelmintisch (1) 1 (lihat Ausgabecodierung), dan costUS 100, Maka persamaannya menjadi: Log Odds (Gewichtszunahme) -3,502 0,116 (1) 2,638 (1) 0,011 (100) Log Odds (Gewichtszunahme) -3.502 0,116 2,638 1,1 Jika kita hilangkan log maka persamaan akan dalam bentuk eksponensial: odds (weightgain) e -3,502 0,116 2,638 1,1 Interpretasi dari Persamaan Untuk setiap perubahan pro Einheit Pada variabel sex (1) (kodierender dummy untuk variabel Mjantan), akan meningkatkan weightgain sebesar 0,116. Untuk setiap kenaikan pada variabel anthelmintisch (1) sebesar 1 unit, maka akan meningkatkan weightgain sebesar 2,638. Untuk setiap penambahan sebesar US1 terhadap variabel kosten, maka akan meningkatkan peluang weightgain sebesar 0,011. Dari nilai signifikansi dapat kita simpulkan bahwa variabel yang signifikan berpengaruh terhadap log odds (Gewichtszunahme) adalah pemberian obat cacing secara rutin (anthelmintic (1)), dan cost dengan nilai signifikansi berturut-turut 0,02 dan 0,018 (pada tingkat signifikansi 95). Kemudian mari kita interpretasikan nilai exp (B) pada Ausgangsvariablen in der Gleichung di atas: Variabel Geschlecht (1) yang mengacu pada MaleJantan, memiliki kecenderungan untuk mendapatkan pertambahan berat badan (weightg ain) 1,122 kali daripada Weiblich yang menjadi kategori referensi kita (ini Adalah kodieren dummy, dimana 0 untuk F dan 1 untuk M). Variabel Anthelmintikum (1) Yang Mengacu Pada Ja, Dimana Pemberian Obat Cacing Secara Teratur Dan Sesuai Dosis Memiliki Peluang Sebesar 13,988 Kali Daripada Kategori Referenzen Kita Yang Mengacu Pada Nein, Dimana keine Dinyatakan Sebagai Tidak Mitgliedsban Asupan Obat Cacing Secara Rutin Dan Sesuai Dosis. Variabel ini sangat signifikan mempengaruhi log odds (weightgain) dengan nilai signifikansi 0,002. Variable Kosten cenderung meningkatkan weightgain sebesar 0,030 kali dengan nilai signifikansi yang baik yaitu 0,018 lt 0,05 (yoso) download materi dalam bentuk pdf di bawah ini gtgtgtTutorial Contoh Analisis Regresi Logistik binerdikotomi dengan SPSS Pada hari sebelumnya telah dibahas tentang konsep dari regresi logistik biner . Sesuai dengan janji penulis akan dibahas tutorial regresi logistik biner dengan SPSS. (Kajak pemilu aja ya.:p). Untuk contoh kasus kali ini, terinspirasi dari tugas kelompok perkuliahan yang diambil dari tugas kakak tingkat. Bisa dibilang copas lah ya Tapi, jangan dilihat dari copasnya Tapi lihat dari niatnya dan keinginan untuk saling berbagi semoga dapat membantu mengerjakan tugas, skripsi, tesis atau bahkan disertasi. Contoh Kasus Analisis Regresi Logistik Biner: Dilakukan simulasi untuk melihat pengaruh antara variabel Profitabilitas, kompleksitas perusahaan, opini Auditor, likuiditas dan ukuran perusahaan terhadap ketepatan penyampaian laporan keuangan tahunan perusahaan. Profitabilitas diukur dengan ROA variabel kompleksitas terdiri atas 2 kategorik yaitu diberi angka 2 jika mempunyai anak perusahaan dan 1 jika perusahaan tidak mempunyai anak perusahaan opini auditor diukur dengan 2 jika mendapatkan opini wajar tanpa pengecualian dan 1 untuk opini yang lain likuiditas diukur dengan Aktuelle Ratio dan ukuran Perusahaan diukur dengan logaritma natürlichen Marktwert. Variabel terikatnya adalah ketepatan penyampaian laporan keuangan, dengan kode 1 untuk perusahaan yang tepat waktu dan 0 untuk perusahaan yang terlambat. Daten yang digunakan dalam penelitian ini tidak ditampilkan mungkin kalau teman ingin mencoba juga bisa dolchisch bawah nanti ya. Dalam tutorial ini menggunakan SPSS 20.Langsung saja ya dengan langkah-langkahnya. Langkah-langkah dalam pengujian analisis regresi logistik Pada posisi datei telah terbuka, maka akan terlihat pada layar daten tentang ketepatan penyampaian laporan keuangan perusahaan dengan sejumlah variabel-variabelnya. Untuk menganalisis, langkah awalnya adalah pilih menu Analysieren. Kemudian pilih Regression dan Binary Logistic. Maka akan muncul tampilan seperti di bawah ini Masukan variabel yang berfungsi sebagai variabel tak bebas dari box variabel ke kolom abhängig. Dan masukan semua varibel bebas pada kotak Covariate. Untuk-Methode, Pilih Enter. Sebenarnya bisa dipilih metode apa saja karena modell yang terbentuk akan sama (dalam artian penduga-penduga parameternya akan memiliki nilai-nilai yang sama). Akan tetapi, khusus metode Enter, harus dilakukan proses dua kali. Pertama, Daten di run dengan semua variabel untuk mengetahui variabel mana yang signifikan, setelah itu di run lagi dengan menggunakan variabel yang signifikan itu. Modell yang terbentuk akan sama dengan Modell yang diperoleh dengan metode lain. Klik kategorisch. Masukkan semua variabel bebas yang berbentuk kategori pada kotak kovariate ke dalam kotak kategorischen kovariaten. Biarkan contras pada default indikator Untuk referenz kategori pilih bagian kategori yang akan dipakai sebagai referensi atau pembanding yang akan digunakan dalam interpretasi Odds Ratio. Dapat menggunakan kategori akhir (zuletzt) ​​atau kategori pertama (zuerst). Dalam penelitian ini digunakan kategori akhir (zuletzt). Kemudian klik Weiter. Setelah itu Pilih Menü Option. Centang Iterationsgeschichte untuk dapat mengetahui proses iterasi yang telah berlangsung. Selain itu, akan ditemukan Klassifikation abgeschnitten, yang pada kondisi default sudah diisi dengan 0.5. Nilai ini disebut dengane Wert vor der Wahrscheinlichkeit. Peluang suatu observasi untuk masuk ke salah satu kelompok sebelum karakteristik variabel penjelasnya diketahui. Jika kita tidak mempunyai informasi tambahan tentang daten kita, maka kita bisa menggunakan default. Misalnya pada penelitian ini, sebelumnya tidak pernah dilakukan penelitian apakah ukuran perusahaan condong pada satu sisi. Dengan alasan ini, dapat digunakan klassifikation cutoff sebesar 0,5. Namun, misalnya pada ada penelitian lain yang telah meneliti maka bisa dinaikkanditurunkan klassifizierung cutoff sesuai hasil penelitian. Dalam penelitian ini semua variabel numerik dalam default 0,5. Abaikan Bagain Yang Lain, klik weiter. Abaikan Bagian Yang Lain, Dan Tekan OK Maka Akan Keluar Ausgang Dari Regresi Logistik. Intrepretasi Hasil analisis regresi logistik Setelah keluar Auslauf dari hasil laufende Daten von SPSS maka diperoleh hasil analisis sebagai berikut: Identifikasi Daten yang Hilang Pada tabel di atas, dapat dilihat tidak ada Daten yang hilang (fehlende Fälle). Pemberian Kode Variabel Reson Oleh SPSS Menurut Pengkodean SPSS, Yang Termasuk Kategori Sukses Adalah Penyampaian Laporan Keuangan Tahunan Yang Tepat. Pemberian kode untuk variabel penjelas yang kategorik Pengkodean variabel penjelas hanya dilakukan untuk variabel penjelas yang kategorik karena akan dibentuk dummy variabel. Penelitian ini menggunakan dua variabel penjelas yang kategorik yaitu variabel Opini dan variabel Kompleksitas. Untuk variabel opini Nantinya yang akan digunakan sebagai referenzcode (kode pembanding) adalah Wajar Tanpa Pengecualian (lihat pada tabel di atas bagian Parameter codings yang berkode nol). Sementara untuk variabel Kompleksitas. Yang menjadi kode pembanding adalah Punya anak perusahaan Kode pembanding ini akan digunakan untuk interpretasi Quotenverhältnis. Uji Signifikansi Model Dari hasil SPSS dapat digunakan tabel 8220 Omnibus Tests von Modell Koeffizienten 8221 untuk melihat hasil pengujian secara simultan pengaruh variabel bebas ini. Berdasarkan tabel di atas diperoleh nilai Sig. Model sebesar 0.000. Karena nilai ini lebih kecil dari 5 maka kita menolak Ho pada tingkat signifikansi 5 sehingga disimpulkan bahwa variabel bebas yang digunakan, secara bersama-sama berpengaruh terhadap ketepatan penyampaian laporan keuangan suatu perusahaan. Atau minimal ada satu variabel bebas yang berpengaruh Persentase Ketepatan Klasifikasi (Prozentsatz korrigieren) Persentase Ketepatan Modell dalam mengkasifikasikan observasi adalah 78.6 persen. Artinya dari 70 Beobachtungen, Ada 55 Beobachtungs-Yang Tepat Pengklasifikasiannya Oleh Modell Regresi Logistik. Jumlah Beobachtungs-Yang Tepat Pengklasifikasiannya Dapat Dilihat Pada Diagonal Utama. Uji Parsial dan Pembentukan Modell Pada uji diharapkan Ho Akan ditolak Sehingga Variabel Yang Sedang Diuji Masuk Ke Dalam Modell. Dengan Bantuan Tabel 8220Variables in der Gleichung8221 Dapat Dilihat Variabel Mana Saja Yang Berpengaruh Signifikan Sehingga Bisa Dimasukkan Ke Modell. Jika nilai sig. lta maka Ho ditolak Berdasarkan hasil di atas diketahui bahwa terdapat 2 variabel bebas yang signifikan berpengaruh terhadap ketepatan penyampaian laporan keuangan perusahaan karena masing-masing variabel tersebut memiliki nilai signifikansi yang lebih kecil dari a5. Variabel-variabel tersebut adalah Profitabilitas (Sig.0.004) dan Likuiditas (Sig.0.000). Modell yang terbentuk adalah: Dimana: X1i Profitabilitas X2i Likuiditas i1,2,8230, n 7. Interpretasi Odds Ratio Nilai Quotenverhältnis ini juga disediakan oleh tabel 8220 Variablen in der Gleichung 8221 pada kolom Exp (B): Berdasarkan hasil di atas kita dapat Menginterpretasikan Quotenverhältnis sebagai berikut: Jika jumlah Profitabilitas perusahaan bertambah 1 Einheit maka kecendrungan perusahaan tersebut untuk tepat waktu menyampaikan laporan keuangan menjadi 2.780 kali lipat. Sebuah perusahaan yang tidak mempunyai anak perusahaan akan memiliki kecenderungan untuk menyampaikan laporan keuangan secara tepat waktu sebesar 3.057 kali dibanding perusahaan yang memiliki anak perusahaan (merujuk pada referenzcode). Perusahaan dengan opini Auditor adalah opini lain cenderung 0.848 kali (lebih rendah) untuk tepat waktu dalam menyampaikan laporan keuangan dibanding dengan perusahaan yang Wajar tanpa Pengecualian. Jika Aktuelle Beziehung pada likuiditas bertambah 1 persen maka perusahaan akan cenderung 1.708 kali untuk tepat waktu menyampaikan laporan keuangannya. Ketika ukuran perusahaan bertambah 1 Einheit Maka perusahaan tersebut cenderung 1.123 kali untuk tepat waktu dalam menyampaikan laporan keuangannya. Buil yang ingin mencoba silahkan download filenya dibawah ini: tutorial reglog biner (SPSS 20) Geschrieben von: Nasrul Setiawan Terima kasih sudah membaca artikel Analisis regresi Regresi Logistik SPSS dengan judul Tutorial Contoh Analisis Regresi Logistik binerdikotomi dengan SPSS. Anda bisa Lesezeichen Halaman Ini Dengan URL statistikceria. blogspot201301tutorial-analisis-regresi-logistik. html. Apabila ada yang kurang jelas silahkan tinggalkan komentar atau pesan. Seringkali di dalam penelitian, seseorang ingin memodelkan hubungan antara variabel X (prediktor bebas) dan Y (respon terikat). Metode yang paling sering dipakai dalam kasus seperti itu adalah regresi linier, baik sederhana maupun berganda. Namun, adakalanya regresi linier dengan metode OLS (Ordinary Least Square) yang sering dipakai tersebut kurang sesuai untuk digunakan. Dikatakan kurang sesuai karena jika regresi linier biasa digunakan akan terjadi pelanggaran asumsi Gauss-Markov. Misalnya pada kasus dimana variabel respon (Y) bertipe Daten nominal, sedangkan variabel bebasprediktornya (X) bertipe Datenintervall atau rasio. Ingin diketahui apakah konsumen akan membeli makanan di rumah makan berdasarkan penilaian konsumen terhadap lokasi, pelayanan, pendapatan, kebersihan, selera dan harga. Dalam kasus ini hanya ada 2 kemungkinan respon konsumen, yaitu konsumen membeli dan tidak membeli. Dari contoh kasus di atas, dapat diketahui bahwa tipe Daten variabel respon (Y) adalah nominal, yaitu kategorisasi keputusan konsumen apakah membeli atau tidak (misal membeli dilambangkan angka 1, sedangkan tidak membeli dengan angka 0), sedangkan tipe Daten untuk variabel bebas (X ) Setidak-tidaknya interval (skala likert). Bila metode regresi linier biasa diterapkan pada kasus semacam ini, menurut Kutner, dkk (2004), akan terdapat 2 pelanggaran asumsi Gauss-Markov dan 1 buah pelanggaran terhadap batasan dari nilai duga (passend) dari variabel respon (Y), yaitu: 1. Fehler dari Modell regresi yang didapat tidak menyebar normal. 2. Ragam (Varianz) dari Fehler tidak homogen (terjadi heteroskedastisitas pada ragam error). 3. Sedangkan, pelanggaran bagi batasan nilai duga Y (passend) adalah bahwa nilai duga yang dihasilkan dari modell regresi linier biasa melebihi rentang antara 0 s. d. 1. Hal ini jelas tidak masuk akal. Karena batasan nilai pada variabel Y (dalam kasus ini adalah membeli1 dan tidak membeli0). Bayangkan Jika Anda Mendapatkan Nilai Duga Y 4 Saat Anda Memasukkan Suatu Nilai X Tertentu. Was bedeutet es, es ist nicht mehr interpretierbar. Untuk mengatasi masalah ini, diperkenalkan metode Regresi Logistik. Sebagaimana metode regresi biasa, regresi logistik dapat dibedakan menjadi 2, yaitu: Binäre logistische Regression (Regresi Logistik Biner) als Multinomial Logistic Regression (Regresi Logistik Multinomial). Regresi Logistik biner digunakan ketika hanya ada 2 kemungkinan variabel respon (Y), misal membeli dan tidak membeli. Sedangkan Regresi Logistik Multinomiale Digunakan Ketika Pada Variabel Reson (Y) Terdapat Lebih Dari 2 Kategorisasi. Modell Logistik memiliki bentuk fungsi seperti pada persamaan (1) dan (2). Untuk memudahkan interpretasi, maka modell logistik ditransformasi menjadi bentuk fungsi logit, seperti pada persamaan (3). Nilai duga regresi logistik (Y duga) merupakan nilai peluang. Lebih tepatnya berapakah peluang seorang konsumen akan membeli makanan di warungrumah makan tersebut berdasarkan penilaiannya pada variabel lokasi, pelayanan, pendapatan, kebersihan, selera dan harga. Rentang nilai duga yang dihasilkan akan berkisar antara 0 s. d. 1. (Kita ingat bahwa kisaran atau rentang nilai peluang adalah 0 s. d 1). Regresi Logistik Tidak Terbatas Hanya Dapat Diterapkan Pada Kasus Dimana Variabel X Nya Bertipe Intervall Atau Rasio Saja. Tapi regresi logistik juga bisa diterapkan untuk kasus dimana variabel X nya bertipe Daten nominal atau ordinal. Hal ini seperti ini analog dengan regresi linier dengan variabel dummy (Deni) Kutner, M. H. C. J. Nachtsheim dan J. Neter. Angewandte lineare Regressionsmodelle. Vierte Edition. Die McGraw-Hill Companies, Inc. Singapur.