dimana p merupakan peluang, e ad
alah logaritma natural, α dan β merupakan parameter komponen linier dari model, dan x sebagai nilai dari variabel penjelas.
Konversi dari peluang agar dapat diestimasi dalam linier dan logit dinamakan odds. Metode untuk menganalisis logit adalah Maximum Likelihood. Sementara itu
menurut Ramanathan untuk mengestimasi peluang dengan metode ML dilakukan dengan proses :
Odds
Ln Odds Log Odds =
+ � log e Log Odds =
+ � persamaan linier sehingga dapat disestimasi
Logit p = + � persamaan yang dapat diestimasi dengan ML
Parameter dari model logit dapat diinterpretasikan dengan cara yang sama seperti OLS, yaitu dengan gradienslope. Gradien ini diinterpretasikan sebagai
perubahan logit p akibat perubahan satu unit variabel x. Dengan kata lain, β menggambarkan perubahan dalam log odds dari adanya perubahan satu unit x.
Parameter α menunjukan nilai logit p akibat ketika x = 0 atau log odds dari keadaan x = 0. Standar error dari logit disebut ASE Assymptotic Standard Error.
3.1.2. Analisis Regresi Linier Berganda
Pada regresi sederhana, terdapat hubungan antara variabel bebas dengan variabel terkait. Hubungan kedua variabel memungkinkan seseorang untuk
memprediksi secara akurat variabel terkait berdasarkan pengetahuan variabel bebas. Tetapi situasi peramalan di kehidupan nyata tidaklah begitu sederhana. Pada
umumnya diperlukan lebih dari satu variabel secara akurat. Model regresi yang terdiri lebih dari satu variabel bebas disebut model regresi berganda.
Asumsi utama yang mendasari model regresi linier berganda dengan metode OLS adalah sebagai berikut Kuncoro, 2003 :
1. Model regresi linier, artinya linier dalam parameter.
2. Variabel X diasumsikan nonstokastik, artinya nilai X dianggap tetap dalam
sampel yang berulang. 3.
Nilai rata-rata kesalahan adalah nol, atau Еμ
i
|X
i
= 0. 4.
Homoskedastisitas, artinya varians kesalahan sama untuk setiap periode.
= �
− � = �� �
+ �
5. Tidak ada autokorelasi antar kesalahan antara μi dan μj tidak ada korelasinya.
6. Antara μ dan X saling bebas, sehingga cov μ
i
, μ
j
= 0. 7.
Tidak ada multikolinearitas yang sempurna antar variabel bebas. 8.
Jumlah observasi, n, harus lebih besar daripada jumlah parameter yang diestimasi jumlah variabel bebas.
9. Adanya variabilitas dalam nilai X, artinya nilai X harus berbeda tidak boleh
sama semua. 10.
Model regresi telah dispesifikkan secara benar. Pada regresi berganda ini, variabel terikat dapat diwakili oleh Y dan variabel
bebas oleh X. Pada analisis regresi berganda X dengan notasi bawah digunakan untuk mewakili variabel-variabel bebas. Variabel terikatnya dinyatakan dengan Y,
dan Variabel bebasnya dinyatakan dengan X
1
, X
2
, ... X
n.
. Hubungan antara X dan Y dapat disebut sebagai model regresi berganda. Pada model regresi berganda,
respon mean dibuat menjadi fungsi linier dari variabel penjelas explanatory. Regresi berganda yang menguhubungkan variabel dependen Y dengan
beberapa variabel independen X
1
, X
2
, ... X
n
memiliki formula secara umum Ramanathan, 1997 :
Y
t
= β
1
X
t1
+ β
2
X
t2
+ ... + β
k
X
tk
+ u
t
Tanda ‘t’ merupakan jumlah observasi dan bervariasi dari 1 sampai n. Pada regresi ini diasumsikan terdapat term gangguan berupa u
t
atau biasanya dikenal dengan komponen galat. Komponen ini merupakan variabel acak yang tidak
teramati, dihitung sebagai akibat dampak faktor lain pada respon dengan masing- masingnya berdistribusi normal. Koefisien, β
1,
β
2,
..., β
n
merupakan koefisien regresi dari setiap variabel independen dan akan mempengaruhi variabel dependennya
secara positif maupun negatif.
3.1.3. Hipotesa
Berdasarkan kerangka pemikiran dan perumusan masalah penelitian, dapat dikembangkan hipotesis penelitian, yaitu :
1. Kesediaan penduduk dalam menerima biaya kompensasi diduga dipengaruhi
oleh pendapatan, tingkat pendidikan, jumlah tanggungan, luas tempat tinggal, lama tinggal, serta status kepemilikan rumah.
