Hosmer and Lemeshow’s Goodness of Fit Test Nagelkerke’s R Square

38

3.5.3. Hosmer and Lemeshow’s Goodness of Fit Test

Hosmer and Lemeshow’s Goodness of Fit Test dilakukan untuk menguji kelayakan model regresi bahwa data empiris cocok atau sesuai dengan model. Hosmer and Lemeshow’s Goodness of Fit Test memastikan tidak ada perbedaan antara model dengan data atau data empiris cocok dengan model yang digunakan. Ghozali 2011:341 menyatakan, Jika nilai Statistics Hosmer and Lemeshow Goodness of Fit lebih besar dari 0.05, maka hipotesis nol tidak dapat ditolak dan berarti model mampu memprediksi nilai observasinya atau dapat dikatakan model dapat diterima karena cocok dengan data observasinya. Pada pengujian model menggunakan regresi logistik, hasil yang diharapkan adalah untuk tidak menolak hipotesis nol karena penolakan hipotesis nol berarti ada perbedaan signifikan antara model dengan nilai observasinya sehingga Goodness fit model tidak baik karena model tidak dapat memprediksi nilai observasinya. Nilai statistik yang lebih besar dari α = 0,05 berarti model mampu memprediksi nilai observasinya sehingga model dinyatakan fit. Sebaliknya nilai statistik yang lebih kecil dari α = 0,05 berarti model tidak mampu memprediksi nilai observasinya sehingga model dinyatakan tidak fit untuk digunakan dalam penelitian.

3.5.4. Nagelkerke’s R Square

Nagelkerke’s R Square merupakan modifikasi dari koefisien Cox and Snell’s R Square untuk memastikan bahwa nilainya bervariasi dari 0 39 sampai 1. Hal ini dilakukan dengan cara membagi nilai Cox and Snell’s R Square dengan nilai maksimumnya. Ghozali 2011:341 menyatakan, “Nilai Nagelkerke’s R Square dapat diinterpretasikan seperti nilai R 2 pada multiple regression.” Kemudian Ghozali 2011:97 juga menjelaskan arti nilai koefisien determinasi R 2 yaitu, “Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen.” Nilai yang mendekati satu berarti variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Nilai yang kecil berarti kemampuan variabel independen dalam menjelaskan variasi variabel dependen sangat terbatas.

3.5.5. Maximum Likelihood Estimation