10. Tanda parameter sebaiknya dilihat kembali apakah mereka setuju dengan harapan sebelumnya.
2.7 Analisis Regresi Logit
Analisis regresi logit merupakan bagian dari analisis regresi. Analisis ini mengkaji hubungan pengaruh-pengaruh variabel independen terhadap variabel
dependen melalui model persamaan matematis tertentu. Namun jika peubah dependen dari analisis regresinya berupa kategorik, maka analisis regresi yang
digunakan adalah analisis regresi logit Hosmer dan Lemeshor, 1989. Penelitian ini menggunakan analisis regresi biner yang menyatakan bahwa
apakah responden bersedia membayar atau tidak bersedia membayar. Transformasi persamaannya sebagai berikut Ramanathan, 1997:
1
i i
P Li
In X
u P
dimana L
i
sering disebut sebagai indeks model logistik, yang nilainya sama dengan
1
i i
P In
P
; dan 1
i i
P P
adalah odd, yaitu nilai rasio kemungkinan
terjadinya suatu peristiwa dengan kemungkinan tidak terjadinya peristiwa. Parameter model estimasi logit harus diestimasi dengan metode maximum
likelihood ML. ML sebuah teknik estimasi yang bersifat iteratif digunakan terutama pada persaman-persamaan non linear dalam parameter-parameter
koefisien-koefisien.
2.8 Analisis Regresi Berganda
Analisis regresi berganda multiple regression analysis adalah suatu model dimana variabel dependen bergantung pada dua atau lebih variabel yang
independen Firdaus, 2004. Persamaan model regresi berganda dapat dituliskan sebagai berikut Juanda, 2009:
Y = β
1
X
1i
+ β
2
X
2i
+ β
3
X
3i
+ β
k
X
ki
+ ε
i
Subskrip i menunjukkan nomor pengamatan dari 1 hingga N untuk data populasi, atau sampai n untuk data contoh sample. Y merupakan variabel
dependen sedangkan X
ki
merupakan pengamatan ke-i untuk variabel independen X
k
. Koefisien β
i
dapat merupakan intersep apabila semua pengamatan X
1i
bernilai satu, sehingga model menjadi sebagai berikut:
Y = β
1
+ β
2
X
2i
+ β
3
X
3i
+ β
k
X
ki
+ ε
i
Dalam mendapatkan koefisien regresi parsial, maka digunakan metode kuadrat terkecil Ordinary Least Square-OLS. Metode OLS dilakukan dengan
pemilihan parameter yang tidak diketahui sehingga jumlah kuadrat kesalahan pengganggu Residual Sum of Square-
RSS yaitu ∑ei
2
= minimum terkecil. Pemilihan model didasarkan dengan pertimbangan metode ini mempunyai sifat-
sifat karakteristik yang optimal, sederhana dalam perhitungan, dan umum digunakan. Beberapa asumsi yang dipergunakan dalam model regresi berganda
adalah Firdaus, 2004: 1. Nilai yang diharapkan bersyarat conditional expected value
dari ε
i
tergantung pada X
i
tertentu adalah nol. 2. Tidak ada korelasi berurutan atau tidak ada autokorelasi non autokorelasi
artinya dengan X
i
tertentu simpangan setiap Y yang manapun dari nilai rata- ratanya tidak menunjukkan adanya korelasi, baik secara positif atau negatif.
3. Varian bersyarat dari ε adalah konstan. Asumsi ini dikenal dengan nama
asumsi homoskedastisitas.
4. Variabel independen adalah non stokastik, yaitu tetap dalam penyampelan berulang. Jika stokastik didistribusikan secara independen dari gangguan ε.
5. Tidak ada multikolinearitas diantara variabel independen satu dengan yang lainnya.
6. ε didistribusikan secara normal dengan rata-rata dan varian yang diberikan
oleh asumsi 1 dan 2. Apabila semua asumsi yang mendasari model tersebut terpenuhi maka
suatu fungsi regresi yang diperoleh dari hasil perhitungan pendugaan dengan metode OLS dari koefisien regresi adalah penduga tak bias linear terbaik Best
Linear Unbiased Estimator-BLUE. Sebaliknya, jika ada asumsi dalam model regresi yang tidak dipenuhi oleh fungsi regresi yang diperoleh maka kebenaran
pendugaan dapat diragukan. Penyimpangan asumsi 2, 3, dan 5 memiliki pengaruh yang serius sedangkan asumsi 1, 4, dan 6 tidak.
2.9 Penelitian Terdahulu
Kategori