ordinal seperti : sangat setuju, setuju, netral, tak setuju, sangat tak setuju.
Regresi binary logistic sangat tepat digunakan untuk melakukan pemodelan suatu kemungkinan kejadian dengan variabel respons bertipe
categorical dua pilihan. Nilai kemungkinan kejadian berada pada rentang 0-1. Hal ini sangat berbeda dengan regresi linier biasa dimana nilai
variabel dependen variabel respons bisa bernilai 0 atau 1. Trihendradi, 2007: 63 dalam Verawati 2008.
Penggunaan regresi logistik tidak mensyaratkan adanya multivariate normal distribution karena tidak perlu asumsi normalitas data pada
variabel bebasnya Imam Ghozali, 2005 : 211.
b. Nilai
Odds Ratio
Probabilitas kadang-kadang digunakan dalam istilah odds. Hubungan antara probalilitas variabel dependen Y dan variabel
independen X adalah non-linear, sedangkan hubungan antara log dari odds dan variabel independen X adalah linear. Imam Ghozali,
2005:214. Menurut Cornelius Trihendradi 2007:64 dalam Verawati 2008
kemungkinan kejadian probabilitas dapat ditranformasikan dengan nilai z odds. Nilai z menunjukkan propensity towards atau kecenderungan
kepada suatu kejadian. Semakin tinggi nilai z, semakin besar kecenderungan untuk terjadi perbedaan antara rasio keuangan perusahaan
yang melakukan merger dan akuisisi dengan perusahaan yang tidak melakukan merger dan akuisisi. Odds dan probabilitas memberikan
informasi yang sama, tetapi dalam bentuk yang berbeda. Peneliti dapat merubah odds menjadi probabilitas atau sebaliknya. Hubungan
kenungkinan kejadian
dengan odds
sebagai berikut
:
Atau Dimana :
= Kemungkinan probabilitas kejadian pada case i Zi atau odds
= Nilai kecenderungan suatu kejadian pada case i Nilai odds diasumsikan berhubungan linear dengan variabel
prediktor Variabel independen: Odds
i
= b + b
i
X
i1
+ b
2
X
i2
+ ...+ b
p
X
ip
Dimana: X
ij
= Variabel prediktor j dengan case i b
j
= Koefisien variabel prediktor j p = Jumlah variabel prediktor.
Jadi, probabilitas adalah :
Analisis regresi logistik biner digunakan untuk melihat pengaruh sejumlah variabel independen x1,x2,..,xk terhadap variabel dependen Y
yang berupa variabel response biner yang hanya mempunyai dua nilai atau juga untuk memprediksi nilai suatu variabel dependen Y yang
berupa variabel biner berdasarkan nilai variabel independen x1,x2,...,xk. Bentuk umum regresi logistik biner adalah Stanislaus, 2006:226.
Logitπ = β +
β
1
Χ
1
+ β
2
Χ
2
+ β
3
Χ
3
+ ... + β
10
Χ
10
+ ε
Dimana : β0 = konstanta
β1-10 = koefisien X
1
= Prediktor ke-1, CR X
2
= Prediktor ke-2, QR X
3
= Prediktor ke-3, FATO X
4
= Prediktor ke-4, TATO X
5
= Prediktor ke-5, DTAR X
6
= Prediktor ke-6, DTER X
7
= Prediktor ke-7, OPM X
8
= Prediktor ke-8, NPM X
9
= Prediktor ke-9, ROI X
10
= Prediktor ke-10, ROE
c. Nilai -2 Loglikehood Ratio