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 gtgtgtBitCOinUSD 1278.7200 03:10 04.03 BITCOIN 1222.574 03:00 04.03 BITCOIN 1217.125 02:00 04.03 BITCOIN 1218.133 00:00 04.03 BITCOIN 1216.646 23:00 03.03 BITCOIN 1217.045 22:00 03.03 EURJPY 121.122 22:00 03.03 USDJPY 114.009 22:00 03.03 USDCHF 1.00735 22:00 03.03 EURUSD 1.06233 22:00 03.03 TOYOTA (US) 113.295 21:00 03.03 SONY 31.565 21:00 03.03 FORD 12.645 21:00 03.03 SILBER 17.941 21:00 03.03 GOLD 1234.405 21:00 03.03 ALIBABA 103.300 21:00 03.03 BANK OF AMERICA 25.415 21:00 03.03 AUDUSD 0.75930 21:00 03.03 NIKE 56.685 21:00 03.03 CITIGROUP VS AIG 0.94961 21:00 03.03 CITIGROUP VS JP MORGAN CHASE 0.65736 21:00 03.03 MASTERCARD 111.765 21:00 03.03 ALLGEMEINE MOTOREN 38.235 21:00 03.03 Start Trading Heute Haftungsausschluss Verfallregelungen AGB Bedingungen AGB AGB Datenschutz Disclaimer: Binäre Optionen und Devisenhandel beinhaltet Risiko. Geschäftsmodell und Ergebnis: Die Ergebnisse sind abhängig von der Auswahl der korrekten Richtung eines Vermögenspreises, ab dem angegebenen Ausübungspreis, um den ausgewählten Verfallzeitraum. Sobald ein Handel eingeleitet ist, erhalten die Händler einen Bestätigungsbildschirm, in dem der Vermögenswert, der Ausübungspreis, die gewählte Richtung (CALL oder PUT) und der Investitionsbetrag angezeigt werden. Wenn Sie von diesem Bildschirm aufgefordert werden, werden die Trades in 3 Sekunden gestartet, es sei denn, der Trader drückt die Abbrechen-Taste. Beeoptions bietet die schnellste Option abläuft zur Verfügung der Öffentlichkeit und Transaktionen können so schnell wie 15 Minuten in regelmäßigen binären Optionen und so schnell wie 60 Sekunden in der 60 Sekunden Plattform. Obwohl das Risiko beim Handel von binären Optionen für jeden einzelnen Handel festgelegt ist, sind die Trades live und es ist möglich, eine anfängliche Investition zu verlieren, vor allem, wenn ein Trader beschließt, seine gesamte Investition in einen einzigen Live-Handel zu stellen. Es wird dringend empfohlen, dass Händler eine ordnungsgemäße Geldmanagement-Strategie wählen, die die Gesamtkonzerne oder die Gesamtausgabeninvestitionen begrenzt. Regresi logistik (logistische Regression) sebenarnya sama dengan analisis regresi berganda. Hanya variabel terikatnya merupakan variabel dummy (0 dan 1). Seesselai contoh, pengaruh beberapa rasio keuangan terhadap keterlambatan penyampaian laporan keuangan. Maka variabel terikatnya adalah 0 jika terlambat dan 1 jika tidak terlambat (tepat). Regresi logistik tidak memerlukan asumsi normalitas Meskipun screening data outliers tetap dapat dilakukan Untuk asumsi multikolinearitas pada regresi logistik silahkan simak di sini Interpretasi regresi logistik menggunakan ungerade Verhältnis atau kemungkinan. Seutelai contoh, jika rasio keuangan ROA meningkat sebesar 1 maka kemungkinan ketepatan menyampaikan laporan keuangan meningkat sebesar 1,05 kali. Berarti semakin tinggi ROA kemungkinan tepat semakin tinggi. Atau jika rasio keuangan der meningkat sebesar 2 maka kemungkinan ketepatan penyampaian laporan keuangan meningkat sebesar 0,98 kali atau bisa dikatakan menurun karena lebih kecil dari 1 yang berarti kemungkinan terlambat semakin tinggi. Berikut adalah simulasi aplikasi regresi logistik (logistische regression) dengan SPSS Versi. 11.5 Contoh tabulasi data dengan 84 sampel bisa di herunterladen di sini. Tampilannya pada SPSS Versi 11.5 kurang lebih seperti ini Simulasi adalah 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 kompleksitas diukur dengan 1 jika mempunyai anak perusahaan dan 0 jika perusahaan tidak mempunyai anak perusahaan opini auditor diukur dengan 1 jika mendapatkan opini wajar tanpa pengecualian dan 0 untuk opini yang lain likuiditas diukur dengan Aktuelle Ratio dan kompleksitas diukur dengan logaritma natürlichen Marktwert . Nah variabel terikatnya adalah ketepatan penyampaian laporan keuangan dengan kode 1 untuk perusahaan yang tepat waktu dan 0 untuk perusahaan yang terlambat. Klik-Menü Analysieren, Pilih Binär Logistik, Seperti ini: Jika anda Benar, Maka Akan Keluar Menu Box Untuk Regresi Logistik. Masukkan variabel ketepatan ke dalam box dependend, dan masukkan variabel bebas ke dalam box kovariate. Lalu klik pada Optionen, sehingga akan keluar box seperti ini: Beri tanda centang seperti pada gambar di atas lalu klik weiter sehingga akan dikembalikan pada menu box logistik dan tekan OK. Programm akan melakukan perhitungan secara otomatis, dan hasil selengkapnya dapat unda bandingkan dengan daten yang telah anda herunterladen Interpretasinya adalah sebagai berikut: Pertama. Melihat kelayakan Modell dengan menginterpretasikan Ausgabe berikut ini: Nilai -2 Log Likelihood adalah sebesar 96,607 yang akan dibandingkan dengan nilai Chi Platz pada taraf signifikansi 0,05 dengan df sebesar N-1 dengan N adalah jumlah sampel, berarti 84 8211 1 83. Dari tabel Chi-Platz, diperoleh nilainya adalah 100,744. Jadi -2 Log Likelihood lt Chi-Platz (96,607 lt 100,74) Jika konstanta saja dimasukkan tidak layak, semua variabel bebas dimasukkan juga tidak layak, tapi kan ada penurunan -2 Log Likelihood. Yup penurunannya adalah sebesar 96,607 8211 84,877 11,73. Atau kalau males ngitung manual, Ausgabe SPSS juga telah memberikan nilai itu yaitu sebagai berikut: Nah kelihatan kan kalau ausgang selisihnya adalah sebesar 11,729 dan mempunyai signifikansi 0,039 lt 0,05. Kalau masih kurang puas, bisa dilihat nilai Hosmer und Lemeshow Test. Hosmer dan Lemeshow Test adalah untuk melihat apakah Daten empiris cocok atau tidak dengan Modell atau dengan kata lain diharapkan tidak ada perbedaan antara Daten empiris dengan Modell. Modell akan dinyatakan layak jika signifikansi di atas 0,05 atau -2 Log Likelihood di bawah Chi Square Tabel. Hati-Huti, Ini Berkebalikan Dengan Uji Yang Lain Sebelumnya. Tampak kan bahwa nilai Hosmer und Lemeshow Test adalah sebesar 9,778 dengan signifikansi 0,281 gt 0,05. Berarti Modell adalah fit dan Modell dinyatakan layak dan boleh diinterpretasikan. Gambar di atas memberikan nilai Nagelkerke R Platz sebesar 0,191 yang berarti bahwa kelima variabel bebas mampu menjelaskan varians ketepatan penyampaian laporan keuangan sebesar 19,1 dan sisanya yaitu sebesar 80,9 dijelaskan oleh faktor lain. Pengujian hipotesis penelitian dilihat dengan output berikut ini: Lihat aja signifikansinya, yang di bawah 0,10 (10) berarti signifikan berpengaruh atau hipotesis diterima. Pembahasannya silahkan dikaitkan dengan teori yang dikembangkan di awal. Silahkan download materi di atas di sini dan jika memerlukan datei datum contoh silahkan herunterladen di sini Malam mas mau nanya, kalo v. dummy yg digunakan D1 perusahaan yg melakukan stock split dan D0 perusahaan yg tidak melakukan stock split, dalam periode 4tahun itu pemberian nmr 1 Dan 0 untuk setiap 1 perusahaan slma 4thn gimana Misalkn tahn2009-2012 perusahaan Ein melakukan ss pda thn 2010, apakh pmberian kode 1 hnya pda thn 2010, sdngkn untuk thn 08,11amp12 diberi kode0, atau pemberian kode 1 pda perusahaan Ein yg sdh melakukan ss Padathn 09-12. Terima kasih mohon bntuannya mas Kalau melalukan diberi 1, tidak melakukan diberi kode 0. Selesai. Terima kasih Mas, saya mau tanya, saya sdh uji logistik dan isilnya signifikan dibawah 0,05 namun betanya bernilai negatif padahal teori yang ada harusnya hubungan nya positif, kata dosen saya es dikarenakan Daten nya tidak normal, untuk menormalkan Daten di uji Logistik es bagaimana ya mas Sedangkan banyak buku mengatkan bahwa uji logistik tidak perlu uji normalitas trimakash Regresi logistik tidak memerlukan asumsi normalitas. Terima kasih Selaat siang pak, saya mau tanya, judul skripsi saya analisis faktor2 yang mempengaruhi persepsi pelaku UKM terhadap penyusunan laporan keuangan, saya menggunakan variabel dummy, baik variabel dependen maupun independen. Regresi apakah yang cocok untuk penelitian saya tersebut regresi lineare berganda atau regresi logistik mohon pencerahannya. Terima kasih Kalau dependen dummy gunakan logistik. Terima kasih Selamat malam pak, saya ingin bertanya Saya sedang menyusun tesis. Dalam penelitian saya menggunakan variabel dummy untuk variabel dependen Sedangkan untuk variabel independen sebanyak 4. Dimana 2 variabel independen diukur melalui kuesioner dengan skala likert, sedangkan 2 variabel independen lainnya diukur melalui Daten sekuder dengan skala nominal. Apakah penelitian saya bisa dianalisis menggunakan regresi logistik adakah literatur yang bisa mendukung Terimakasih. Bisa Terima kasih Mas, saya mau nanya Judul penelitian saya penerapan sistem informasi geografis dalam pemetaan kejadian dbd di wilker puskesmas. Jenis penelitiannya deskriptif kuantitatif. Variabel bebas: curah hujan, kelembaban, kepadatan penduduk, abj, (skala interval) umur, jk, pendidikan, pekerjaan, keberadaan teman hias, keberadaan brg2 bekas, kondisi ventilasi (nominal), suhu (rasio) variabel terikat nya itu ada penyebaran penyakit (Intervall) sama status penderita (nominal) saya bingung mau menggunakan uji apa mas. Yg cocok buat penelitian saya Mohon bantuannya terimakasih .. Silahkan simak di rujukan penelitian terdahulu Anda. Terima kasih Assalamu39alaikum .. min, mau tanya. Kalau kita meneliti tentang pengaruh 3 variabel bebas terhadap variabel terikat yang datanya diambil dari 10 perusahaan misalnya, datenmanakah yang seharusnya diinput ke dalam spass apakah daten rata-rata masing2 variabel bebas dan terikatnya, apakah nilai maksimal atau nilai minimumnya Terima kasih, min. Simak di metode penelitian Anda, lihat pada definisi operasional variabel. Terima kasih Selamat siang pak, saya mau bertanya, seperti contoh yang bapak berikan tentang audit verzögerung diatas, dengan variabel indpendennya terdiri dari skala rasio dan skala nominal yang menggunakan variabel dummy, kira2 metode regresi seperti apa yang cocok digunakan untuk pengujian, apabila audit delaynya dihitung berdasarkan jumlah Hari keterlambatan Bukan menggunanakan variabel dummy Lebih baik menggunaka regresi berganda atau regresi logistik Terimakasih Silahkan lihat rujukan penelitian terdahulu Anda. Terima kasih Selamat wunde pak Saya mau tanya variabel dependen saya tentang pemahaman standar akuntansi dimana kuesioner saya berbentuk soal tentang dimana hanya ada dua jawaban benar dan salah. Analisisnya gmn ya pak Pak, saya mau bertanya lagi. Saya sedang mengerjakan skripsi dengan regresi logistik. 1. Di tabel uji wald, variabel cr saya nilai beta dan s. e nya 0,000 signya 0,406. Itu kenapa bisa 0,000 ya Pak jadi bingung kalo bikin persamaannya. Apa karena timpang ya Pak datanya nilai variabel cr bisa diatas 100 sedangkan variabel lain (der, npm, Wachstum) kebanyakan dibawah 10. 2. Jika sig nya 0,000 itu menunjukkan signifikan. Betul Pak Mohon jawabannya Pak. Terima kasih sebelumnnya 1. Coba diperbanyak angka di belakang koma, nanti kelihatan. 2. Betul. Terima kasih Pak, apakah ada cara untuk menghitung jumlah probe yg dibutuhkan ketika ingin menggunakan regresi logistik Apakah disesuaikan dengan jumlah variabel independen atau bagaimana Terima Kasih selamat malam pak..saya ingin bertanya..bagaimana menyusun pertanyaan kuesioner jika sampelnya terbagi menjadi 2 kelompok. Apakah saya harus menyusun pertanyaan yang bisa dijawab keduanya Atau memang ada beberapa pertanyaan tertentu dari total seluruh pertanyaan di kuesioner yang memang khusus untuk 1 kelompok saja. Terima kasih Jika ingin mengukur hal yang sama, tentunya harus menggunakan alat ukur yang sama. Terima kasih Assalamualaikum Saya mau Tanya mas, Kalau secara keseluruhan Variabel berpengaruh negativ berarti tak memiliki pengaruh bedeutend ya Apakah itu nanti bermasalah atau tidak mas
No comments:
Post a Comment