Multinomial Logit

-

Teori Sederhana Multinomial Logit

Pengembangan dari model logit dan probit yang sering digunakan untuk penelitian adalah multinomial logit atau multinomial probit. Jika dalam permodelan logit dan probit biasa kita hanya memiliki angka yang berisi 0 atau 1, maka di multinomial ini berbeda angkanya 1, 2, 3..dst. 

Sama seperti logit probit, angka-angka yang dimasukan merupakan kata pengkatagorikan yang memiliki kriteria atau range tertentu sesuai dengan penelitian yang kita inginkan. Namun, menentukan derajat 1,2,3 .. dst di multinomial bukanlah mengartikan urutan dimana 2 lebih baik dari pada 1 dan 3 lebih baik dari 2. Jika data yang kita masukan merupakan 2 lebih baik dari pada 1 dan 3 lebih baik dari , maka yang kita gunakan permodelan Ordered.

Secara mudah Multinomial Logit dapat dirumuskan sebagai berikut:

Maka ketika = 0 persamaan diatas akan menjadi seperti berikut:

Sementara itu, dengan menggunakan persamaan diatas, kita bisa mencari juga probabilitas relative. Missal mencari probabilitas relatis y = 2,  maka maka persamaannya menjadi seperti berikut:

 


Aplikasi di STATA

Diketahui bahwa variabel hours_cat memiliki nilai dan penjelasan sebagai berikut:

i).    Jam kerja di bawah normal antara 1-1819 jam setahun
ii).   Jam kerja normal antara 1820-2080 jam setahun sebagai referensi
iii)   Jam kerja di atas normal lebih dari 2080 jam per tahun.

Cara membuat variabel hours_cat:

gen hours_cat=1 if hours<=1819
replace hours_cat=2 if hours>=1820 & hours <=2080
replace  hours_cat=3 if hours>=2081

Sedangkan jika ingin melihat hasilnya: 

tab hours_cat

  hours_cat |      Freq.     Percent        Cum.
------------+-----------------------------------
     1 |        617       81.94       81.94
          2 |         95       12.62       94.56
          3 |         41        5.44      100.00
------------+-----------------------------------
      Total |        753      100.00

Memberikan variabel lavel pada suatu variabel, missal varabel hours_cat

label values hours_cat ket
label define ket 1 " K. Normal" 2 "Normal" 3 "A.Normal"

Sedangkan jika ingin melihat hasilnya:

tab hours_cat

       jam2 |      Freq.     Percent        Cum.
------------+-----------------------------------
  K. Normal |        617       81.94       81.94
     Normal |         95       12.62       94.56
   A.Normal |         41        5.44      100.00
------------+-----------------------------------
      Total |        753      100.00

Misal hanya 2 variabel

mlogit  hours_cat educ

Iteration 0:   log likelihood = -438.90217 
Iteration 1:   log likelihood = -435.96827 
Iteration 2:   log likelihood = -435.93291 
Iteration 3:   log likelihood =  -435.9329 

Multinomial logistic regression                   Number of obs   =        753
                                                  LR chi2(2)      =       5.94
                                                  Prob > chi2     =     0.0513
Log likelihood =  -435.9329                       Pseudo R2       =     0.0068

------------------------------------------------------------------------------
   hours_cat |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
_K__Normal   |  (base outcome)
-------------+----------------------------------------------------------------
Normal       |
        educ |  -.0773102   .0487177    -1.59   0.113    -.1727951    .0181746
       _cons |  -.9351976   .5930384    -1.58   0.115    -2.097532    .2271363
-------------+----------------------------------------------------------------
A_Normal     |
        educ |   .1199565   .0705041     1.70   0.089     -.018229    .2581419
       _cons |   -4.22436    .922681    -4.58   0.000    -6.032781   -2.415938
------------------------------------------------------------------------------

 Maka penjelasan dengan matematisnya dapat digambarkan sebagai berikut:

 

 


 Mendapatkan marginal effects untuk masing-masing persamaan.

Outcome =1 

mfx, predict(p outcome(1))

Marginal effects after mlogit
      y  = Pr(hours_cat==_K__Normal) (predict, p outcome(1))
         =  .82256326
------------------------------------------------------------------------------
variable |      dy/dx    Std. Err.     z    P>|z|  [    95% C.I.   ]      X
---------+--------------------------------------------------------------------
    educ |   .0027551      .00597    0.46   0.645  -.008951  .014461   12.2869
------------------------------------------------------------------------------


Outcome =2

 mfx, predict(p outcome(2))

Marginal effects after mlogit
      y  = Pr(hours_cat==Normal) (predict, p outcome(2))
         =  .12487686
------------------------------------------------------------------------------
variable |      dy/dx    Std. Err.     z    P>|z|  [    95% C.I.   ]      X
---------+--------------------------------------------------------------------
    educ |   -.009236      .00525   -1.76   0.079  -.019527  .001055   12.2869
------------------------------------------------------------------------------


Outcome =3

 mfx, predict(p outcome(3))

Marginal effects after mlogit
      y  = Pr(hours_cat==A_Normal) (predict, p outcome(3))
         =  .05255988
------------------------------------------------------------------------------
variable |      dy/dx    Std. Err.     z    P>|z|  [    95% C.I.   ]      X
---------+--------------------------------------------------------------------
    educ |   .0064809      .00339    1.91   0.056  -.000155  .013117   12.2869
------------------------------------------------------------------------------

Mengestimasi mlogit dengan logit

gen hours1 =  hours_cat==1
gen hours2 =  hours_cat==2
gen hours3 =  hours_cat==3

Hours1


logit  hours1 educ

Iteration 0:   log likelihood = -355.65586 
Iteration 1:   log likelihood = -355.56924 
Iteration 2:   log likelihood = -355.56923 

Logistic regression                               Number of obs   =        753
                                                  LR chi2(1)      =       0.17
                                                  Prob > chi2     =     0.6772
Log likelihood = -355.56923                       Pseudo R2       =     0.0002

------------------------------------------------------------------------------
      hours1 |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
        educ |   .0173105   .0415954     0.42   0.677     -.064215     .098836
       _cons |   1.300019   .5174371     2.51   0.012      .285861    2.314177
------------------------------------------------------------------------------

Hours2
 

logit  hours2 educ

Iteration 0:   log likelihood = -285.40597 
Iteration 1:   log likelihood = -283.88588 
Iteration 2:   log likelihood = -283.87813 
Iteration 3:   log likelihood = -283.87813 

Logistic regression                               Number of obs   =        753
                                                  LR chi2(1)      =       3.06
                                                  Prob > chi2     =     0.0805
Log likelihood = -283.87813                       Pseudo R2       =     0.0054

------------------------------------------------------------------------------
      hours2 |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
        educ |  -.0844493    .048436    -1.74   0.081    -.1793821    .0104835
       _cons |  -.9114778   .5897666    -1.55   0.122    -2.067399    .2444434
------------------------------------------------------------------------------


Hours3




logit  hours3 educ

Iteration 0:   log likelihood = -159.19319 
Iteration 1:   log likelihood = -157.51826 
Iteration 2:   log likelihood = -157.48812 
Iteration 3:   log likelihood = -157.48811 

Logistic regression                               Number of obs   =        753
                                                  LR chi2(1)      =       3.41
                                                  Prob > chi2     =     0.0648
Log likelihood = -157.48811                       Pseudo R2       =     0.0107

------------------------------------------------------------------------------
      hours3 |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
        educ |   .1297405   .0701374     1.85   0.064    -.0077263    .2672073
       _cons |  -4.487523   .9180048    -4.89   0.000     -6.28678   -2.688267
------------------------------------------------------------------------------

Misal dengan menggunakan banyak variabel


mlogit  hours_cat nwifeinc educ exper expersq age kidslt6 kidsge6

Iteration 0:   log likelihood = -438.90217 
Iteration 1:   log likelihood = -386.93083 
Iteration 2:   log likelihood = -374.15512 
Iteration 3:   log likelihood = -373.39288 
Iteration 4:   log likelihood = -373.38458 
Iteration 5:   log likelihood = -373.38458 

Multinomial logistic regression                   Number of obs   =        753
                                                  LR chi2(14)     =     131.04
                                                  Prob > chi2     =     0.0000
Log likelihood = -373.38458                       Pseudo R2       =     0.1493

------------------------------------------------------------------------------
   hours_cat |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
_K__Normal   |  (base outcome)
-------------+----------------------------------------------------------------
Normal       |
    nwifeinc |  -.0225697   .0144235    -1.56   0.118    -.0508393    .0056998
        educ |  -.0896376   .0568701    -1.58   0.115     -.201101    .0218258
       exper |   .1683806   .0476524     3.53   0.000     .0749837    .2617775
     expersq |  -.0020595   .0013793    -1.49   0.135     -.004763    .0006439
         age |  -.0882005   .0197882    -4.46   0.000    -.1269845   -.0494164
     kidslt6 |  -1.909118   .5200971    -3.67   0.000    -2.928489   -.8897463
     kidsge6 |  -.1600934   .1052753    -1.52   0.128    -.3664293    .0462424
       _cons |   2.165653   1.187548     1.82   0.068     -.161898    4.493203
-------------+----------------------------------------------------------------
A_Normal     |
    nwifeinc |  -.0087611   .0178409    -0.49   0.623    -.0437286    .0262064
        educ |   .0990413   .0787529     1.26   0.209    -.0553114    .2533941
       exper |   .1563197   .0663208     2.36   0.018     .0263334     .286306
     expersq |  -.0006523   .0017247    -0.38   0.705    -.0040326     .002728
         age |  -.0954166   .0299821    -3.18   0.001    -.1541804   -.0366527
     kidslt6 |  -.7324912   .4359529    -1.68   0.093    -1.586943    .1219607
     kidsge6 |  -.1187151   .1555571    -0.76   0.445    -.4236014    .1861712
       _cons |  -1.375764   1.683735    -0.82   0.414    -4.675824    1.924297
------------------------------------------------------------------------------

Komentar

Posting Komentar

Postingan populer dari blog ini

Random Effect Model (REM)

-
W alaupun FEM atau LSDV mudah untuk diaplikasikan, tidak dapat dipungkiri penerapannya akan menimbulkan konsekuensi ( trade off ) yang mungkin cukup mahal. Penambahan dummy variables ke dalam model dapat mengurangi banyaknya derajat kebebasan ( degree of freedom ) yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Menurut Gujarati (2003), jika dummy variables adalah untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya, maka kita dapat menggunakan disturbance term untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya. Hal ini dikenal sebagai model efek acak ( random effect model atau REM ).
Baca selengkapnya

Linear Probability Model (LPM), Logit Model, dan Probit Model (Normit Model) dengan STATA (2011)

-
Gambar
Model dengan variabel dependen yang bersifat diskrit, maka estimasi dengan menggunakan regresi liner akan terasa dipaksakan, karena estimator yang dihasilkan tidak lagi bersifat BLUE (Best Linier Unbiased Estimator). Hal ini disebabkan: varian error-nya tidak terdistribusi normal, estimator tidak efisien akibat heteroskedastis, dan R² tidak dapat digunakan sebagai pengukur Goodness of Fit.   Oleh karenanya, untuk menghasilkan estimator persamaan yang BLUE, penelitian ini menggunakan q ualitative response regression model. Terdapat tiga pendekatan untuk mengembangkan model yang menjelaskan model regresi binary response yaitu:  Linear Probability Model (LPM)  Logit Model  Probit Model (Normit Model)  Jika dilihat secara grafik perbedaan antara jasil estimasi menggunakan Linear dan Logistik (Probit dan Logit) terhadap model dengan variabel dependen yang bersifat diskrit, maka dapat dilihat seperti berikut:
Baca selengkapnya

Fixed Effect (FEM)

-
Gujarati (2003) menjelaskan kesulitan terbesar dalam pendekatan metode kuadrat terkecil biasa tersebut adalah asumsi konstanta dan slope dari persamaan regresi yang dianggap konstan baik antar daerah maupun antar waktu yang mungkin tidak beralasan. Satu cara untuk memperhatikan “keunikan” unit cross-section atau unit time-series adalah dengan memasukkan variabel boneka ( dummy variable ) untuk mengizinkan terjadinya perbedaan nilai parameter yang berbeda-beda, baik lintas unit cross-section maupun antar unit waktu. Pendekatan yang paling sering dilakukan adalah dengan mengizinkan intercept bervariasi antar unit cross-section namun tetap mengasumsikan bahwa slope koefisien adalah konstan antar unit cross-section . Pendekatan ini dimana slope coefficents constant tetapi memiliki intercept yang berbeda-beda di setiap individu, dalam literatur dikenal dengan sebutan model efek tetap ( fixed effect model atau FEM ).
Baca selengkapnya