Regresi Logistik
Modelkan logit(pi) = beta0 + betaᵗx; estimasi parameter via maksimum likelihood (IRLS).
OR untuk koefisien betaⱼ adalah exp(betaⱼ). Pengujian dapat memakai Wald (z), likelihood‑ratio test (LRT), atau score (LM). Estimasi parameter menggunakan maksimum likelihood yang diselesaikan iteratif (IRLS). Pertanyaan umum: “apa bedanya OR dan risiko relatif?”, “bagaimana membaca koefisien logit?”, dan “kapan model dinilai baik?”. Jawab singkat: OR ≈ RR untuk kejadian jarang; koefisien logit adalah log‑OR; evaluasi model melalui deviance, pseudo‑R² (McFadden), uji Hosmer–Lemeshow, dan kurva ROC/AUC.
Asumsi utama: independensi observasi, spesifikasi fungsi link yang tepat (logit), tidak ada multikolinieritas tinggi, dan ukuran sampel memadai. Untuk probabilitas kejadian sangat kecil/imbalan kelas tidak seimbang, pertimbangkan penyesuaian (penalized likelihood, reweighting) atau metrik tambahan (PR‑AUC). Pelaporan: koefisien beta dengan SE, OR dan CI 95%, p‑value LRT/Wald, statistik kecocokan (deviance), dan performa diskriminasi (AUC).
Kata kunci: regresi logistik biner, odds ratio, MLE, IRLS, pseudo‑R², Hosmer–Lemeshow, ROC‑AUC, rare events.
Rujukan
- Hosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression (2nd ed.). Wileyhttps://stats.oarc.ucla.edu/other/examples/alr2/
- StatsDirect Logistic Regression. Help docshttps://www.statsdirect.com/help/regression_and_correlation/logistic.htm