6 0 318 KB
Analisis Regresi Logistik Biner Kuliah ke 4 (online) Senin 29 Maret 2021, jam 7.30-10.00 Apa yang dimaksud dengan analisis regresi logistic Regresi logistik (logistic regression) merupakan suatu benrtuk regresi yang digunakan pada saat variable tak bebas (dependent variable) bersifat kategorik (berskala nominal atau ordinal). Regresi logistic biner digunakan jika kategori pada variable tak bebas bersifat dikotomus (terdiri dari 2 kategori). Skala pengukuran dari variable bebas (independent variable) yang digunakan dapat berskala nominal, ordinal, interval atau rasio Apa Kegunaan analisis regresi logistic biner? Beberapa kegunaan dari regresi logistic biner (Azen & Walker, 2011) adalah: 1. Memodelkan probabilita kondisi atau pernyataan tertentu yang bersifat kualitatif (seperti menikah atau tidak, sehat atau sakit, menyenangkan atau menjemukan dan sebagainya) sebagai fungsi dari beberapa variable bebas. Contoh, seseorang bermaksud memodelkan apakah seseorang sakit diabetes atau tidak dipengaruhi oleh berat badan, kadar glukosa saat puasa dan usia. 2. Menggambarkan perbedaan antara kelompok sebagai fungsi dari beberapa variable penjelas (dikenal juga dengan descriptive discriminant analisys). Contoh penelitian tentang perbedaan siswa yang berminat untuk sekolah di sekolah negeri dan di sekolah swasta sebagai fungsi dari skor test yang dimiliki untuk pekerjaan yang diinginkan dan status social-ekonomi. 3. Mengelompokan individu ke dalam salah satu kategori berdasarkan variable bebas. Teknik analisis ini dikenal juga dengan nama predictive discriminant analysis. Contoh seorang peneliti mungkin berkeinginan untuk memperkirakan apakah seorang siswa berminat untuk sekolah di sekolah negeri atau swasta, berdasarkan fungsi dari skor test yang dimiliki, pekerjaan yang diinginkan dan status social ekonomi. 4. Di bidang psikometri, penggunaan logistic regression lebih mirip predictive discriminant analysis. Contoh, seorang berkeinginan untuk memperkirakan peluang/probabilita peserta test akan menjawab dengan benar berdasarkan (sebagai fungsi dari) ras dan gender. Dalam bidang psikometri dikenal dengan differential item functioning analyses.
Bagaimana regresi logistic biner diestimasi? Regresi logistic menerapkan metode maximum likelihood estimation (MLE) dalam menghasilkan nilai estimasi setelah mentransformasi variable tak bebas ke dalam suatu variable logit. Pada tahapan ini, regresi logistic mengestimasi berapa probabilita dari suatu peristiwa tertentu untuk 1
terjadi. Regresi logistic menghitung perubahan yang terjadi pada nilai log odds variable tak bebas secara langsung seperti yang diterapkan dalam metode ordinary least squares (OLS).
Model Regresi Logistic Biner Secara matematis bentuk model probabilita regresi logistic adalah : E(Y/x) = π(x)
4.1
Dimana : exp ( β0 + β1X1 + … + βpXp) π(x) =
4.2 1+ exp (β0 + β1X1 + … + βpXp)
Nilai variable tak bebas (Y) adalah 1 (“sukses”) dan 0 (“gagal”), Nilai π (x) adalah probabilita kejadian P(Y=1). Fungsi π (x) merupakan fungsi non linier sehingga perlu dilakukan tarnsformasi logit untuk memperoleh fungsi linier. Bentuk transformasi logit tersebut adalah ; logit ( π (x) = ln
( )
( )
= β0 +β1 + Xi1+ β2 + Xi2 + … + βpXip
4.3
i merupakan parameter koefisien regresi, i = 1,2 …p Xip merupakan nilai variable bebas ke - p dari observasi ke – i Dimana ( π (x)/1- π(x) merupakan resiko Y =1 untuk X tertentu, disebut juga dengan odds.
Apa persamaan dan perbedaan regresi logistic dengan regresi klasik? Menard (2002) menjelaskan bahwa regresi logistic memiliki beberapa analogi dengan regresi klasik ( OLS regression). Koefisien logit menunjukan nilai koefisien b pada persamaan regresi logistic, dan nilai statistic R2 juga tersedia untuk menyimpulkan kekuatan hubungan meskipun nilai ini tidak dapat persis disamakan dengan nilai R2 pada regresi klasik. Namun dalam aplikasinya, penggunaan regresi logistic dan regresi klasik terdapat perbedaan yang mencolok. Contoh berkut menjelaskan tentang perbedaan tersebut
2
Misalkan diteliti hubungan antar skor Graduate Record Examination (GRE) dan status kelulusan seseorang dalam ujian masuk suatu perguruan tinggi (PT). Model regresi klasik untuk kasus di atas dapat dituliskan sebagai berikut ; Yi = β0 + β1 Xi + εi
4.4
Xi = skor GRE dari observasi ke- i Yi = 1 ; bila seseorang lulus ujian masuk PT 0 ; bila seseorang tidak lulus masuk PT (gagal) Secara matematis dengan mengasumsikan E ( εi ) = 0, diperoleh E(Yi/Xi) = β0 + β1 Xi
4.5
Nilai harapan bersyarat dari Y, jika diberikan Xi adalah E(Yi/Xi) = ( Yi = 1)P(Yi = 1/Xi) + (Yi = 0) P(Yi = 0/Xi) = P (Yi = 1/Xi) Jika P (Yi = 1/Xi) = πi menunjukan probabilita bahwa orang ke-i lulus ujian, maka 1 - πi merupakan probabilita bahwa orang ke-i tidak lulus ujian, yaitu bila Yi = 0 sehingga E(Yi/Xi) = πi Akibatnya persamaan (4.5) menghasilkan E(Yi/Xi) = β0 + β1 Xi = πi
4.6
Karena 0 ≤ πi ≤ 1, maka 0 ≤ β0 + β1 Xi ≤ 1 Pada kasus variable tak bebas yang berbentuk kategori, apakah estimator hasil OLS dapat menjamin bahwa besaran β0 + β1 Xi terletak antara 0 dan 1? Inilah alasan mengapa pada kasus variable tak bebas kategorik, regresi OLS tidak dapat digunakan. Salah satu solusi untuk kasus variable tak bebas kategorik adalah menggunakan fungsi logit (regresi logistic) sebagaimana telah dijelaskan sebelumnya. Didefenisikan ;
πi = E(Yi = 1/Xi) =
8 =
1 1+e
- (β0 + β1 Xi)
1 8 - Zi 1+e
4.7
Dimana ; Zi = β0 + β1 Xi Pada persamaan 4.7 probabilitas sukses (πi) memiliki hubungan non linier dengan Zi Persamaan tersebut juga menjamin bahwa πi akan bernilai 0 dan 1, apabila Zi bernilai mendekati tak hingga ( ∞ ), maka πi akan bernilai mendekati 1 dan apabila Zi bernilai mendekati minus tak hingga 3
(- ∞ ) maka πi akan bernilai mendekati 0 Dari defenisi sebelumnya ; πi = sehingga
Rasio antara πi dan 1- πi adalah
Besaran diatas disebut dengan odds. Logaritma natural dari odds akan menghasilkan
Persamaan diatas disebut model logit. Dalam bentuk probabilita, model regresi logistic dapat ditulis sebagai berikut;
Apa pengertian Odds? Odds dapat diinterorestasikan sebagai perbandingan antara probabilita sukses dan probabilita gagal. Untuk contoh ujian masuk PT, maka odds merupakan perbandingan antara probabilita seseorang lulus dalam ujian masuk PT dengan probabilita seseorang tidak lulus dalam ujian tersebut. Misalkan saja bahwa probabilita seorang lulus adalah 60%. Dengan demikian probabilita bahwa seseorang tidak lulus dalam ujian adalah 40%, sehingga odds adalah 3 banding 2. Makin besar odds ini, makin besar kecenderungan seseorang untuk lulus dalam ujian masuk PT. Bagaimana nilai peluang (π) dapat diperoleh? Pada contoh sebelumnya bila mengetahui skor GRE seorang misalkan sebesar Xi, maka dapat dihitung probabilitas bahwa seseorang akan lulus dalam ujian PT dengan cara menghitung ;
Selanjutnya untuk mengestimasinilai β0 dan β1 digunakan metode maximum likelihood estimation (MLE)
4
Asumsi apa yang diperlukan oleh regresi logistic? Tidak seperti pada regresi klasik, regresi logistic tidak mengasumsikan kelinieran hubungan antara variable tak bebas dan variable bebas tidak memerlukan variable yang terdistribusikan secara normal, atau secara umum dapat dikatakan bahwa regresi logistic tidak memiliki
persyaratan
yang
ketat.
Namun
demikian
adanya
kolineritas
(collinearity/multicollinearity) menjadi masalah serius. Jika terjadi kolinearitas sempurna antar variable bebas, maka tidak dapat diperoleh estimasi koefisien regresi yang unik. Meskipun jarang ditemukan adanya kolineritas sempurna, namun korelasi yang tinggi antar variable dapat berakibat estimator koefisien regresi menjadi tidak lagi efisien (kesalahan baku dari estimator koefisien regresi menjadi besar) (Menard, 2002). Bagaimana menilai estimasi model regresi logistic yang dibuat? Kebaikan model regresi logistic dapat dinilai dengan melihat pada table klasifikasi (clasifiation table) (nilai Hit Ratio atau di output SPSS disebutkan sebagai overall percentage atau percentage correct) yang menunjukan pengklasifikasi yang benar dan yang salah dari suatu variable tak bebas dikotomus, ordinal, maupun polikotomus. Uji kebaikan model (goodness of fit test) juga dapat dilakukan sebagai indicator ketepatan model. Sementara untuk menguji keberartian (secara statistic) secara keseluruhan dapat dilakukan dengan uji likelihood ratio dengan statistic uji G, sedangkan uji keberartian secara statistic dari tiap variable bebas dapat dilakukan dengan menggunakan statistic uji Wald. Secara lebih rinci untuk prosedur pengujian hipotesis dalam regresi logistic dapat dilakukan dengan cara sebagai berikut;
Pengujian Parameter Uji Keseluruhan (Overall test) Untuk mengetahui apakah minimal ada satu variable bebas yang signifikan di dalam model digunakan hipotesis statistic uji likelihood ratio dengan rumusan hipotesis berikut (Hosmer dan Lemeshow,2000) H0 ; β1 = β2 = … = βp = 0 (Tidak ada pengaruh dari variable bebas terhadap variable tak bebas) H1 ; Minimal ada satu β1 ≠ 0 dimana j = 1,2 ….p (Minimal ada satu variable bebas berpengaruh pada variable tak bebas) Statistik uji yang digunakan adalah ; 5
G = - 2ln(
)
dimana ;
(4.11) Lo = Likelihood tanpa variable bebas L1 = Likelihood dengan variable bebas
Statistik uji G di atas mengikuti distribusi chi-square ( χ2) dengan derajat bebas p, sehingga H0 ditolak jika G > χ2a.p, yang berarti ada paling sedikit satu βj ≠ 0
Uji Parsial Selanjutnya untuk menguji koefisien βj secara parsial dapat digunakan uji Wald dengan menggunakan hipotesis sebagai berikut ; Ho ; βj = 0, (tidak ada pengaruh variable bebas ke-j terhadap variable tak bebas) H1 ; βj≠ 0 ( ada pengaruh variable bebas ke-j terhadap variable tak bebas) j = 1,2 …,p Formula dari statistic uji Wald adalah ; = dengan
(
(4.12)
)
merupakan estimasi parameter βj dan
merupakan estimasi standard error dari
Dijelaskan oleh Azen dan Walker (2011) bahwa statistic uji Wald tersebut mengikuti distribusi chi-square dengan derajat bebas 1, sehingga H0 akan ditolak jika nilai
>χ
.
Jika H0
ditolak pada tingkat signifikansi α berarti dapat disimpulkan bahwa variable bebas Xj berpengaruh secara signifikan terhadap variable tak bebas Y. Nilai
statistic uji G (pada 4.11) maupun nilai
statistic uji W (pada 4.12) ini dapat secara langsung didapatkan dari hasil pengolahan dengan menggunakan bantuan software statitiska seperti SPSS for windows.
Hubungan antara Nilai Probabilita, Odds & In(Odds) Tabel 4.1. di bawah ini menyajikan nilai yang dapat menggambarkan hubungan antara nilai probabilita, odds dan ln(odds) dapat diketahui bahwa ;
Semakin kecil probabilita, semakin kecil pula nilai odds, dan nilai ln odds juga semakin kecil (mendekati – ∞), dan sebaliknya.
Secara teori, nilai probabilita berkisar antara 0 sampai 1, sehingga nilai odds akan berkisar antara 0 sampai ∞. 6
Pada saat probabilita = 0,5 (midpoint), maka odds = 1, dan ln (oods) = 0
Nilai ln (odds) berkisar antara - ∞ sampai ∞, simetris di sekitar midpoint
Contoh 4.1. Pada contoh hubungan antar skor Graduate Record Examination (GRE) dan status kelulusan seseorang dalam ujian masuk suatu perguruan tinggi (PT), jika diketahui data yang diperoleh adalah sebagai pada Tabel 4.2 di bawah, maka dapat diperoleh persamaan regeresi logistic sbb: !"
#$
#$
= −15,705 + 0,025-
4.13
Atau dalam bentuk peluang: pi
=
./0 (
./0 (
1,2 1
1,2 1
,
,
13 )
13 )
4.14
Pada contoh hubungan antar skor Graduate Record Examination (GRE) dan status kelulusan seseorang dalam ujian masuk suatu perguruan tinggi (PT), jika diketahui data yang diperoleh adalah sebagai:
7
Tabel. 4.2 Skor Kelulusan dan GRE No.
Status Kelulusan
Skor GRE
No.
Status Kelulusan
Skor GRE
1
0
550
21
0
540
2
0
460
22
1
760
3
0
640
23
1
800
4
0
640
24
1
645
5
1
520
25
1
660
6
0
560
26
0
560
7
0
420
27
1
780
8
0
620
28
1
600
9
0
560
29
1
650
10
0
580
30
1
660
11
1
800
31
1
800
12
0
460
32
0
660
13
1
580
33
0
640
14
1
700
34
0
620
15
0
600
35
1
750
16
1
685
36
1
620
17
1
760
37
0
540
18
1
800
38
1
725
19
1
640
39
1
780
20
0
605
40
1
760
Berdasarkan persamaan di atas, maka nilai probabilita Yi = 1 disajikan pada tabel 4.3 di bawah ini. 8
Tabel. 4.3 Probabilita Yi = 1 berdasarkan persamaan 4.14 No.
Status Kelulusan
Skor GRE
P(Y=1)
No.
Status Kelulusan
Skor GRE
P(Y=1)
1
0
550
0,1308
21
1
580
0,2422
2
0
460
0,0155
22
1
700
0,8668
3
0
640
0,5905
23
1
685
0,8170
4
0
640
0,5905
24
1
760
0,9671
5
0
560
0,1621
25
1
800
0,9877
6
0
420
0,0057
26
1
640
0,5905
7
0
620
0,4660
27
1
760
0,9671
8
0
560
0,1621
28
1
800
0,9877
9
0
580
0,2422
29
1
645
0,6205
10
0
460
0,0155
30
1
660
0,7044
11
0
600
0,3456
31
1
780
0,9798
12
0
605
0,3745
32
1
600
0,3456
13
1
540
0,1048
33
1
650
0,6496
14
1
560
0,1621
34
1
660
0,7044
15
0
660
0,7044
35
1
800
0,9877
16
1
640
0,5905
36
1
750
0,9580
17
1
620
0,4660
37
1
620
0,4669
18
1
540
0,1048
38
1
725
0,9242
19
1
520
0,0662
39
1
780
0,9798
20
0
800
0.9877
40
1
760
0,9671
9
Dari nilai-nilai probabilita yang diperoleh di atas dapat dibuat grafik (Gambar 4.1) sebagai berikut :
Interpretasi Interpretasi pada persamaan regresi logistik dilakukan melalui nilai rasio kecenderungan (odds rasio) atau probabilita (predicted probability) pada persamaan regresi logistik dengan satu variabel bebas kuantitatif : ln
4
#
=b0+b1Xi
b0 menyatakan nilai log Odds jika Xi = 0 eb0 menyatakan perkiraan nilai odds (kecenderungan ) bahwa Yi = 1(dibandingkan saat Yi =0), jika Xi = 0 b0 digunakan juga untuk menghitung perkiraan probabilita untuk Yi = 1, saat Xi = 0
5 =
67
1+
67
Pada contoh sebelumnya,
pi =
./0 (
./0 (
1,2 1
1,2 1
Dengan demikian dapat diinterpretasikan bahwa 10
,
,
13 )
13 )
Perkiraan nilai odds (kecenderunga) bahwa Yi = 1, jika Xi = 0 adalah e-15,705 = 1,5.10-7 . Dengan kata lain, kecenderungan orang dengan skor GRE = 0 untuk LULUS sangat kecil.
b1 menyatakan perubahan nilai log odds bahwa Yi=1 jika Xi berubah satu unit.
eb1 menyatakan perkiraan perubahan nilai odds (kecenderungan) bahwa Yi=1, jika Xi bertambah satu unit.
Perkiraan perubahan nilai odds bahwa Yi=1 jika Xi bertambah satu unit adalah e0,025 =1,03. Seseorang dengan skor GRE 1 point lebih tinggi memiliki kecenderungan 1,03 kali untuk LULUS.
Kemiringan (slope) paling ekstrim terjadi pada saat p = 0,5 ketika ln(
,1
) = ln(1) = 0 = ᵦ0+ ᵦ1X
,1
terjadi saat x = -ᵦ0 /ᵦ1
disebut juga dengan median effective level
Contoh 4.2. Analisis Regresi Logistik menggunakan SPSS : Usaha Informal Berikut contoh kasus dengan keterangan sebagai berikut : Variabel tak bebas ( Dependent variable) Y = status keberlansungan usaha ( 1 = berlanjut, 0 = bangkrut) Variabel bebas (Independent variable): X1 = modal awal (puluhan juta rupiah) 11
X2 = pengalaman pelatihan kewirausahaan (1 = pernah, 0 = tidak pernah) Model logit yang diajukan adalah : logit (π(x)) = ln
( )
( )
= β0 +β1 + Xi1 + β2 + Xi2
Misal berdasarkan output SPSS diperoleh hasil sbb (hanya output penting yg ditampilkan)
12
13
14
Berdasarkan output di atas maka analisis sederhana yang dapat dilakukan adalah sebagai berikut : Estimasi Model Logit(Persamaan logit): ln(
#
#
) = -5,412 + 1,427Xi1 + 2,809Xi2
X1 = modal awal (puluhan juta rupiah) X2 = pengalaman pelatihan kewirausahaan (1= pernah, 0 = tidak pernah) Pengujian Hipotesis Uji keseluruhan Menguji apakah minimal ada satu variabel bebas yang signifikan di dalam model: H0: ᵦ1 = ᵦ2 = 0 H1: minimal ada satu ᵦj ≠ 0
j =1,2
Nilai stat uji G = -2 Inlikelihood (Model B/Model A) = -2 Inlikelihood Model B - (-2 Inlikelihood Model A) = 55,051-22,204 = 32,847 Keterangan: Model B = model yang hanya terdiri atas konstanta saja (Blok 0) Model A = model yang terdiri atas konstanta dan semua variabel bebas (blok 1) (nilai stat uji G = nilai chi-square pada tabel omnibus tests of model coefficients) Nilai ini selanjutnya dibandingkan dengan nilai kritis χ2 dengan derajat bebas 2 (banyaknya parameter yang diuji) pada tingkat signifikansi tertentu (misal 5%) atau dilihat@nilai@p-value (signifikansi) dan dibandingkan dengan tingkat signifikansi yang telah ditentukan sebelumnya (yaitu 5%). Jika p-value < 5%, maka H0 ditolak. Berdasarkan kriteria tersebut, hasilnya tolak H0, yang berarti minimal ada satu variabel bebas yang secara statistik adalah signifikan berpengaruh terhadap peluang status keberlanjutan usaha. Uji Parsial Hasil uji keseluruhan menunjukkan bahwa ada minimal satu variabel bebas yang secara statistik. adalah signifikan sehingga dapat dilanjutkan ke uji parsial dengan rumus hipotesis: H0: ᵦ1 = 0 H1:
ᵦ1 ≠ 0
j = 1,2 15
Statistik uji yang kritis digunakan adalah statistic uji Wald. Hipotesis nol ditolak , 1. Jika nilai statistic Wald lebih besar dari nilai χ2 dengan derajat bebas 1 pada tingkat signifikansi tertentu (misal 5%) atau 2. Bila nilai p-value lebih kecil dari tingkat signifikansi yang telah ditentukan sebelumnya (yaitu 5%) Hasil pengujian menunjukan bahwa pada α =0,05, kedua variable bebas yang digunakan mempengaruhi status keberlanjutan usaha secara signifikan.
Interpretasi Interpretasi terhadap persamaan di atas adalah sebagai berikut; (Melalui tanda dari koefisien regresi dan nilai odds ratio) 1. Tanda”+” pada koefisien Xi1, berarti semakin besar modal awal suatu usaha informal maka semakin besar probabilita usaha tersebut untuk dapat berlanjut, atau usaha sector informal dengan modal sepuluh juta rupiah lebih tinggi memiliki kecenderungan sebesar exp(1,427) = 4,167 kali untuk dapat terus berlanjut (dengan anggapan variable pengalaman keikutsertaan dalam pelatihan kewirausahaan sama/tetap) 2. Tanda “+” pada koefisien Xi2 , berarti usaha dengan pemilik usaha pernah mengikuti pelatihan kewirausahaan memiliki kecenderungan/peluang yang lebih besar untuk dapat berlanjut (dengan anggapan variable modal awal tetap), atau usaha dengan pemilik usaha pernah mengikuti pelatihan kewirausahaan memiliki kecenderungan sebesar 16,589 kali untuk dapat berlanjut (dengan anggapan variable modal awal tetap/sama) Pengujian Kecocokan Model Pengujian ini bertujuan untuk mengetahui apakah persamaan yang diperoleh cocok untuk menjelaskan hubungan antara status keberlanjutan usaha informasi dan variable model awal dan pengalaman dalam pelatihan kewirausahaan. Hasil pengujian kecocokan model (goodness of fit test) dengan hipotesis sebagai berikut ; H0 : model cocok H1 : model tidak cocok Menyatakan bahwa model cocok (fit)
16
Hasil ini dapat dilihat pada table Hosmer & Lemeshow goodness of fit Test dengan nilai 13,153 dan p-value 0,107 (H0 tidak ditolak pada tingkat signifikansi 0,05). Baik tidaknya suatu model dapat pula dinilai melalui besaran Hit Ratio (Percentage correct) (overall percentage) pada classification table. Pada contoh di atas diperoleh nilai hit ratio sebesar 92,5% artinya model dapat mengklasifikasikan obyek secara benar sebesar 92,5%,
Contoh 4.3. Penerapan Analisis Regresi Logistik : Peluang Pekerja Wanita dalam Memilih Lapangan Pekerjaan Pertanian dan Non Pertanian di Kota Batam Penilitian ini bertujuan untuk mengidentifikasi factor-faktor social demografi yang berpengaruh dalam pemilihan lapangan pekerjaan yang dimasuki pekerja wanita di kota Batam, serta mengetahui peluang dan kecenderungan pekerja wanita dalam memilih lapangan pekerjaan yang dimasuki melalui aspek-aspek social demografi apa saja yang mempengaruhi kecenderungan pekerja wanita dalam memilih lapangan pekerjaan. Variabel tak bebas digunakan dalam analisis adalah lap angan pekerjaan yang dimasuki oleh pekerja wanita yang telah digolongkan menjadi 2 (dua) kelompok, yaitu lapangan pekerjaan pertanian (kode 0) dan non pertanian (kode 1). Selanjutnya lapangan pekerjaan yang dimasuki pekerja wanita diregresikan terhadap beberapa variable bebas yaitu ; X
= umur pekerja wanita
D1
= daerah tempat tinggal (0 = perkotaan, 1 = pedesaan)
D2
= status perkawinan (0 = kawin, 1 = tidak kawin)
D3
= kelompok pendidikan yang ditamatkan (0 = SLTA keatas, 1 = SLTP ke bawah)
D4
= status migrant (0 = migrant, 1 = non migran) Berdasarkan sampel sebanyak 117.190 pekerja wanita, diperoleh hasil estimasi koefisien
regresi sebagai berikut (pengolahan menggunakan SPSS):
17
Tabel di atas menunjukan bahwa semua variable bebas berpengaruh signifikan terhadap lapangan kerja yang dimasuki pekerja wanita di Kota Batam. Persamaan logit (regresi logistic) yang diperoleh sebagai berikut ; ln
8 9:8
= 5,843 – 0,014X – 2,353D1 + 0,283D2 - 1,476D3 - 0,634D4
Berdasarkan persamaan di atas diperoleh beberapa informasi sebagai berikut ; Pertama, apabila usia pekerja wanita bertambah 1 tahun, maka dia mempunyai kecenderungan untuk bekerja di lapangan pekerjaan non pertanian sebesar 0,986 kali,dengan asumsi pendidikan, status perkawinan, daerah tempat tinggal dan status migran pekerja wanita tersebut sama. Ini berarti peluang pekerja wanita dengan umur lebih tua dapat bekerja di lapangan pekerjaan non pertanian lebih kecil dibandingkan pekerja wanita yang berumur lebih muda. Hal ini terlihat pula dari nilai koefisien b yang negative. Kedua, pekerja wanita yang tinggal di daerah pedesaan memiliki kecenderungan sebesar 0,095 kali untuk dapat bekerja di lapangan pekerjaan non pertanian dibandingkan dengan pekerja wanita yang bertempat tinggal di daerah perkotaan dengan asumsi umur, status perkawinan, tingkat pendidikan yang ditamatkan dan status migrant yang sama. Ini berarti bahwa peluang pekerja wanita yang tinggal di daerah pedesaan untuk bekerja di lapangan pekerjaan non pertanian lebih kecil dibandingkan pekerja wanita yang tinggal di daerah perkotaan. Ketiga, pekerja wanita berstatus tidak kawin mempunyai kecenderungan untuk bekerja di lapangan pekerjaan non pertanian sebesar 1,327 kali dibandingkan dengan pekerja wanita berstatus kawin pada keadaan umur, tingkat pendidikan yang ditamatkan, daerah tempat tinggal dan status migrant yang sama . Ini berarti peluang pekerja wanita yang tidak kawin mempunyai kesempatan yang lebih besar untuk masuk di lapangan pekerja non pertanian dibandingkan dengan pekerja wanita yang kawin. Keempat, pekerja wanita yang berpendidikan rendah (SLTP ke bawah) mempunyai kecenderungan untuk bekerja di lapangan pekerja non pertanian sebesar 0,228 kali dibandingkan dengan pekerja wanita yang berpendidikan SLTA ke atas dengan asumsi umur, status perkawinan , daerah tempat tinggal dan status migrant yang sma. Berarti 18
pekerja wanita yang berpendidikan lebih tinggi mempunyai peluang/kesempatan yang lebih besar untuk masuk ke lapangan pekerjaan non pertanian dibandingkan dengan mereka yang berpendidikan rendah. Kelima, pekerja wanita yang berstatus non migrant risen mempunyai peluang untuk bekerja di lapangan pekerjaan non pertanian sebesar 0,530 kali dibandingkan pekerja wanita yang berstatus migran dengan asumsi umur, tingkat pendidikan yang ditamatkan, daerah tempat tinggal dan status perkawinan yang sama. Ini berarti pekerja wanita yang berstatus migrant mempunyai kesempatan yang lebih besar untuk masuk ke lapangan pekerjaan non pertanian dibandingkan dengan mereka yang berstatus non migran.
19