P. 1
Analisis Regresi Logistik Multinomial

Analisis Regresi Logistik Multinomial

5.0

|Views: 2,561|Likes:
Published by Diello_D_princ_2521

More info:

Published by: Diello_D_princ_2521 on Apr 11, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

08/25/2013

pdf

text

original

Analisis Regresi Logistik Multinomial

Model regresi logistik multinomial merupakan suatu model yang memIokuskan
pengaruh sekumpulan variabel penielas yang saling bebas terhadap satu variabel respon.
Analisis regresi logistik digunakan untuk memeriksa hubungan antara variabel respon yang
biasanya terdiri atas data kualitatiI dengan variabel-variabel penielas yang terdiri atas data
kualitatiI dan kuantitatiI. Variabel respon pada penelitian ini adalah perilaku sosial tahanan
anak yang dibagi meniadi tiga kategori yaitu rendah, sedang, dan tinggi, dimana masing-
masing diberi kode 0, 1, 2. Oleh karena itu, dalam penelitian ini digunakan regresi logistik
multinomial. Regresi logistik multinomial merupakan perluasan dari regresi logistik biner
(dua kategori) apabila variabel respon memiliki kategori lebih dari dua dengan variabel
penielas kategorik dan/atau kontinu.
Pada model regresi logistik, salah satu koeIisien/parameter harus diiadikan nol
([
]m
= Ŵ). Kategori dengan koeIisien nol disebut iuga kategori reIerensi. Salah satu kategori
(misal kategori pertama, terakhir atau kategori dengan Irekuensi tertinggi) dipilih sebagai
kategori reIerensi yang digunakan untuk pembanding dalam analisis. Untuk memudahkan
interpretasi, maka perilaku sosial dengan kategori rendah (Y÷0) digunakan sebagai kategori
reIerensi. Artinya, untuk menganalisis perilaku sosial tahanan anak yang tergolong dalam
kategori tinggi dan sedang akan dibandingkan dengan perilaku sosial tahanan anak yang
tergolong rendah.
Persamaan regresi logistik (Hosmer dan Lemeshow, 1989) secara umum adalah
sebagai berikut:
˜(¥ = ˪|˲) = µ
]
(˲) =
exp|˧
]
(˲)!
¿ exp|˧
k
(˲)]
2
k=0
=
exp([
]0
+ [
]1
˲
1
+ [
]2
˲
2
+·+ [
]p
˲
p
)
¿ exp([
k0
+ [
k1
˲
1
+[
k2
˲
2
+·+[
kp
˲
p
)
2
k=0

Dimana [
0
= Ŵ sehingga ˧
0
(˲) = Ŵ
Keterangan:
˜(¥ = ˪|˲) ÷ peluang bersyarat dari variabel respon pada vektor
µ
]
(˲) ÷ persamaan regresi logistik untuk variabel respon
˧
]
(˲) ÷ logit pada variabel respon i, i÷0,1,2
˲
m
÷ nilai dari variabel penielas ke-m, m÷1,2,3,...,p
[
]m
÷ koeIisien/parameter model
Untuk model regresi logistik multinomial, iika variabel respon dibagi meniadi tiga kategori
yang masing-masing diberi kode 0, 1, dan 2 dan iika kategori 0 sebagai kategori reIerensi
([
0
= Ŵ), maka probabilitas bersayarat dengan variabel penielas sebanyak p akan
menghasilkan persamaan sebagai berikut:
˜(¥ = Ŵ|˲) = µ
0
(˲) =
ŵ
ŵ + exp([
10
+ [
11
˲
1
+ ·+ [
1p
˲
p
) + exp([
20
+[
21
˲
1
+ ·+ [
2p
˲
p
)


˜(¥ = ŵ|˲) = µ
1
(˲) =
exp([
10
+ [
11
˲
1
+ ·+ [
1p
˲
p
)
ŵ + exp([
10
+[
11
˲
1
+·+[
1p
˲
p
) + exp([
20
+ [
21
˲
1
+ ·+[
2p
˲
p
)

˜(¥ = Ŷ|˲) = µ
2
(˲) =
exp([
20
+ [
21
˲
1
+ ·+ [
2p
˲
p
)
ŵ + exp([
10
+ [
11
˲
1
+ ·+ [
1p
˲
p
) + exp([
20
+[
21
˲
1
+ ·+ [
2p
˲
p
)


Suatu variabel respon dengan tiga kategori akan membentuk dua persamaan logit,
dimana masing-masing persamaan ini membentuk regresi logistik biner yang
membandingkan suatu kelompok kategori terhadap reIerensi, yaitu sebagai berikut:
˧
1
(˲) = ˬn
˜(¥ = ŵ|˲)
˜(¥ = Ŵ|˲)
= ˬn
µ
1
(˲)
µ
0
(˲)
= [
10
+ [
11
˲
1
+ ·+[
1p
˲
p

˧
2
(˲) = ˬn
˜(¥ = Ŷ|˲)
˜(¥ = Ŵ|˲)
= ˬn
µ
2
(˲)
µ
0
(˲)
= [
20
+ [
21
˲
1
+ ·+ [
2p
˲
p

Secara umum, bentuk dari Iungsi logit dengan variabel respon yang terdiri dari tiga kategori
adalah:
˧
]
(˲) = [
]0
+ [
]1
˲
1
+[
]2
˲
2
+·+ [
]p
˲
p
: ˪ = Ŵ,ŵ,Ŷ
Jika terdapat variabel penielas dengan skala kategorik, variabel tersebut tidak tepat apabila
dimasukan kedalam model karena angka tersebut hanya sebagai identiIikasi saia dan tidak
mempunyai nilai numerik. Agar variabel penielas tersebut dapat masuk kedalam model, maka
dilakukan transIormasi dengan memeasukkan variabel boneka (dummv variable) ke dalam
model. Misalkan variabel penielas ke-m, yaitu ˲
m
yang mempunyai kategori sebanyak ˨
m
,
maka akan terdapat variabel boneka sebanyak ˨
m
- ŵ. Dengan demikian, Iungsi logistik
dengan p variabel penielas dan ˭ variabel boneka akan meniadi:
˧
]
(˲) = [
]0
+ [
]1
˲
1
+ [
]2
˲
2
+ ·+ ` [
]m¡
˖
]m¡
+
h
m
-1
¡=1
·+[
]p
˲
p

Dimana ˖
]m¡
÷ variabel boneka dari variabel ke-˭ Iungsi logit ke-˪
Secara umum, langkah-langkah yang dilakukan dalam analisis regresi logistik
multinomial adalah:
1. Melakukan penguiian parameter secara simultan untuk mengetahui kecocokan model
analisis tersebut.
2. Melakukan penguiian parameter secara parsial untuk mengetahui variabel bebas yang
paling berpengaruh dalam model tersebut.
3. Melakukan interpretasi terhadap nilai rasio kecenderungan yang terbentuk.

!endugaan parameter
Dalam model regresi logistik, nilai harapan antar variabel respon tidak linier serta
memiliki varians yang tidak sama sehingga penduga parameter [ diperoleh melalui metode
Maximum Likelihood (Hosmer & Lemeshow, 1989). Untuk memecahkan masalah sistem
persamaan nonlinier, solusi yang dilakukan adalah dengan mengestimasi [ melalui proses
iterasi Newton Raphson. Karena variabel respon (˳
]
) diasumsikan saling bebas, maka
diperoleh Ingsi likelihood bersyarat untuk sampel sebanyak n observasi sebagai berikut:
ˬ([) = ||n
0

ì
)
y
0i
n
1

ì
)
y
1i
n
2

ì
)
y
2i
]
n
ì=1

Secara matematis, akan lebih mudah untk mendapatkan nilai [ yang akan
memaksimalkan Iungsi likelihood di atas melalui log dari Iungsi tersebut yaitu log likelihood.
Dengan demikian maka Iungsi log likelihood-nya adalah:
I([) = ˬn |ˬ([)] = `(˳

˧
1

ì
) + ˳

˧
2

ì
) - ˬn|ŵ + exp(˧
1

ì
)) +exp(˧
1

ì
))!)
n
ì=1


Untuk mendapatkan nilai [ yang memaksimumkan I([) dilakukan dengan diIerensiasi
terhadap I([), dengan syarat:
oI
o[
= Ŵ, ˤon
o
2
I
o
2
[
< Ŵ

Nilai [ dapat ditentukan, tetapi sangat sulit menghitung dengan nilai [ secara manual. Oleh
karena itu, digunakan metode iterasi dengan komputer untuk mencari solusi nilai [. Iterasi
merupakan metode yang paling umum dalam paket program SPSS untuk membantu
penghitungan estimasi dari [.
!engujian parameter
Penguiian terhadap parameter model dilakukan sebagai upaya memeriksa peranan
variabel independen terhadap model. Uii yang dilakukan ada dua yaitu:
a. Penguiian parameter dengan uii likelihood ratio (uii simultan)
Statistik uii G, yaitu uii yang digunakan untuk menguii peranan variabel
independen dalam model secara bersama-sama (Hosmer dan Lemeshow, 1989).
Penguiian hipotesis yang dilakukan adalah:
H
0
: [
1
= [
2
= · = [
p
= Ŵ, artinya tidak ada pengaruh antara sekumpulan variabel
independen dengan variabel dependen
H
1
: minimal ada satu [
]
= Ŵ, artinya minimal ada satu variabel independen yang
berpengaruh terhadap variabel dependen
Dengan statistik uii:
˙ = -Ŷ ln |
ˬ
0
ˬ
k
|
Dimana ˬ
0
adalah likelihood tanpa variabel independen dan ˬ
k
adalah likelihood dengan
variabel independen.
Statistik uii G ini mengikuti sebaran chi squares bila n mendekati tak terhingga
dengan deraiat bebas p dimana p = (r -ŵ)(c - ŵ), r dan c masing-masing adalah
banyaknya kategori pada variabel independen dan variabel dependen. H
0
akan ditolak
pada tingkat signiIikansi u apabila nilai ˙ > ¡
(p:u)
2
atau p - ˰oˬ˯˥ < o, dengan
kesimpulan bahwa variabel independen secara bersama-sama atau keseluruhan
mempengaruhi variabel dependen, dapat iga dikatakan bahwa paling sedikit ada satu
koeIisien [
]
= Ŵ. Untuk mengetahui [
]
mana yang berpengarh signiIikan, dapat
dilakukan uii parameter [ secara parsial dengan uii wald
b. Penguiian parameter dengan uii Wald (Uii parsial)
Penguiian variabel dilakukan satu per satu menggunakan statistik uii wald
(hosmer & lemeshow, 1989). Uii ini dilakukan dengan membandingkan model terbaik
yan dihasilkan oleh uii simultan terhadap model tanpa variabel bebas di dalam model
terbaik. Hipotesis yang akan diuii adalah sebagai berikut:
H
0
: [
]
= Ŵ, artinya tidak ada pengaruh antara variabel independen ke-i terhadap variabel
dependen
H
1
: [
]
= Ŵ, artinya ada pengaruh variabel independen terhadap variabel dependen
Statistik uiinya adalah
ˣ = Ӡ
[
ӂ
]
˟˥([
ӂ
]
)
ӡ
2
: ˪ = ŵ,Ŷ, ·, p
Dimana [
ӂ
]
merupakan penduga dari [
]
dan ˟˥([
ӂ
]
) adalah penduga galat baku dari [
]
.
diasumsikan mengikuti sebaran chi square dengan deraiat bebas 1. H
0
akan ditolak iika
nilai ˣ > ¡
(1:u)
2
atau p - ˰oˬ˯˥ < o. Jika H
0
ditolak maka dapat disimpulkan bahwa
[
]
signiIikan. Dengan kata lain, variabel independen X secara parsial berpengaruh
signiIikan terhadap variabel dependen.

Rasio kecenderungan (Odd Ratio)
Rasio kecenderungan adalah ukuran yang memperkirakan berapa besar
kecenderungan variabel-variabel independen terhadap variabel dependen (Hosmer dan
Lemeshow, 1989). Odds ratio merupakan ukuran untuk mengetahui risiko kecenderungan
untuk mengalami suatu keiadian tertentu antara kategori yang satu dengan yang lain dalam
suatu variabel yang dinotasikan dengan 0, dideIinisikan sebagai rasio dari odds untuk ˲ = ŵ
terhadap ˲ = Ŵ. Dengan kata lain, risiko kecenderungan pengaruh observasi ˲ = ŵ adalah ˭
kali lipat risiko dibandingkan dengan observasi ˲ = Ŵ, atau risiko kecenderungan pengaruh
observasi ˲ = Ŵ adalam ŵ¡˭ kali lipat dibandingkan dengan observasi ˲ = ŵ.
Odds rasio untuk ¥ = ˪ terhadap ¥ = ˫ yang dihitung pada dua nilai (misal
˲ = ŵ dan ˲ = Ŵ) adalah:
0 =
˜(¥ = ˪|˲ = ŵ)¡˜(¥ = ˫|˲ = ŵ)
˜(¥ = ˪|˲ = Ŵ)¡˜(¥ = ˫|˲ = Ŵ)
= exp|[
]
]

Untuk 0 = Ŵ berarti bahwa ˲ = ŵ memiliki kecendrngan yang sama dengan ˲ = Ŵ untuk
menghasilkan ¥ = ˪. Jika ŵ < 0 < \ berarti ˲ = ŵ memiliki kecenderungan lebih besar
0 kali dibandingkan ˲ = Ŵ untuk menghasilkan ¥ = ˪ dan sebaliknya untuk Ŵ < 0 < ŵ.
!enyusunan model regresi logistik multinomial
Variabel Nama Variabel Kategori
(1) (2) (3)
Y Perilaku Sosial Tahanan anak 1. Tinggi
2. Sedang
3. Rendah
X
1
Pola pembinaan tahanan anak 1. Tinggi
2. Sedang
3. Rendah
X
2
Umur KuantitatiI
X
3
Jenis kelamin 1. Laki-laki
2. perempuan
X
4
Keberadaan orang tua kandung 1. Lengkap (keduanya masih hidup)
2. Ayah masih hidup, ibu sudah
meninggal
3. Ibu masih hidup, ayah sudah
meninggal
4. Keduanya sudah meninggal
X
5
Status tinggal 1. Kedua orang tua
2. Ayah/ibu saia (kandung)
3. Ayah/ibu (salah satunya tiri)
4. Wali, sendiri, lainnya
X
6
Pendidikan tahanan anak 1. Tidak tamat SD/tidak sekolah
2. SD/sederaiat
3. SMP/sederaiat
4. SMA/sederaiat
X
7
Lama menialani masa tahanan KuantitatiI
X
8
Pengalaman kekerasan 1. Pernah
2. Tidak pernah
X
9
Jumlah tahanan dewasa dalam satu
sel
KuantitatiI
X
10
Jumlah tahanan anak dalam satu sel KuantitatiI
X
11
Lokasi pembinaan 1. LP Anak Tangerang
2. Rutan Jakarta Timur

Ada sebanyak 11 variabel independen yang digunakan yang terdiri atas variabel
kualitatiI dan kuantitatiI serta variabel dependen yang terdiri dari tiga kategori. Dengan
demikian terbentuk dua persamaan logit, yaitu:
˧
1
(˲) = [
10
+ [
111
˖
111
+[
112
˖
112
+ [
12
˲
2
+ [
131
˖
131
+ [
141
˖
141
+[
142
˖
142
+[
143
˖
143
+ [
151
˖
151
+[
152
˖
152
+[
153
˖
153
+[
161
˖
161
+ [
162
˖
162
+[
163
˖
163
+[
17
˲
7
+ [
181
˖
181
+ [
19
˲
9
+[
110
˲
10
+ [
1111
˖
1111


Dan
˧
2
(˲) = [
20
+[
211
˖
211
+ [
212
˖
212
+ [
22
˲
2
+ [
231
˖
231
+[
241
˖
241
+ [
242
˖
242
+ [
243
˖
243
+[
251
˖
251
+ [
252
˖
252
+[
253
˖
253
+ [
261
˖
261
+[
262
˖
262
+ [
263
˖
263
+[
27
˲
7
+[
281
˖
281
+ [
29
˲
9
+[
210
˲
10
+ [
2111
˖
2111



Dimana
˧
1
(˲) ÷ persamaan logit untuk kategori perilaku sosial tinggi
[
10
÷ intersep untuk persamaan logit pertama
˖
111
÷ variabel dummy untuk skor pola pembinaan kategori tinggi
˖
112
÷ variabel dummy untuk skor pola pembinaan kategori sedang
˲
2
÷ variabel umur (tahun)
˖
131
÷ variabel dummy untuk ienis kelamin laki-laki
˖
141
÷ variabel dummy untuk keberadaan orang tua kandung lengkap
˖
142
÷ variabel dummy untuk keberadaan orang tua kandung kategori ayah masih hidup,
ibu sudah meninggal
˖
143
÷ variabel dummy untuk keberadaan orang tua kandung kategori ibu masih hidup,
ayah sudah meninggal
˖
151
÷ variabel dummy untuk status tinggal dengan kedua orang tua kandung
˖
152
÷ variabel dummy untuk status tinggal dengan ayah/ibu saia (kandung)

˖
153
÷ variabel dummy untuk status tinggal dengan ayah/ibu (salah satunya tiri)
˖
161
÷ variabel dummy untuk pendidikan tahanan anak kategori tidak tamat SD/tidak
sekolah
˖
162
÷ variabel dummy untuk pendidikan tahanan anak kategori SD/sederaiat
˖
163
÷ variabel dummy untuk pendidikan tahanan anak kategori SMP/sederaiat
˲
7
÷ variabel lama menialani masa tahanan (dalam bulan)
˖
181
÷ variabel dummy pengalaman kekerasan kategori pernah
˲
9
÷ variabel iumlah tahanan dewasa dalam satu sel (iiwa)
˲
10
÷ variabel iumlah tahanan anak dalam satu sel (iiwa)
˖
1111
÷ variabel dummy untuk lokasi pembinaan di LP Anak Tangerang

˧
2
(˲)÷ persamaan logit untuk kategori sedang
[
20
÷ intersep untuk persamaan logit pertama
˖
211
÷ variabel dummy untuk skor pola pembinaan kategori tinggi
˖
212
÷ variabel dummy untuk skor pola pembinaan kategori sedang
˲
2
÷ variabel umur (tahun)
˖
231
÷ variabel dummy untuk ienis kelamin laki-laki
˖
241
÷ variabel dummy untuk keberadaan orang tua kandung lengkap
˖
242
÷ variabel dummy untuk keberadaan orang tua kandung kategori ayah masih hidup,
ibu sudah meninggal
˖
243
÷ variabel dummy untuk keberadaan orang tua kandung kategori ibu masih hidup,
ayah sudah meninggal
˖
251
÷ variabel dummy untuk status tinggal dengan kedua orang tua kandung
˖
252
÷ variabel dummy untuk status tinggal dengan ayah/ibu saia (kandung)

˖
253
÷ variabel dummy untuk status tinggal dengan ayah/ibu (salah satunya tiri)
˖
261
÷ variabel dummy untuk pendidikan tahanan anak kategori tidak tamat SD/tidak
sekolah
˖
262
÷ variabel dummy untuk pendidikan tahanan anak kategori SD/sederaiat
˖
263
÷ variabel dummy untuk pendidikan tahanan anak kategori SMP/sederaiat
˲
7
÷ variabel lama menialani masa tahanan (dalam bulan)
˖
281
÷ variabel dummy pengalaman kekerasan kategori pernah
˲
9
÷ variabel iumlah tahanan dewasa dalam satu sel (iiwa)
˲
10
÷ variabel iumlah tahanan anak dalam satu sel (iiwa)
˖
2111
÷ variabel dummy untuk lokasi pembinaan di LP Anak Tangerang

:4393:  !. 24/0 70708 489  8. 8..9: 401803./..9.

88  &39: 202:/.9047/03.9047 70107038  793. 507.9047 93 /.7... .3 80-.7..5.  907.7././.3/3.-0708543 495.7.88 507.20907 . ..340180334/80-:9:. 9.9047703/.8. 9.9047 /03.370708489:39:.3 170:038 90793  /5 80-.2.3 907443 /.3 /:3.904770107038 $./.3 907443703/....8  2.  !078.: 848.3.: ...3 39075709.3 80/..7.3/3 /.3..7:8 /..7.9047 5079.3 . 80-. ..2 ..-0708543    . .3 {I  { {  { {  É { 803.-07085435.3 .0947 5078. .3 ..2 .3 507..3.9047 28.3 02084    80.3-078..9/.2.  :39: 203.7. 50:.3.:848.9.3 34 { { .3 /03..-07:9 {I É { { { W \ { {  W \{ { {{ { {   W \  W \           2.3 /-..3..2. 0907.7 .3..3.9047 70107038 .9:.  /:3.3 :39: 502-. :2:2 ./..3.3 70708 489 48207 /.3 .. /03.: 848.

/.7.     3.7.80 2 2   5 401803.-05030..

-0 708543 /-..8 -078..9047  .7.9047. . /.3. /.9 /03. 203.7.8 80-.8:..3:207 . /2. .9047  80-.8:../..3 .3..5078.890780-:9/.2 .7. 90780-:9 .-9.5.9 ..71:3849/03.3..7.3..83 2.9047 . 905..2 24/0 .8 /03.3. 574-.224/0 2.83 /-07 4/0    /.380-.92.3 3 202-039: 70708 489 -307 .8.3 8.:.7.3907/7/.3 0/.5.7.  .-07:9 { { { { J J {I {I É { É { É { É { J J  { {  { {  { {  { {          {I {I  $0.3202-039:/:.. { {           ..3 .-0708543.83 5078.7.-0708543/03.2.2.8 /03.-07:9 {I W \    W \  W \     W \          {I {I É { É {  { {  { { W \  W \        W \          W \    $:.. /0391.570107038 ..2.381472.-0  0 /.9:.38:. 2025:3.3 2020.79...-..703./ 9.-0 5030.9047 70107038 { {  2..-0 -430. 907/.7.7...7.:2:2 -039:/. /:22 ..-0 5030.. ...7.3 97.3 .8:0/.35078.3  /. 80-.3 9/.9 .-0 90780-:9 9/.9047 .3/3.3 202-..3.7./. 5 .349  /2.9:80-.5.83 2.39.2090724/0 &39: 24/0 70708 489 2:9342.9047907.9:04254...3 2. .-05030.. .3 É {  { { 203. 2.7. .8 8...5.

3 5.8..: 574808 .82.   0.7.9.3 /.7.3 :39: 20309.:4/.3 /.24/0 8.78. .3  1:38 489 /03.3-07503..7.224/090780-:9    0.3 2025:3./.-05030.3 24/0 .3.3/02.3 8..34-807.-07085439/.3.7.3.3.20907 80. 82:9. 5...3J.5.3203.98  .7...39/.8  20.-07:9 { { { { {  { {  { { { 5078.:.7.803.8:28..8/.31:38044//.-00 1:38490  $0.3 . .3.5.: 2094/0 .-0 708543 { { /.:.7.7.7.7.3 /02.: 0..8 0 2  .224/070708489 3.3 5.7.38.3 907/.3..3 0- 2:/.-0 5030.902. .         . :39 203/../..3 -0-. H { { J{ {{{ { { { { J W \ { { W \ { {   .88 70708 489 2:9342.7:/.20907 /50740 20.880-..3 503:./..03/07:3..7. $0.703.3 /..8.503/:.2 . /50740138044/-078.  ..7..2...3...7.3.5.3 3.20907 202.   ..3 2.7./ { { 2. .3907-039:   !03/:.. :39: 20309.:.7....-0 -0-.7.840.:.2:2 044/ 48207  02084    &39: 2020..35..5.3.3 503:..3 .8907.25080-.3 .53..7.:.39..1:384044/ 3.3.820. .7.-0 -430.3 2030892. :2:2  .5843  .2... 2.-0-430. 88902 907.8 ..4..   03.8  2.8 0943 #..20907 80.9:39:8.-0-430.339075709.3 202.9.3 . /03..: .9: 2.9 .7..3078079.3 5..7./.904780-.7.7.3 343307  84:8 .71:3890780-:9.32.4.8890780-:9    0. 80-./.9:4044/  03.

-0/0503/03  ..3.3 .7:907.3  $9.&39: 203/.8 /03.3 H{ { /.-0 3/0503/03 /.793..9/9039:.2.389.30892. 232.3I 2..3 .-03/0503/03907.-0/0503/03   232.-0 3/0503/03/03.2090724/0/.3.-0 3/0503/03 ./:.3 -07503.044//03.3 /107038.3.7.38 .5.35.:5.5.9: ..3 :2:2 /.7.3.3 425:907 :39: 203.9: .7: .20907 !03:.5H{{ /03. .94 :82:9.708-.3 $9.3/./..5. 8./..7.7.3 202.-078..3..703.3 .989:3203:980-.524/0 &..3 5.  { -.8 907.044/9.3 /03.35. 8.7.39: 5039:3. 9:  /:3./.3 3.3 2094/0 ..9047 5.3./.3 /:3.3./. 5. .83 .98:9 2039:3 /03.8 207:5.55. ./..   907.7.. 2. {J {{I {  J /.793..3 . 9/.:.7..7. 8.3549088.9 H    IJ  H    .7.8 5 /2.3/.7././.3203/0.99.:. J  2.507.7.7.9:  03.. 48207/.-03/0503/03/.3 3.2 $!$$ :39: 202-..-0 3/0503/03/.989 :   ..  0  ..38./.09 5747.2.7.9 831.7.7.7  !03:.3 /94.8/.20907/03..3:044/7.224/080...3:.3 909.7. .9././.        .3.3907.80.3.3.3 2094/0 907.989: Z .-03/0503/03  /03.82:2.202078. 80:25:.83 2.. .86:...  ..9 -0-. ./..9: : .:.380-.3.3 :39: 203: 507..:.2 5.  !03:.-0 /0503/03    .7 84:8 3.3 /07.39.7./. 93.9073.3 .35. 503.302084   !03:./. /..58.7.

2. 3.3 202503. ..7.9.: 080:7:. /.: J I   /03.7.9: . 8.3 0825:.9.2.9.9 . .3 80/9 .7: .3 -..-./.-0 3/0503/03 80.-0 /0503/03  /.. { . 5. 8..5..3 -. -078.5.. .7.

..-0 3/0503/03 907.8 .-0 3/0503/03  80.3 89..9/-.2 8:./.84 0.3  ./.-0 ..-0 /.9 -0-./.8 {. 503.: 784 0.7.3  /.503...-0 .7.. 5..7 4//8 :39: 907.-03/0503/030 907.3/03. É É { { W \{ { {I {I {È {I {È {I .7 0.3 907.3 503.3 -..3503/:.84 :39: I /.8 4-807.8 //8 7.78.  { {       J 2. /.9 /.84 /.3 4-807.2  24/0 907-.5 .03/07:3.3 .7: 831.9: 507 8.:J   831..39.3/3.3 { I { {.9: .3 /9:3 5.3 24/0 907-. .3 ..9-....  { ...3 202-.:..7:   .3 8.7./ &5.3 /349.7 /.8 / /.8:28../..-0 -0-./.3 -07..7./.8.5 .2090780.3 /07.3.3 //0138./.3503./.3.7  /.2 8:. 5.3 9079039: .-0 /0503/03  ..7. 207:5.3 //#. -07503.9.-0 /0503/03 $9.7:.5 I É É  .3 .-0 /0503/03 48207 /./.7:4-807..7../.3 /03./.7.3 . #./.../.8.9: 203:3.3  03./ -  !03:.9 784 /-.94 207:5.78.: 784 0.7..3 .9: 0. ::7.5.:   2.9/. .  907.  .. .03/07:3./.. 2.5..3/3.03/07:3.7. 28. 3.7: .. /:.7.7.5.7./.5.3 /03.8     ..3 40 : 82:9.3 :39: 20309.5.3 /.3:..80-.3:.3 80-.35.78.-0/0503/03   #.7.39.3 /94..9..-0 3/0503/03 907.. .3 7840.70 /03.2 È .03/07:3..35.  !03:. 86:. 3../.5 03.7.3 ::7.989:3.3/03./ 48207  02084    & 3 /.3.:.793.7.7.3 :39: 203.3 ..793.3 -07503.9047 .5 24/0 9.3 /..989 : .3907.9: /03.9.3 .9 /825:.03/07:3.3.503/:.7.-07:9      .7 831.9.5./03. .:.:/.94   .401803   &39: 20309. .840..7.7.03/07:3.3 2025077.3/:./.3/3..34-807. .5.3 02084    //8 7.3 203:980-.20907/03.. 549088.3 .. -08.7.3   ./..3 8.   /94./.3:5..

3 .380-.3.5 0/:.3 \ -07.7 /.   .3/:3   03.8/:5    .2.3...502-3.8.39.   -:  2.347..3   0-07.3   #03/.3 I &39:    -07.   $9.8:/.  !4..3. .:39:  :39:203.3 8..:$48.   202 0.7.2033.23 :.3. 8:/. 2033.8 /:5  -: 8:/.47.399.3.   %3   $0/.3 0- -08.   507025:.3.3 203.9:893.3.91   .3.3   #03/.8 /:5  ..39:./.   %3   $0/. '.-0  !07.3.2./-.   0/:.8.7... 2033.324/0707084892:9342.79 -.  2.79   :39:  202 0.%.     &2:7 0380.2.   0/:.39:.3I !03:8:3..-0   .'. /03.  .03/73.03/07:3.3/3.

.3/:3    ..-:8. .

.3.3.97    .33.9:3.9.   !03//. 803/7 .8..   %/.9$.39.-: 8.3.2.

804.   $.9/.

.80/07.9   $!.

80/07.9   $..

.8..9.2.3 :.8. .9     .3007.203.2.32.3..91   !073.3 !03.80/07.399.9047  ..

:3   .347.5073.3 :.9..-0/:22:39:0380.9:80 4.-0:2:7 9.3 907/7 /..3907/7.91   !3.28.2. 80-. ..91 8079.39:.9.3/:303..502-3.9047507.3   #:9..3 { {              2.7 9../..   :2.3  .-0 :.91  .2.3..8.  .9: { {            :. /.3.-0/:22:39:0-07.3 /02.3 /0..91 /.3907-039:/:.8502-3.%2:7  /.-0 3/0503/03 .399.399.                   { {5078...7.7.3 /:3.-0/:22:39:84754..7.%. .3495079.3.3.. .23.  %/.9: 80    :2.-0 /0503/03 .9.  .8 ..399../.502-3.3...2 8.9.7.3 .3.7..:848.9047  03.349 .5 .  .7.904780/.3..3.93   3907805:39:5078.5078.2.7.-0/:22:39:84754.7.79.349:39:.3.904793  ..307...3 :.2.

-0 /:22 :39: 0-07../03.3/:3 .-0 /:22 :39: 0-07.3 47.7.-0/:22:39:89./..39:.8 /:5  .  .7././03.. 2...9047 -: 2. ..8:/. ..3/:3 .7.9047.9:893.2033.2033.3 9:..9:893.47.  .30/:...3..39:.-0/:22:39:89.3/:3  .7.3 47.   .8 /:5  -:8:/.

 .-:8...-0/:22:39:89.3../03..7.9:893.3/:3    .

3 9..-0 /:22 :39: 503//.97    ..9:3.8.7.3.3 ..9 $. 9.3.2. .9047 9/.-: 8.

 804.3.9/.9047$..39.  .3.7.-0/:22:39:503//.3...

.9  ..3.9047$!..80/07.3.-0/:22:39:503//.7..39.3.

2.2-:.7..3   ...28.203.7.-0/:22:39:0380.7.2. .7.502-3.   .32.3  ....9  .3.3/0.3.3 /.%.3  { {5078.7.-0..3.7.3.7.28..   ./..9:80 .-0/:22:39:4.-0:2:7 9..9.90475073.80/07.502-3..8.904780/...3007.:3   .3.3..3/!3.  .7.8502-3..8.2.23.-0:2.3495079.9.-0:2.3   3907805:39:5078...-0/:22:39:84754.3.8..7.349:39:../..904780/..9:80 . .904793  .-0/:22:39:84754.3..2..  .2.9.307.-0/:22503.

 2./03.3/:3 ..9:893.3 9:.   ..30/:...3 47.347.3/:3  .3/:303.2033..9047./03.47.7./.5   ./...9:893..-0 /:22 :39: 0-07.7. .-0 /:22 :39: 0-07..39:./.  .-0/:22:39:0-07.2033.. .3/:3 ..8 /:5  .9047 -: 2.3 47.8:/.7.7.39:..39:.-0/:22:39:89.-0/:22:39:89... .3.7.8 /:5  -:8:/.

3/:3    ..7. .9:893...-:8../03.3.-0/:22:39:89.

3 9.7.-0 /:22 :39: 503//.. . 9.9047 9/.97    .3..8.3.9:3.2..3 .9 $.-: 8.

. 804.9/..  .-0/:22:39:503//.3.3..3.39.7.9047$.

80/07.3..39.9047$!..7.9  .3.-0/:22:39:503//...3.

3.9:80 .8.-0.7.8502-3./..   ..203.32.9.7.  .8.28.3/0.8..-0/:22503.9....9:80 .3.3 /..3..-0:2.9..-0/:22:39:4.   .2.%.2.28.../..7.7.3.3007.2-:.80/07.3..3   .3/!3..9  ..307.-0:2.3   .7.3.90475073.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->