ANALISIS REGRESI GANDA LOGISTIK

Multiple Regression Logistic

Pengertian Regresi Logistik:

Suatu model matematik yang digunakan untuk

mempelajari hubungan satu atau beberapa variabel independen dengan satu variabel dependen yang bersifat dikotomi (binary). Variabel bianry : adalah variabel yang hanya memiliki dua nilai, misalnya (sakit / sehat), (merokok/ tdk merokok), (BBLR/ normal) dll Variabel Independen (prediktor) sebaiknya kategorik, agar mudah untuk menginterpretasikan hasil analisisnya. Bila variabel prediktor 3 kategori atau lebih, maka dibuat dua kategori. Caranya ; dummy variabel, kategori ulang sesuai logika biologik.

Pengertian Regresi Logistik ............................

Analisis regresi ganda logistik adalah alat statistik

yang sangat kuat untuk menganalisis hubungan antara paparan dan penyakit dengan serentak mengontrol pengaruh sejumlah faktor perancu potensial. Tujuan analisis regresi ganda logistik yaitu menemukan model regresi yang paling sesuai, paling irit, sekaligus masuk akal secara biologik, untuk menggambarkan hubungan antara variabel dependen dan satu set variabel prediktor dalam populasi. Manfaat analisis regresi ganda : (a) Meramalkan terjadinya variabel dependen pada individu berdasarkan nilai-nilai sejumlah variabel prediktor

Pengertian Regresi Logistik ............................

Manfaat : (b) Mengukur hubungan antara veriabel

respon dan prediktor, setelah mengontrol pengaruh prediktor (kovariat) lainnya.

Keistimewaan Regresi Logistik Ganda

(a) Kemampuan kengkonversi koefisien regresi (bi)

menjadi rasio odds (OR). OR = exp [bi] (b) Kemampuan menaksir probabilitas individu untuk sakit (mengalami event) berdasarkan nilai-nilai sejumlah variabel prediktor, dengan rumus sebagai berikut :

Macam Regresi logistik :

1. Regresi logistik sederhana Untuk mempelajari hubungan antara satu variabel prediktor dengan satu variabel dependen dikotomus. 2. Regresi logistik ganda (Multiple Regression Logistic) Untuk mempelajari hubungan antara beberapa variabel prediktor dengan satu varibel dependen dikotomus.

Model Regresi Ganda Logistik

Ln (p/(1-p) = logodd (logit). Logaritme natural dari odds. Odds : rasio probabilitas suatu peristiwa untuk terjadi dan probabilitas suatu peristiwa untuk tidak terjadi a = Konstanta ( intersep) b1 , b2 , .... bk = koefisien regresi variabel prediktor (slope) X1, X 2 ....Xk = variabel prediktor yg pengaruhnya akan diteliti.

 Pembangunan model regresi ganda logistik

hendaknya tidak terjebak oleh penggunaan veriabel prediktor yang terlalu banyak. Pemilihan variabel sebaiknya dilakukan dengan cara-cara yang lebih purposif, dan tidak terpaku pada pendekatan yang sifatnya deterministik menurut kamaknaan statistik.

 Makin banyak variabel yang dimasukkan dalam

model hanya akan meningfkatkan kesesuaian garis regresi dengan hubungan antara variabel dependen dan sejumpan variabel prediktor pada data sampel, tetapi belum tentu menggambarkan hubungan tersebut pada tingkat populasi. Hal itu disebabkan karena, bertambahnya variabel prediktor (baik yang relevan maupun tidak relevan) hanya akan menaikkan nilai taksiran kesalahan baku, sehingga membuat model tersebut sangat tegantung kepada data pengamatan sampel. Kesimpulannya, model tersebut tidak merefleksikan / meggambarkan hubungan

PROSEDUR PEMILIHAN VARIABEL

Agar diperoleh model regresi yang baik adalah sebagai berikut : Melakukan analisis univariate untuk menyaring variabel-variabel yang penting. 2. Memasukkan dan/ atau mengeluarkan variabelvariabel dalam model multivariate 3. Memasukkan dan memeriksa kemungkinan ada interaksi variabel dalam model.
1.

Melakukan analisis univariate untuk penyaringan awal :

Uji statistik yang dipakai adalah : chi-quadrat Jika ada variabel prediktor lebih dari dua kategori, maka dibuat menjadi dua kategori terlebih dahulu. Perlu diingat bahwa dalam melakukan recode harus mempunyai alasan biologik. Mickey dan Greenland : variabel variabel yang mempunyai nilai p= 0,25 dan memiliki kemaknaan biologik hendaknya dipertimbangkan untuk dimasukkan ke dalam model multivariate.

Univariate ........

Batasan P= 0,25, untuk mengantisipasi

kemungkinan variabel yang secara terselubung sesungguhnya penting untuk dimasukkan dalam model. Terselubung kemungkinan variabel variabel secara kolektif dapat menjadi prediktor penting, walaupun secara sendiri sendiri merupakan prediktor lemah.

Memasukkan / mengeluarkan variabel dalam model regresi :

Beberapa Metode : 1. Enter 2. Stepwise 3. Forward 4. Backward

Conditional, LR (likelihood ratio), Wald

Memeriksa Kemungkinan Interaksi

Jika dengan uji interaksi menunjukkan

kemaknaan statistik, maka kita katakan interaksi memberikan kontribusi penting kepada model. Jika suatu interaksi hanya memperbesar taksiran kesalahan baku (S.E.) dan tidak mengubah taksiran koefisiens regresi (b1), maka interaksi tersebut mungkin tidak penting.

Latihan
Sebuah studi Kohor prospektif, meneliti pengaruh aktifitas fisik (AF) terhadap kejadian infark otot jantung (MI). Variabel lain yang diukur adalah umur dalam kategori (AGRP) dan kebiasaan merokok.

Kategorisasi nilai variabel

MI AF = 1 : sakit 0 : tidak sakit = 1 : aktifitas fisik >= 2500 kcal/ hari 0 : aktifitas fisik < 2500 kcal/hari = 1 : umur >= 55 tahun 0 : umur < 55 tahun = 2 : merokok >= 15 btg / 1 : merokok < 15 btg /hari 0 : tidak merokok

AGRP

Kebiasaan merokok hari

Varabel rancangan
Kebiasaan merokok - Jumlah variabel yang dibutuhkan ( k-1) 3-1 : 2 - Sebagai contoh MRK menjadi D1 dan D2 - Sebagai salah satu rancangan pengkodean variabel tersebut, maka variabel bukan perokok sebagai variabel acuan (refference) dengan kode D1=0 D2=0 - Selanjutnya merokok <15 btg / hari D1=1 D2=0 - Dan merokok >= 15 btg/hari D1=0 D2=1

Sehingga menjadi :

Variabel asli rancangan

Variabel

MRK
Tidak merokok Merokok < 15 btg / hari Merokok >= 15 btg / hari

D1

D2
0 0 1 0

1 0

File download : http://www.ziddu.com/download/8461706/RegresiLogistik.rar .html

Cek kelayakan variabel untuk dimasukkan dalam model :

Menggunakan chi-square Kriteria variabel yang masuk p=0,25

Hasil analisis univariate... ?

AF AGRP D1 D2 p=0,000 p=0,000 p=0,000 p=0,052

Hasil Regresi Logistik

95,0% C.I.for EXP(B) B Step 1(a)
AF AGRP D1 D2 Constant

S.E.

Wald

df

Sig.

Exp(B) Lower

Upper

-2,243
2,013

1,019
,977

4,846
4,242

1
1

,028
,039

,106
7,487

,014
1,102

,782
50,848

2,478
2,673

1,084
1,316

5,225
4,130

1
1

,022
,042

11,920
14,490

1,424

99,793

1,100 190,922

-1,915

,995

3,699

,054

,147

Persamaan yg di dapat :
1 P= _________________________________________ - [a + b1 (AF)+b2(AGRP)+b3(D1)+b4(D2) 1 +e

V ariables in the Equation Step a 1 AF A GRP D1 D2 Cons tant B -2,243 2,013 2,478 2,673 -1,915 S.E. 1,019 ,977 1,084 1,316 ,995 Wald 4,846 4,242 5,225 4,130 3,699 df 1 1 1 1 1 Sig. ,028 ,039 ,022 ,042 ,054 Ex p(B) ,106 7,487 11,920 14,490 ,147

a. V ariable(s ) entered on step 1: A F, A GRP, D1, D2.

Meramalkan Probabilitas Individu untuk mengalami sakit

Berdasarkan persamaan tersebut diatas, berapa probabilitas untuk mengalami sakit pada individu dengan kriteria sebagai berikut ? 1) Melakukan aktifitas fisik 2.000 kcal / hari 2) Berumur 35 tahun 3) Merokok rata-rata 5 btg / hari

Perhitungan :
V ariables in the Equation Step a 1 AF A GRP D1 D2 Cons tant B -2,243 2,013 2,478 2,673 -1,915 S.E. 1,019 ,977 1,084 1,316 ,995 Wald 4,846 4,242 5,225 4,130 3,699 df 1 1 1 1 1 Sig. ,028 ,039 ,022 ,042 ,054 Ex p(B) ,106 7,487 11,920 14,490 ,147

a. V ariable(s ) entered on step 1: A F, A GRP, D1, D2.

1 P= _________________________________________ - [-1,9146 2,2431(AF) + 2,0131 (AGRP) + 2,4782(D1) + 2,6734(D2)] 1 +e

Berdasarkan persamaan tersebut diatas, berapa probabilitas untuk mengalami sakit pada individu dengan kriteria sebagai berikut ?
1) 2) 3)

Melakukan aktifitas fisik 2.000 kcal / hari Berumur 35 tahun Merokok rata-rata 5 btg / hari

AF = 0 tidak berisiko Umur = 0 tidak berisikok Merokok < 15 batang D1 = 1

D2=0

1 P= _________________________________________ - [-1,9146 2,2431(0) + 2,0131 (0) + 2,4782(1) + 2,6734(0)] 1 +e

Perhitungan :
1 P= _________________________________________ - [-1,9146 2,2431(0) + 2,0131 (0) + 2,4782(1) + 2,6734(0)] 1 +e

= 0,64

64%

In mathematics, the exponential function is the function ex, where e is the number (approximately 2.718281828)

Interpretasi :
Individu yang berumur 35 tahun dan hanya melakukan aktifitas fisik sebesar 2.000 kcal / hari, serta membunyai kebiasaan merokok 5 batang per hari, maka memiliki probabilitas untuk terkena MI sebesar 64%.

Interaksi
Asumsi adanya Interaksi 1. Logika substantif / biologik 2. Interaksi antara variabel a dan b, terjadi bila efek a terhadap Y tergantung nilai b, atau efek b terhadap Y tergantung nilai a.