Multi Regresi Logistik
Multi Regresi Logistik
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.
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
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 :
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.
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.
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
Univariate ........
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.
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.
AGRP
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
MRK
Tidak merokok Merokok < 15 btg / hari Merokok >= 15 btg / hari
D1
D2
0 0 1 0
1 0
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
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
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
D2=0
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.