12/12/2014

Regresi Logistik

Bila Y = numerik Regresi Linier

12/12/2014

Bila Y = dikotom regresi linier?

Y = dikotom

12/12/2014

Regresi Logistik:
Model matematis untuk menganalisis
hubungan antara satu atau beberapa variabel
independen yang bersifat kontinu maupun
binary dengan satu variabel dependen yang
bersifat binary/binomial atau dikotom
(sehat/sakit, hidup/mati)

Regresi Logistik:
- Sederhana (simple) hanya satu variabel
independen
- Ganda (multiple) lebih dari satu variabel
independen

Y = dikotom
y

Y = kejadian (interest) kode = 1

tid k kkejadian
tidak
j di kode
k d =0

Maka: Probabilitas kejadian =

12/12/2014

Probabilitas tidak kejadian

Banding kejadian dg tidaktidak-kejadian?

y

Rasio probabilitas kejadian dg probabilitas

j
tidak-kejadian?

12/12/2014

Banding sakit dan sehat?

ODD =
y . p/ (1-p)
y Hasil = ODD = exp (a+bX)
y

12/12/2014

Tabel 2x2

Odds Ratio = OR
Koefisien hubungan/asosiasi antara variabel
terpajan
j dg
d variabel
i b l sakit-sehat
ki
h
OR = Besarnya perbandingan insidensi
sakit bila terpajan dibandingkan bila tak
terpajan
p j (KKM, 1982, h. 146)
Besar OR antara 0 sampai .

12/12/2014

Rancangan Studi

Terapkan analisis
Regresi Logistik?
Hitung probabilitas.
RR

y Kohort
y Kasus

kontrol

y Potong

lintang

Rancangan Studi

Logit (Y ) = a + b1 x1
y

OR = estimasi RR

Estimasi OR

Terapkan analisis
Regresi Logistik?

A lik i pada
Aplikasi
d desain
d i studi
t di Cohort
C h t
Hitung probabilitas.
RR
Dapat menghitung Resiko Individu (probabilitas)
P( Y ) =

1
1 + Exp ( a + b1 x1 )

RR =

P1 (Y )
P0 (Y )

Menghitung Resiko Relatif (RR)

12/12/2014

Aplikasi Regresi Logistik

Logit (Y ) = a + b1 x1
y

Desain studi Case-control

OR = estimasi RR
Tdk bisa menghitung resiko individu
Hanya bisa menghitung Odds Ratio (OR)

OR = Exp (b )
y

Desain Studi Cross sectional

Estimasi OR

Tabel silang
k1 (vi sit in 1st tri semester) * l inakes Crosstabulati on
Count
linakes
k1 (v isit in 1st
trisemester))
Tot al

no
y es

,00
374
2076
2450

1, 00
246
3601
3847

Tot al
620
5677
6297

12/12/2014

Tabel silang
k1 (vi sit in 1st trisemester) * li nakes Crosstabulation

k1 (v isit in 1s t no
trisemest er)

y es

Tot al

Count
% within k1 (v is it
in 1st tris emester)
% within linakes
Count
% within k1 (v is it
in 1st tris emester)
% within linakes
Count
% within k1 (v is it
in 1st tris emester)
% within linakes

linak es
,00
1, 00
374
246

Tot al
620

60, 3%

39, 7%

100,0%

15, 3%
2076

6, 4%
3601

9, 8%
5677

36, 6%

63, 4%

100,0%

84, 7%
84
2450

93, 6%
93
3847

90, 2%
90
6297

38, 9%

61, 1%

100,0%

100,0%

100,0%

100,0%

Chi-Square Tests

Pearson Chi-Square
a
Continuit y Correction
Likelihood Ratio
Fi h ' E
Fisher's
Exac t T
Test
Linear-by -Linear
Assoc iation
N of Valid Cases

Value
132,687b
131,690
128,828

132,666

df
1
1
1

Asy mp. Sig.

(2-sided)
,000
,000
,000

Exact Sig.
(2-sided)

Exact Sig.
(1-sided)

,000

,000

,000

6297

a. Comput ed only f or a 2x2 t able

b. 0 cells (,0%) hav e expec ted count les s t han 5. The minimum expect ed c ount is
241,23.

Ho = 1 = 2

Persen K1 pd yg salin ke
nakes 93,6% memang
berbeda dari 84,7%
pd yg salin bukan ke nakes

12/12/2014

Analisis Regresi Logistik Sederhana

Logit Y = a + b X
y Estimasi koefisien b dg cara Maximum
Likelihood
Inferensia:
y Estimasi selang koefisien b
y Uji hipotesis model Logit Y = a + bX adalah
LINIER
Ho = model tidak linier
Uji Maximum Likelihood Ratio
y

Logit Y = a + b K1
Variables in the Equation

Step
a
1

m103ar(1)
Constant

B
,970
-,419

S.E.
,087
,082

Wald
125,403
26,043

df
1
1

Sig.
,000
,000

Exp(B)
2,637
,658

95,0%
95
0% CC.I.f
I f or EXP(B)
Lower
Upper
2,225
3,125

a. Variable(s) entered on step 1: m103ar.

Logit
g Linnakes = -0,419 + 0,97 K1
Efek K1 thd Linnakes koefisien b exp(b) = OR.
OR = 2,64 Bila K1 dilakukan maka kemungkinan untuk
bersalin di tenaga kesehatan sebesar 2,6 kali dibandingkan
bila tidak melaksanakan K1.

10

12/12/2014

Logit Y = a + b K1
Variables in the Equation

Step
a
1

B
,970
-,419

m103ar(1)
Constant

S.E.
,087
,082

Wald
125,403
26,043

df
1
1

Sig.
,000
,000

95,0%
95
0% CC.I.f
I f or EXP(B)
Lower
Upper
2,225
3,125

Exp(B)
2,637
,658

a. Variable(s) entered on step 1: m103ar.

Uji Ho = = 0.
0
Estimasi selang koef. B.

Di populasi, OR berkemungkinan 95%

berada di antara 2,3 sampai 3,2

Uji model linier.

Ho = Model tidak linier

Omni bus Tests of Model Coeffici ents

Step 1

Step
Block
Model

Chi-square
128,828
128,828
128,828

df
1
1
1

Sig.
,000
,000
,000

Model Summary
Step
1

-2 Log
Cox & Snell
likelihood
R Square
a
8288,147
,020

Determinasi?

Nagelkerk e
R Square
,027

a. Estimation terminated at iteration number 3 because

parameter est imat es changed by less than ,001.
a
Classi fication Tabl e

Predic ted
linak es
Step 1

Obs erv ed
linak es
Ov erall Percentage

,00
1, 00

,00
374
246

1, 00
2076
3601

Perc entage
Correc t
15, 3
93, 6
63, 1

a. The cut v alue is , 500

11

12/12/2014

Bila studi = Kohort

Variablesininthe
theEquation
Equation
Variables

Step
m103ar(1)
Step
m103ar(1)
aa
11
Constant
Constant

B
,970
-,419

S.E.
S.E.
,087
,087
,082
,082

Wald
Wald
125,403
125,403
26,043
26,043

dfdf
11
11

95,0%C.I.f
C.I.f
EXP(B)
95,0%
or or
EXP(B)
Sig.
Exp(B) Lower
Lower Upper
Upper
Sig.
Exp(B)
,000
2,637
,000
2,637 2,225
2,225 3,125
3,125
,000
,658
,000
,658

Variable(s) entered
entered on
a.a. Variable(s)
on step
step 1:1: m103ar.
m103ar.

P (Linnakes= ya) =
1 / 1+ exp [ 0,419 + 0,97 *K1]

Bila studi = Kohort

P (Linnakes= ya) =
1 / 1+ exp [[ 00,419
419 + 00,97
97 K1]
P (Linnakes= ya; bila K1=1) = Risk-1
1 / 1+ exp [ 0,419 + 0,97*1] = 0,80
P (Linnakes
(Linnakes= ya; bila K1
K1=0)
0) = Risk
Risk-2
2
1 / 1+ exp [ 0,419 + 0,97*0] = 0,60
Risk-1/Risk-2 = Risk-Ratio = RR
0,80/0,60 = 4/3 = 1,3

12

12/12/2014

Logit Y = a + b K4
Variables in the Equation

Step
a
1

k4
Constant

B
1,738
-1,093

S.E.
,057
,049

Wald
916,348
492,247

df
1
1

Sig.
,000
,000

95,0%
95
0% CC.I.f
I f or EXP(B)
Exp(B)
Lower
Upper
5,688
5,082
6,366
,335

a. Variable(s) entered on step 1: k4.

Logit
g Linnakes = -1,1 + 1,74 K4
Efek K4 terhadap Linnakes exp(b) = 5,69 .
Bila K4 dilakukan maka kemungkinan untuk bersalin di
tenaga kesehatan sebesar 5,7 kali dibandingkan bila tidak
melaksanakan K4.

Logit Y = a + b K4
Variables in the Equation

Step
a
1

k4
Constant

B
1,738
-1,093

S.E.
,057
,049

Wald
916,348
492,247

df
1
1

Sig.
,000
,000

95,0%
95
0% CC.I.f
I f or EXP(B)
Exp(B)
Lower
Upper
5,688
5,082
6,366
,335

a. Variable(s) entered on step 1: k4.

Uji Ho = = 0.
0
Estimasi selang koef. B.

Di populasi, OR berkemungkinan 95%

berada di antara 5,1 sampai 6,4

13

12/12/2014

Uji model linier.

Ho = Model tidak linier

Omnibus Tests of Model Coefficients

Step 1

Chi-square
1037,938
1037,938
1037 938
1037,938

Step
Block
Model

df
1
1
1

Sig.
,000
,000
,000
000

Model Summary
Step
1

-2 Log
Cox & Snell
likelihood
R Square
9024,501a
,133

Nagelkerk e
R Square
,177

Determinasi?

a. Estimation terminated at iteration number 4 because

parameter est imat es changed by less than ,001.
Classification Tablea
Predic ted

Step 1

Obs erv ed
linakes

,00
1,00

linak es
,00
1,00
1641
1752
550
3340

Ov erall Percentage

Perc entage
Correc t
48,4
85,9
68,4

a. The cut v alue is ,500

Analisis Regresi Logistik Sederhana

y

Logit Y = a + b1 X1

Logit Y = a + b1 X1 + b2 X2 + . + bp Xp

Exp (b) = Odds Ratio dg sudah mengendalikan

variabel X lain di dalam model

28

14

12/12/2014

Jamban/toilet
Jamban
/toilet Diare

29

An. Regresi Logistik:

Logistik:
Logit Y = 0,724 + 0,799 Toilet

Exp (0,799 ) = OR bila toilet

baik dibanding toilet tidak
baik untuk tidak diare

30

15

12/12/2014

Terima BLT Diare

Exp (0,045) = OR bila

terima BLT dibanding tidak
terima BLT untuk tidak diare

31

Exp (0,089) = OR bila terima BLT dibanding tidak terima BLT untuk
tidak diare, dg sudah mengendalikan variabel jamban.
Exp (0,803) = OR bila toilet baik dibanding tidak baik untuk tidak
diare, dg sudah mengendalikan variabel BLT.

32

16

12/12/2014

Bila studi kohort

Probabilitas untuk tidak diare
bila punya jamban/toilet baik dan terima BLT =
P (Y=1) = 1 / 1+ exp - (0,706 + 0,803*1 + 0,089 *1)
P (Y=1) = 0,83
y

Probabilitas untuk tidak diare

bila jamban/toilet
/
tidak baik dan terima BLT =
P (Y=1) = 1 / 1+ exp - (0,706 + 0,803*0 + 0,089 *1).
P (Y=1) = 0,69
y

33

Best Model?
Effect size = OR
y Signifikansi
S fk
wald
ld untukk Ho
H = =00
y Linearitas model GOF dg chi-square
test
y Persen benar dalam klasifikasi
y R-kuadrat
R kuadrat ?
y Plausibility
y

34

17

12/12/2014

Best model?
Kriteria

OR

Sig. b

GOF

% Klasif.
benar

Rkuadrat

Model 1:
Toilet

2,22

0,02

0,001

71,5

0,032

Model 2:
BLT

1,046

0,864

0,864

71,5

0,000

Model 3:
Toilet
BLT

2,231
1,093

0,002
0,736

0,004

71,5

0,033

35

Masalah pada pemodelan persamaan

regresi ganda
y

Tujuan analisis

Pemenuhan asumsi dasar model

y
y

Interaksi
Konfounding

y
y

Kolinearitas
Reliabilitas model

36

18

12/12/2014

Interaksi
y

Berbedanya pola hubungan/asosiasi antara X2

dengan Y, pada tiap nilai X1

Contoh hipotetik:
y Efek X2 terhadap Y bila X1 =1
Efek toilet baik dibanding toilet tidak-baik
untuk tidak diare, bila terima BLT=
OR = 0,8
y Efek X2 terhadap Y bila X1 =2
Efek toilet baik dibanding toilet tidak-baik
untuk tidak diare, bila tidak terima BLT=
OR = 8,0
37

Faktanya?
Bila BLT = terima = 1

Bila BLT = tidak terima = 2

Adakah beda pola hubungan antara Toilet dengan Diare

bila terima BLT dan tidak terima BLT ?
38

19

12/12/2014

Periksa interaksi Multiplikatif X1 * X2

Logit Y = a + b1X1 + b2X2 + b3 X1X2

Lihat uji H0 = b3 = 0
Variabel interaksi X1*X2 tidak signifikan pada a = 0,05
Jadi tidak ada interaks antara X1 dengan X2
39

Confounding
X1

X2

Hubungan X2 dengan Y
X1 = Potential Confounder

Hubungan
H
b
X1 dengan
d
Y
X2 = Bukan Confounder,
tetapi Variabel Antara
40

20

12/12/2014

Confounding
Tidak ada uji/tes statistik untuk periksa confounder
y Periksa dengan
g melihat effect
ff size
y Bandingkan effect size bila C ada di model dengan C
tidak ada di model
y

Periksa apakah X1 = confounder?

y Y = fungsi (X1, X2)
y Y = fungsi (X2)
y Lihat effect size variabel X2, berbeda?
substansial, presisi, dan beda effect size > 10%
41

X1=BLT X2=Toilet Diare

Kriteria

OR

OR
Efek X2

95%CI-OR

Model 1:
Toilet

2,22

2,22

1,35-3,65

Model 2:
BLT

1,046

Model 3:
Toilet
BLT

2,231
1,093

2,231

1,36-3,67

Beda OR Toilet pada model 1 dan model 3 =

(2,231-2,22)/2,231 *100% = 0,5%
42

21

12/12/2014

ANALISIS MULTIVARIAT
1.

Regresi linier Ganda

var dependen
p
= numerik
var independen = numerik dan katagorik
(numerik > kategorik)

2. Regresi logistik Ganda

var dependen = katagorik
var independen = katagorik dan numerik
(kategorik > numerik )

Jenis Pemodelan Regresi logistik

1. Regresi Logistik Model Prediksi
Model
M
d l yg terdiri
di i beberapa
b b
variabel
i b l independen
i d
d yg dianggap
di
terbaik
b ik untukk
memprediksi kejadian variabel dependen

X1
X2
X3

Misalnya pada penelitian yang bertujuan untuk:

Mengetahui faktor-faktor yang berhubungan dengan

kejadian BBLR di Kab X tahun 2012

22

12/12/2014

Model Prediksi BBLR

(Data LBW.SAV)
Langkah Pemodelan
1.
Seleksi bivariat:
2.
Pembuatan model: Backward;
1.
2.

3.

Full model: Masukkan secara bersamaan seluruh var indep ke

model multivariat.
Uji konfounding: Variabel yang nilai-p besar dikeluarkan dari
model multivariat. variabel yg p valuenya < 0,05 tetap dalam
model. Variabel yg p valuenya > 0,05 dikeluarkan dari model satu
persatu dimulai dari variabel sig terbesar. Bila var yg dikeluarkan
tsb mengakibatkan perubahan OR variabel2 yg masih ada
(berubah > 10 %), maka var tsb adalah konfounding dan
dimasukkan kembali dlm model.
Uji interaksi: tambahkan interaksi antar var independen.

Interaksi exist jika nilai sig < 0,05

Jenis Regresi logistik

2. Regresi Logistik Model Faktor Risiko
Model dng tujuan mengetahui hubungan satu/beberapa variabel independen
d
dengan
kejadian
k j di variabel
i b ld
dependen
d dengan
d
mengontroll beberapa
b b
variabel
i b l
konfounding

x1
X2
X3
X4

Mis judul penelitian:

Analisis hubungan Berat Badan dengan Tekanan darah di Kab X th 2012

23

12/12/2014

Model Faktor Risiko

Langkah Pemodelan
1. Seleksi bivariat: bila sigg < 0,25 maka var tsb kandidat

multivariat. Walaupun sig > 0,25 boleh masuk multivariat kalau secara
substansi merupakan variabel penting

2.

Pembuatan model: Backward:

1. Full Model: masukkan semua variabel mencakup: var

utama, var konfounding.
2.

Uji Interaksi: tambahkan interaksi var utama dengan var lainnya

dan lakukan penilaian interaksi dng cara melihat nilai sig. Bila sig >
0,05
, var interaksi dikeluarkan dari model. ((lakukan ppenilaian interaksi
satu per satu).

3. Uji konfounding: dng cara melihat perubahan OR ketika

dikeluarkan var konfounding satu persatu dimulai dari p
value terbesar. Bila setelah dikeluarkan diperoleh selisih OR var
Utama lebih besar dari 10 %, maka variabel tsb adalah konfounding
dan dimasukkan kembali kedalam model

Latihan
y

Baca artikel studi yg menerapkan analisis regresi

logistik
g

Beri kritik terhadap analisis yang dilakukan dan

interpretasi yang dibuat

Kumpulkan minggu depan

24