Regresi Logistik
12/12/2014
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
12/12/2014
12/12/2014
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 )
12/12/2014
Logit (Y ) = a + b1 x1
y
OR = Exp (b )
y
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
Exact Sig.
(2-sided)
Exact Sig.
(1-sided)
,000
,000
,000
6297
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
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
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
Uji Ho = = 0.
0
Estimasi selang koef. B.
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
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
11
12/12/2014
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]
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
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
Uji Ho = = 0.
0
Estimasi selang koef. B.
13
12/12/2014
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?
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
Logit Y = a + b1 X1
Logit Y = a + b1 X1 + b2 X2 + . + bp Xp
28
14
12/12/2014
Jamban/toilet
Jamban
/toilet Diare
29
30
15
12/12/2014
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
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
Tujuan analisis
y
y
Interaksi
Konfounding
y
y
Kolinearitas
Reliabilitas model
36
18
12/12/2014
Interaksi
y
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
19
12/12/2014
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
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
21
12/12/2014
ANALISIS MULTIVARIAT
1.
X1
X2
X3
22
12/12/2014
3.
x1
X2
X3
X4
23
12/12/2014
multivariat. Walaupun sig > 0,25 boleh masuk multivariat kalau secara
substansi merupakan variabel penting
2.
Latihan
y
24