VARIABEL PENGGANGGU DAN

INTERAKSI PADA ANALISIS REGRESI

L/O/G/O

PENDAHULUAN
Tujuan dari sebuah analisis regresi ganda :
Memprediksi variabel dependen
Menghitung hubungan antara satu atau
lebih variabel independen dgn variabel
dependen
Dlm Bab ini akan menerangkan tentang :
Regresi prosedur yg populer
Analisis covariance (ANACOVA)

GAMBARAN UMUM
Confounding & interaksi, meskipun berbeda konsep,
namun keduanya sama-sama memperhitungkan efek
dari variabel tambahan yg dpt mempengaruhi
hubungan antara dua atau lebih variabel
Pertanyaan mendasarnya adalah :
Apakah dan Bagaimana variabel-variabel ini
harus dimasukkan ke dalam sebuah model yg
berhubungan sehingga dpt diperhitungkan ?

CONTOH
o

Membandingkan hubungan aktivitas fisik dgn

tekanan darah sistolik.

Dgn metode mengendalikan variabel UMUR

(Variabel perancu).
Dgn perlu mempertimbangkan kapan kita hrs
mengabaikan variabel UMUR dlm proses
analisis & masih beranggapan bahwa aktivitas
fisik dgn tekanan darah memiliki hubungan
asosiasi

Lanjutan ..
Secara umum, counfounding ada jika hasil interpretasinya
berbeda makna dari suatu hubungan ketika variabel
pengganggu diabaikan atau termasuk dalam analisis data
Contoh : perkiraan kasar dari hubungan antara aktivitas
fisik dgn tekanan darah sistolik dgn mengabaikan usia
(variabel perancu)
Interaksi adalah kondisi dimana hubungan
kepentingan yg berbeda pada tingkat yg berbeda dari
variabel asing yg menggambarkan hubungan
kepentingan di nilai yg berbeda dari variabel asing

Lanjutan ..
Sehingga dpt dikatakan bahwa, pengganggu &
interaksi adalah fenomena yg berbeda.
Sebuah variabel dpt memanifestasikan baik
pengganggu & interaksi atau hanya salah satu dari
dua. Namun demikian, jika interaksi yang kuat
ditemukan, penyesuaian untuk pembaur yg tidak
pantas.

INTERAKSI DLM REGRESI

Akan menjelaskan :
1. Bagaimana 2 variabel independen dpt
berinteraksi untuk mempengaruhi variabel
dependen
2.Bagaimana interaksi trsbt dpt diwakili oleh
model regresi yg sesuai

Lanjutan ..
Contoh :
Bagaimana 2 variabel independen, yaitu suhu (T)
dan konsentrasi katalis (C), bersama-sama
mempengaruhi tingkat pertumbuhan (Y) organisme
dlm sistem biologis tertentu. Lebih lanjut, anggaplah
bahwa dua tingkat suhu tertentu (To dan TJ) dan dua
tingkat tertentu konsentrasi katalis (Co dan C1) harus
diperiksa & bahwa sebuah eksperimen dilakukan di
mana pengamatan atas Y diperoleh untuk masingmasing dari empat kombinasi temperatur tingkat
konsentrasi katalis :
(To, Co) (To, C1) (T1, Co) (T1, C1)

Lanjutan ..

Keterangan :
T (suhu)
C (katalis)
Y (pertumbuhan)

Gambar diatas (11-1),(a) Tdk ada interaksi dibandingkan (b)

interaksi : menunjukkan bhwa tingkat perubahan dlm tingkat
pertumbuhan sbgai fungsi temperatur adlh sama terlepas dari
tingkat konsentrasi katalis, dgn kata lain, hubungan antara Y dan
T tdk dgn cara apapun tergantung dari C.

Lanjutan ..

Keterangan :
T (suhu)
C (katalis)
Y (pertumbuhan)

Model gambar (11.2) dpt ditulis sebagai :

YIT,C = (0 + 2C0) + (1 + 12C0) T
dan ketika C = C1, model (11.2) menjadi
YIT,C = (0 + 2C1) + (1 + 12C1) T

Secara umum, dpt dikatakan

bahwa tdk ada interaksi ini
identik dgn paralelisme dlm arti
bhwa kurva respon Y terhadap T
untuk nilai tetap dari C sejajar
ATAU
kurva-kurva respons (yg mungkin
linear atau nonlinear) semua
memiliki bentuk umum yg sama,
berbeda satu sama lain hanya

CONFOUNDING DALAM REGRESI

Mari kita menggambarkan hubungan antara variabel

independen (T) & variabel dependen (Y) dengan
mempertimbangkan dampak pengganggu yg mungkin
dari variabel ketiga (C).
Seperti dijelaskan sebelumnya, penilaian pengganggu
(C) membutuhkan perbandingan perkiraan kasar dari
hubungan T-Y, yg mengabaikan efek dari variabel kontrol
dgn perkiraan hubungan yg menyumbang (atau
kontrol) untuk variabel ini.
Perbandingan ini dapat dinyatakan dalam dua model
regresi berikut :
Y = 0 + 1T + 2C + E dan
Y = 0 + 1T + 2 C + E

aturan umum
Untuk menilai keberadaan variabel pengganggu
ketika hanya satu variabel independen yang
menjadi terkontrol, maka:
variabel pengganggu hadir jika estimasi koefisien (l) dari
variabel penelitian T berubah secara bermakna ketika
variabel C akan dikeluarkan dari Model yaitu jika, l C l
Tanda kita perlu menentukan secara subyektif
apakah kedua perkiraan masing-masing
menggambarkan interpretasi yang berbeda dari asosiasi
T-Y dalam pertanyaan.

Mengendalikan Satu Variabel Asing

Misalkan, kita ingin menggambarkan hubungan
antara T (independen) & Y (dependen), dgn
mempertimbangkan beberapa kovariat C1,
C2, . . , CP,.
Analog dgn prosedur yg dijelaskan untuk satu
kovariat, kita dpt menilai confounding dgn
membandingkan
perkiraan
kasar
dari
hubungan T-Y dgn beberapa perkiraan yg
disesuaikan.
Seperti sebelumnya, perkiraan kasar dpt
didefinisikan dlm hal model regresi yg
menggambarkan hubungan antara T dan Y,
mengabaikan
semua
kovariat.
Untuk
mendapatkan estimasi disesuaikan, namun
harus mempertimbangkan model diperpanjang
&
didefinisikan
sebagai
berikut
:

Contoh Revisited
Sebagai contoh hipotesis penelitian menilai
hubungan antara tingkat aktivitas fisik (PAL) dan
tekanan darah sistolik (SBP) sementara
mengontrol kedua AGE dan SEX.
Dengan asumsi bahwa tidak ada efek interaksi
signifikan yang ditemukan, dihasilkan model
yang diturunkan adalah sebagai berikut:
SBP + o + 1 (PAL) + 2 (AGE) + 3 (SEX) + E

Menilai Pengganggu
Step berikutnya adalah menilai pengganggu, yaitu,
apakah koefisien PAL berubah ketika UMUR dan/atau
SEX yang jatuh dari model?
Untuk menjawab ini, kita estimasi koefisien PAL dalam 4
model, yaitu
termasuk UMUR dan SEX , melibatkan baik UMUR atau
SEX tetapi tidak keduanya, dan yang melibatkan
keduanya. Model standar untuk perbandingan adalah
satu berisi variabel kontrol dan PAL.

Lanjutan
Jika estimasi 1 perubahan cukup ketika setidaknya satu variabel
kontrol dijatuhkan dari model standar, perlu untuk mengendalikan
baik UMUR dan SEX.
Jika memperoleh dasarnya estimasi yang sama pada 1
(menggunakan model standar emas) ketika hanya UMUR adalah
dalam model, tidak perlu mempertahankan SEX dalam model untuk
mengontrol untuk faktor pembaur.
Masuknya variabel seks selain UMUR meningkatkan atau
menurunkan presisi. Keputusan untuk mengendalikan hanya UMUR
atau keduanya UMUR dan SEX akan terikat, misalnya,
perbandingan interval kepercayaan untuk 1. Jika interval
kepercayaan jauh lebih rendah bila hanya UMUR dikendalikan,
maka tidak akan mempertahankan SEX dalam model.

Setelah keputusan dibuat tentang variabel yang

dikendalikan (yang merupakan model terbaik
untuk memberikan perkiraan yang valid dan
tepat dari koefisien PAL), kemudian membuat
kesimpulan statistik tentang hubungan PAL-SBP
benar.
Mengingat model tanpa interaksi, ini melibatkan
pengujian H0 : 1 = 0 dalam model terbaik dan
kemudian memperoleh perkiraan interval 1.

KESIMPULAN
Pengganggu dan interaksi adalah dua
konsep metodologis berkaitan dengan
penilaian dari hubungan antara variabel
independen dan dependen.
Interaksi,
yang
didahulukan
dari
pengganggu, terjadi ketika hubungan
kepentingan yang berbeda pada tingkat
yang berbeda dari variabel asing (kontrol).
Pengganggu, yang mana tidak dievaluasi

 Ketika beberapa pembaur potensial yang

sedang dipertimbangkan, mungkin akan
bermanfaat
untuk
mengidentifikasi
nonconfounders yang dapat dijatuhkan
dari model untuk mendapatkan presisi, ini
tidak mungkin (misalnya, presisi mungkin
akan hilang dengan menjatuhkan variabel)
dalam beberapa situasi.

 Ketika ada interaksi yang kuat yang

melibatkan
variabel
asing
tertentu,
penilaian pengganggu untuk variabel
asing tidak relevan. Selain itu, dalam
situasi seperti penilaian pengganggu yang
melibatkan variabel asing lain, meskipun
mungkin, cukup kompleks dan sangat
subyektif.
Akibatnya,
penilaian
pengganggu biasanya tidak dianjurkan
ketika efek interaksi yang penting telah

KESIMPULAN
Confounding & interaksi adalah dua konsep metodologis
yg berkaitan dgn penilaian hubungan antara variabel
terikat dan variabel bebas.

Confounding yg tdk dievaluasi dgn uji statistik, hadir

ketika efek berbeda-beda, apakah variabel dan kontrol
diabaikan atau disimpan dlm istilah analisis regresi.
Confounding dinilai dgn membandingkan koefisien
regresi mentah dan disesuaikan dari model yg berbeda.

Interaksi, yg mana mengambil alih faktor

Confounding, terjadi ketika hubungan yg berbeda pada
tingkat yg berbeda dari kontrol dan variabel.
Dalam regresi linier, interaksi dievaluasi dgn
menggunakan teks statistik tentang ketentuan produk
melibatkan variabel terikat dasar dlm model.

Ketika ada interaksi yg kuat melibatkan variabel dan

kontrol tertentu variabel penilaian confounding
variabel asing yg relevan. Selain itu, dlm situasi
seperti penilaian confounding yg melibatkan variabel
dan kontrol, meskipun mungkin, cukup kompleks dan
sangat subyektif.
Akibatnya, penilaian confounding biasanya tidak
dianjurkan ketika efek interaksi yang penting telah
diidentifikasi.

L/O/G/O

ake Presentation much more fun