A.
PENDAHULUAN................................................................................. 3
B.
INPUT DATA...................................................................................... 4
1.
2.
3.
C. PRA-ANALISIS DATA..........................................................................8
D. ANALISIS DESKRIPTIF.....................................................................13
E.
4.
5.
6.
7.
8.
9.
10.
11.
12.
Perintah Count......................................................................32
13.
Analyze, Tables.....................................................................35
ANALISIS INFERENSIAL...................................................................36
B.1. NORMALITAS DATA.....................................................................36
14.
Normalitas Data....................................................................37
16.
17.
19.
20.
21.
22.
23.
24.
25.
28.
A. PENDAHULUAN
SPSS (Statistical Product and Service Solutions) merupakan salah satu dari sekian
banyak program aplikasi komputer untuk menganalisis data statistik. Pada
awalnya SPSS dibuat untuk keperluan pengolahan data statistik untuk ilmu-ilmu
social, sehingga kepanjangan SPSS adalah Statistikal Package for the Social
Sciens. Sekarang kemampuan SPSS diperluas untuk melayani riset bidang
kesehatan dan bidang-bidang ilmu sains lainnya, sehingga kepanjangan dari SPSS
adalah Statistical Product and Service Solutions. SPSS pertama kali muncul
dengan versi PC dengan nama SPSS/PC+ (versi DOS), tetapi, dengan mulai
populernya system operasi windows, SPSS mulai mengeluarkan versi windows.
SPSS for Windows memberikan banyak kemudahan karena perintah-perintah yang
diperlukan ditampilkan dalam bentuk menu dan kotak-kotak dialog yang mudah
dioperasikan. Namun demikian kemudahan-kemudakan yang ditawarkan ini tidak
selamanya efektif dan efisien. Untuk beberapa kasus tertentu, instruksi-instruksi
dengan menu-pull-down tidak efisien bila dibandingkan dengan penyusunan
perintah menggunakan modus interaktif. Oleh karenanya SPSS menyediakan
Syntax Windows sebagai sarana penyusunan perintah program tersebut. Inilah
salah satu keunggulan dari SPSS for Windows.
SPSS dapat membaca berbagai jenis data yang disusun menggunakan text editor
di luar SPSS for Windows, seperti Excel atau dBASE, atau memasukkan data
secara langsung ke dalam SPSS Data Editor. Agar dapat dibaca oleh processor
SPSS for Windows, data tersebut harus disusun dalam format seperti halnya
struktur data pada Excel atau dBASE. Struktur data pada SPSS for Windows
terdiri atas baris dan kolom. Tiap baris data disebut Cases (Record pada dBASE)
dan tiap kolom data disebut Variables (Fild pada dBASE).
Langkah awal sebelum melakukan pengolahan data adalah menyusun Format
Data Input dan Format Data Analysis.
Penelitian ini memiliki 16 variabel dan 250 responden (cases). Format data
disajikan pada tabel berikut.
Tabel-1
Format Data Input
B. INPUT DATA
Sebagian peneliti lebih suka melakukan input data menggunakan Excel karena
dianggap lebih mudah dan lebih banyak orang yang bisa mengoperasikan Excel.
Peneliti dapat meminta bantuan orang lain untuk melakukan input data dari
kuesioner ke komputer menggunakan Excel.
SPSS memiliki fasilitas untuk membukan data yang diinput menggunakan Excel.
Hal ini sangat berguna ketika data yang akan dibuka sangat besar (ratusan atau
bahkan ribuan cases) yang tentunya sangat tidak efisien jika harus diinput
langsung di dalam SPSS Data Editor.
1. Melakukan input data melalui Excel.
Berikut diberikan contah cara mengimport data dari Excel ke dalam SPSS Data
Editor.
Buka Program SPSS
* File, open, data
* Pilih file excel yang akan dibuka
Kolom Label dan Value masih berum terisi. Untuk mengisi kolom ini dapat
dilakukan langsung atau melalui Syntax Window. Dalam hal ini akan dilakukan
pengisian kolom Variable dan Value melalui Syntax Window sebagai berikut.
Perintah untuk mengisi kolom variable label dan value label (dan perintah untuk
lainnya) bisa ditulis di Microsoft Word kemudian dikopi ke Syntax Window atau
langsung ditulis di Syntax Window.
/V8 V8 = Diastolik
/V9 V9 = Total Kolesterol
/V10 V10 = Trigliserid Kolesterol
/V11 V11 = HDL Kolesterol
/V12 V12 = LDL Kolesterol
/V13 V13 = Gula Darah Sewaktu
/V14 V14 = Genetik PJK
/V15 V15 = Hemotokrit
/V16 V16 = PJK.
*Perintah mengisi kolom Value Label.
Value Label
V2
1Pria
2Wanita
/V3
1SD
2SLTP
3SLTA
4S1
5S2
6S3
/V14
0Nagtif
1Positif
/V16
0Negatif
1Positif.
C. PRA-ANALISIS DATA
Pra-Analisis dilakukan untuk pembersihan data dari kesalahan (Cleaning dan
Editing) dan menyusun Struktur Data Analysis.
Cleaning dan Editing adalah proses meneliti hasil survai untuk mengetahui
apakah terdapat jawaban (respon) yang cacad (tidak lengkap, tidak jelas,
membingungkan, atau tidak sesuai dengan tujuan) dan melakukan perbaikan
atas kesalahan data yang cacad tersebut
Penyusunan Struktur Data Analysis merupakan proses penyusunan spesifikasi
semua variabel penelitian, termasuk adanya pengembangan variabel
(pembentukan variabel baru) apabila diperlukan dalam tujuan penelitian.
Kodifikasi Data (Data Coding) merupakan bagian dari penyusunan struktur
data.
Tabel-3
Struktur Data Analysis
10
341-50 th
451-60 th
561-70 th
671-80 th.
Freq var V4a.
*Menghitung IMT.
Berat Badan( Kg)
IMT=
2
*Rumus
( Tinggi Badan(m) ) .
Compute BMI = V5/(V6/100)**2.
Variable label BMI BMI = Indeks Massa Tubuh.
*Recode into Different Variables IMT.
Compute BMI1 = BMI.
Variable Label BMI1 BMI1 = Katagori BMI.
Recode BMI1
(lo thru 18.49 = 1)
(18.50 thru 22.99 = 2)
(23.00 thru 24.99 = 3)
(25.00 thru 29.99 = 4)
(30.00 thru hi = 5).
Value label BMI1
1 BB Kurang
2 BB Normal
3 Berisiko Obesitas
4 Obesitas Tk.1
5 Obesitas Tk.2.
Freq var BMI1.
*Recode into Different Variables V7.
Compute V7a = V7.
Variable label V7a V7a = Katagori Tekanan Darah Sistolik.
Recode V7a
(lo thru 119 = 1)
(120 thru 139 = 2)
(140 thru 159 = 3)
(160 thru hi = 4).
Value label V7a
1 Normal
2 Berisiko Hipertensi
3 Hipertensi Tk.1
4 Hipertensi Tk.2.
Freq var V7a.
11
12
13
14
D. ANALISIS DESKRIPTIF
Analisis deskriptive dilakukan untuk mengetahui ukuran statistik masing-masing
variabel berskala Interval/Rasio (variabel numerik) dan mengetahui distribusi
frekuensi masing-masing variabel berskala ordinal/Nominal (variabel katagorik).
Ukuran statistik sebaiknya dihitung dari data yang belum dikelompokkan dalam
tabel distribusi frekuensi, walaupun ukuran statistik juga dapat dihitung dari data
yang telah dikelompokkan dalam tabel distribusi frekuensi.
Menghitung ukuran statistik dari data yang telah dikelompokkan dalam tabel
distribusi frekuensi mengandung risiko kesalahan akibat pengelompokkan data
(grouping error).
Berikut diberikan perbedaan hasil perhitungan ukuran statistik yang dihitung dari
data yang belum dikelompokkan dalam tabel distribusi frekuensi dan ukuran
statistik yang dihitung dari data yang telah dikelompokkan dalam tabel distribusi
frekuensi. Dalam hal ini diambil contoh ukuran statistik Variabel Umur.
Membuat tabel distribusi frekuensi Umur menurut aturan Sturgess adalah sebagai
berikut.
Banyak Kelas = 1 + 3.33 Log (n)
= 1 + 3,33 Log (250)
= 8.913202
Banyak Kelas = Range / Banyak Kelas = (80-22)/ 8.913202 = 6.507201 7
*Recode into Different Variables V4.
Compute V4b = V4.
Variable label V4b V4b = Katagori Umur.
Recode V4b
(22 thru 27 = 24.5)
(28 thru 33 = 30.5)
(34 thru 39 = 36.5)
(40 thru 45 = 42.5)
(46 thru 51 = 48.5)
(52 thru 57 = 54.5)
(58 thru 63 = 60.5)
(64 thru 69 = 66.5)
(70 thru 75 = 72.5)
(76 thru 81 = 78.5).
Value label V4b
24.5 22 27 Th
30.5 28 33 Th
36.5 34 39 Th
15
42.5 40 45 Th
48.5 46 51 Th
54.5 52 57 Th
60.5 58 63 Th
66.5 64 69 Th
72.5 70 75 Th
78.5 76 81 Th.
Freq Var V4b.
16
17
Recode V4d
(21 thru 40 = 30.5)
(34 thru 60 = 50.5)
(61 thru 80 = 70.5).
Value label V4d
30.5 21 40 Th
50.5 41 60 Th
70.5 61 80 Th.
Freq Var V4d.
18
Keterangan
V4 = dihitung dari data yang belum dikelompokkan dalam tabel distribusi
frekuensi
V4a = dihitung dari tabel distribusi frekuensi menurut aturan Sturgess
V4c dan V4d = dihitung dari tabel distribusi yang tidak mengikuti aturan
Sturges tetapi dengan panjang kelas interval yang berbeda
Perhatikan beberapa tabel di atas!
Ukuran statistik dapat dihitung dengan bebera cara.
Pada contoh di atas ukuran statistik dihitung menggunakan Statistics DescriptiveExplore dan Report-Case Summary
Tabel Case Summary memperlihatkan ukuran statistik (rata-rata, simpangan baku,
dan simpangan baku ata-rata) yang berbeda
19
20
21
22
23
24
25
26
27
10.
28
29
30
31
32
11.
33
34
12.Perintah Count
35
Tabel ini mejelaskan Jumlah Responden menurut Profil Lipid Normal (Trigliserid,
HDL, LDL, dan Total Kolesterol).
Terdapat 12 orang yang profil lipidnya tidak ada yang normal
Terdapat 59 orang yang salah satu profil lipidnya normal
Terdapat 108 orang yang 2 dari 4 profil profil lipidnya normal
Terdapat 61 orang yang 3 dari 4 profil profil lipidnya normal
Terdapat 10 orang yang semua profil profil lipidnya normal
*Hubungan profil lipid (Trigleseride, HDL, dan LDL) dengan Total Kolesterol
Count Lipid2 = V10a V11a V12a (1).
Variable Label Lipid2 Lipid2 : Trigliserid, HDL, LDL Normal.
Value Label Lipid2
0 tdk ada yg normal
1 1 normal
2 2 normal
3 semua normal.
Freq var Lipid2.
36
*Hubungan antara Kejadian PJK dengan IMT, Tekanan Darah, Total Kolesterol,
dan Gula Darah Sewaktu.
Count KPJK = IMT TD V9a V13a (1).
Variable Label KPJK Hubungan PJK dengan IMT, TD, TK GD.
Value Label KPJK
0 tdk ada yg normal
1 1 normal
2 2 normal
3 3 normal
4 semua normal.
Freq var KPJK.
37
13.
Analyze, Tables
Analyze table digunakan untuk mengetahui ukuran statistik dari variabel berskala
interval/rasio (variabel numerik) berdasarkan dua variabel berskala
ordinal/nominal (variabel katagoriuk)
Misalkan kita ingin mengetahui rata-rata total kolesterol berdasarkan katagori
umur dan kejadian PJK.
38
39
E. ANALISIS INFERENSIAL
B.1. NORMALITAS DATA
Banyak ukuran statistik untuk mengetahui Normalitas Data, antara lain dengan
statistik Kolmogorov-Smirnov, Saphiro-Wilk, Rasio Skewness dan Rasio
Kurtosis, menggambar kurva normal, atau gambar QQ-Plot.
14.
Normalitas Data
40
Berdasarkan gambar ini dapat diduga bahwa data total kolesterol tidak
berdistribusi normal
41
Hipotesis
Ho : Data berdistribusi Normal
H1 : Data tidak berdistribusi Normal
Kriteria Uji
Total Hipotesis H0 apabila p_value < (5%)
Kesimpulan
Tolak hipotesis H0 yang berarti data Total Kolesterol Tidak berdistribusi Normal
42
Dari analisis stem-leaf diketahui terdapat 8 (delapan) titik yang tergolong Ekstrem
dan hal ini juga dapat dilihat dari gambar Box Plot dimana terdapat beberapa (8
titik) yang muncul di atas.
Tes Normaliti mengguakan uji statistik Kolmogorov-Smirnov data juga dapat
dilakukan melalui Non Parametrik Test.
Dalam hal ini dilakukan uji normalitas untuk data Total Kolesterol melalui Non
Parametrik Test.
43
Hipotesis
Ho : Data berdistribusi Normal
H1 : Data tidak berdistribusi Normal
Kriteria Uji
Total Hipotesis H0 apabila p_value < (5%)
Kesimpulan
Asym. Sig (2-tailed) = p_value = 0,042 < (5%), Tolak hipotesis H0 yang berarti
data Total Kolesterol Tidak berdistribusi Normal
44
15.
Buat Tabulasi silang IMT dan Gula Darah Sewaktu dan lakukan pengujian
hipotesis
45
Kriteria Uji
Tolak Hipotesis H0 apabila p_value < (5%)
Berdasarkan tabel Chi-Square Test (Exact Sig (2-tailed) diketahui nilai Person
Chi-Square = 9,899 dengan p_value = 0,273 > (5%)
Dengan demikian tidak ada alasan menolak hipotesis H0 yang berarti IMT tidak
berhubungan / tidak berpengaruh terhadap Kadar Gula Sewaktu.
46
Buat Tabulasi silang Total Kolesterol dan Kejadian PJK, kemudian lakukan
pengujian hipotesis
Kriteria Uji
Tolak Hipotesis H0 apabila p_value < (5%)
17.
47
Buat Tabulasi silang Trigliserid dan Kejadian PJK, kemudian lakukan pengujian
hipotesis
Kriteria Uji
Tolak Hipotesis H0 apabila p_value < (5%)
48
dan apabila kedua populasi berpasangan maka digunakan statistik Paired Sample
t-Test.
18.
Dua buah sampel disebut bebas (independent sample) apabila kedua sampel
tersebut diambil dengan cara berikut.
Dua buah sampel diambil secara bebas (independent) dari dua populasi yang
tidak berhubungan satu dengan yang lainnya. Misalkan dari 100 Wanita dan 150
Pria masing-masing diambil sampel secara random sebanyak 50 Wanita dan 75
Pria. Kedua populasi jelas bebas (independent) karena seseorang tidak mungkin
menjadi Pria dan Wanita secara bersamaan.
Dua buah sampel diambil dari sebuah populasi yang dibagi dua untuk perlakuan
yang sama. Misalkan sebuah populasi terdiri dari 250 orang Balita menderita
Demam. Diambil sampel secara random sebanyak 50 orang Balita diberi obat A
dan 75 orang Balita yang lainnya diberi obat B. Dalam hal ini kedua sampel
adalah bebas walaupun diambil dari populasi yang sama.
Uji beda rata-rata Dua Sampel Independen dapat dilakukan dengan beberapa
statistik berikut.
Independent Sample t-Test apabila populasi Berdistribusi Normal dan
jumlah unit sampel mencukupi. Uji hipotesis statistik dilakukan menggunakan
prosedur Statistik Parametrik
Apabila populasi Tidak Berdistribusi Normal, maka uji hipotesis statistik
dilakukan menggunakan prosedur Non Parametrik. Statistik yang digunakan
antara lain:
o Mann-Whitney Test
o Kolmogorov-Smirnov Test
o Wald-Wolfowitz Test
o Moses Test (menguji variansi)
Uji beda rata-rata Dua Sampel Berpasangan dapat dilakukan dengan beberapa
statistik berikut.
Paired Sample t-Test apabila populasi Berdistribusi Normal dan jumlah unit
sampel mencukupi. Uji hipotesis statistik dilakukan menggunakan prosedur
Statistik Parametrik
Apabila populasi Tidak Berdistribusi Normal, maka uji hipotesis statistik
dilakukan menggunakan prosedur Non Parametrik. Statistik yang digunakan
antara lain:
49
o
o
o
o
Wilcoxon Test
Sign Test
McNemar Test
Marginal Homogenity
Dua buah sampel dikatakan perpasangan (paired sample) apabila kedua sampel
tersebut diambil dengan cara berikut.
Paired Replicates. Misalkan sebuah populasi terdiri atas 250 orang Balita yang
menderita Demam. Diambil sampel (responden) secara acak sebanyak 100 orang
Balita. Sebelum diberikan obat Parasetamol, terlebih dahulu diukut suhu
badannya. Kemudian responden diberikan obat Parasetamol. Setelah beberapa
waktu diukur kembali suhu badannya. Berarti terdapat dua ukuran suhu badan,
yaitu data suhu badan sebelum dan data suhu badan setelah diberikan obat
Parasetamol. Data kedua suhu badan tersebut disebut data sampel yang
berpasangan.
50
20.
Uji dua sampel yang bebas (independent sample) dapat dilakukan secara
Parametrik dan Non Parametrik. Apabila test variable berdistribusi Normal maka
dilakukan dengan cara Parametrik, yaitu menggunakan statistik IndependentSample t-Test dan apabila test variable tidak berdistribusi normal maka dilakukan
dengan cara Non Parametrik, yakni menggunakan statistik Kolmogorov-Smirnov
Test; Mann Whitney Test; Wald Wolfowitz Test; dan Moses Test (test Variansi)
Pengujian secara Parametrik
Sebelum melakukan uji hipotesis untuk mengetahui signifikansi perbedaan ratarata antara dua kelompok populasi, maka terlebih dahulu perlu diketahui apakah
variansi data pada kedua keompok populasi tersebut berbeda atau tidak berbeda
signifikan.
51
52
EXAMINE VARIABLES=V12
/PLOT BOXPLOT STEMLEAF HISTOGRAM NPPLOT
/COMPARE GROUP
/STATISTICS DESCRIPTIVES
/CINTERVAL 95
/MISSING LISTWISE
/NOTOTAL.
Berdasarkan hasil uji dengan statistik parametrik dan non parametrik seperti
diperlihatkan pada kedua tabel di atas diketahui bahwa LDL Kolesterol tidak
berdistribusi normal.
21.
53
54
Kriteria Uji
Tolak hipotesis H0 apabila p_value < (5%)
Hasil Uji :
Asymp.Sig. (2-tailed) = p_value = 0,197 > (5%)
Hipotesis H0 diterima
Rerata kadar LDL Kolesterol pada kedua kelompok populasi (Negatif PJK dan
Positif PJK) tidak berbeda signifikan.
22.
55
Hipotesis H0 diterima
Rerata LDL Kolesterol pada kedua kelompok populasi tidak berbeda signifikan.
23.
24.
56
25.
57
Analisis variansi satu jalur (One Way Anova) digunakan untuk mengetahui
signifikansi berbedaan rata-rata antara beberapa kelompok Populasi yang
independen (lebih dari dua kelompok populasi)
58
26. Uji beda rerata Trigliserid menurut katagori IMT (One Way
Anova)!
Tabel ini menggambarkan rerata kadar Trigliserid menurut katagori Indeks Masa
Tubuh (IMT). Mereka yang berisiko menjadi Obes dan Obes I memiliki rerata
Triglisering yang cenderung lebih tinggi jika dibandingkan dengan katagori IMT
lainnya.
59
60
27.
Kruskal-Wallis Test merupakan uji non parametrik digunakan untuk menguji ratarata lebih dari dua sampel independen, seperti halnya One Way Anova pada uji
parametrik.
61
62
28.
63
Tabel ini menggambarkan rerata kadar Trigliserid menurut katagori Gula Darah
Sewaktu. Terdapat kecenderungan makin tinggi Gula Darah Sewaktu makin tinggi
Tribliserid. Rerata trigliserid mereka yang menderita DM (185,8182 mg/dL) lebih
tinggi jika dibandingkan dengan mereka yang mormal (107,8537 mg/dL).
64
Kriteria Uji
Tolak hipotesis H0 apabila p_value < (5%)
Hasil Uji
P_value = 0,000 < (5%)hipotesis H0 ditolak yang berarti Variansi pada masingmasing kelompok katagori Gula Darah Sewaktu berbeda.
65
66
rxy
(x
(x
x )( y i y )
x)2 .
(y
y)2
67
Korelasi antara LDL dan Total Kolesterol = 89,9% signifikan dengan p_value
= 0,000 < (5%)
Korelasi antara diastolik dan total kolesterol = 3,4% tidak signifikan dengan
p_valus = 0,590 > (5%)
y i 0 1 xi i
dinyatakan dalam bentuk model regresi
. Variabel bebas dan
takbebas keduanya merupakan variabel berskala interval/rasio.
31.
68
69
Model regresi
y 50,651 1,062 x
Interpretasi Model
LDL berpengaruh positif dan signifikan terhadap Total Kolesterol sebesar
1,062. Artinya stiap meningkatan kadar LDL kolesterol sebesar 1 mg/dL akan
meningkatkan kadar Total Kolesterol sebesar 1,062 mg/dL.
Besarnya kontribusi LDL dalam menentukan perubahan Total Kolesterol
sebesar 80,8%
70
71
Analisis regresi ganda digunakan utuk mengetahui hubungan antara satu variabel
takbebas (dependent) dengan beberapa variabel bebas (independen) yang
y 0 1 x1 2 x 2 k x k
dinyatakan dalam bentuk model regresi
.
Variabel takbebas (dependent) merupakan variabel berskala interval/rasio,
sedangkan variabel bebas boleh merupakan variabel dummi.
Model Regresi
y 0,639 0,988 x1 0,206 x2 0,988 x3 0,332 x4
72
Y = Total Kolesterol
X1 = LDL kolesterol
X2 = Trigliserid
X3 = HDL koleterol
X4 = Genetik PJK (0 = negatif ; 1 = positif)
Interpretasi Model
LDL, Trigliserid, dan HDL berpengaruh positif dan signifikan terhadap Total
Kolesterol, semestera genetik PJK pengaruhnya tidak signifikan. Hal ini dapat
dilihat dari masing-masing nilai p_value pada tabel coefficients di atas.
73
74
Analisis regresi logistik biner digunakan utuk mengetahui hubungan antara satu
variabel takbebas (dependent) dengan satu atau beberapa variabel bebas
(independen) yang dinyatakan dalam bentuk model regresi berikut.
( x )=
exp( g( x ))
1+exp(g ( x))
dengan
( x )=P ( y=1|x )
(x)
= 0 + 1 x 1 + 2 x 2 a + + k x k
1 ( x)
75
76
= 1 Positif
y
= 0 Negatif
Omnibus test of model coefficient memiliki pengertian yang sama dengan Uji F
pada model regresi linier sederhana (ganda), yaitu menjelaskan pengaruh simultan
atau pengaruh bersama-sama dari variabel prediktor terhadap variabel respon.
Bentuk Uji Hipotesis
H 0 : 1= 2= 3 =0
77
H 1: i 0
H0
(5 ) .
Pada tabel Omnibus test of model coefficient diketahui nilai chi-square goodness
of fit atau nilai p_value = Sig = 0,000 < =5 , yang berarti minimal ada satu
dari variabel BB, Trigliserid, atau HDL berpengaruh signifikan terhadap kejadian
PJK
Nagelkarke R square merupakan koreksi dari Cox & Snell R square. Cox & Snell
R square dan Nagelkarke R square memiliki pengertian yang sama dengan nilai
R-squares pada Model Regresi Linier Sederhana atau Ganda, yaitu menjelaskan
besarnya kontribusi variabel prediktor (bebas) dalam menentukan perubahan
variabel respon (terikat).
Nagelkarke R square = 0,123 = 12,3% yang berarti bahwa besar kontribusi BB,
Trigliserid, dan HDL dalam menentukan kejadian PJK adalah 12,3%, sementara
sisanya sebesar 87,3% ditentukan oleh variabel lain yang tidak diperhitungkan di
dalam model.
78
79
H 1: i 0
Kriteria Uji
Tolak hipotesis
H0
=5 .
Hasil uji menunjukkan bahwa nilai p_value untuk BB, Trigliserid, HDL semuanya
< =5 , yang berarti BB, Trigliserid, dan HDL berpengaruh signifikan
terhadap kejadian PJK.
Bentuk model regresi yang menggambarkan hubungan umur dan Status Penyakit
Jantung adalah sebagai berikut.
( x )=P ( y=1|x )=
g ( x ) =ln
exp( g( x ))
1+exp(g ( x))
(x)
= 0 + 1 x1 + 2 x2 a + 3 x2 b + 4 x3
1 ( x)
80
g ( x ) =(1,4491,114)+0,032 x 10,643 x 3
g ( x ) =(1,4491,752)+0,032 x 10,643 x 3
V10a
V11a
V16
PRE_1
60.00
69.00
41.00
42.00
58.00
38.00
46.00
68.00
48.00
48.00
52.00
83.00
106.00
106.00
106.00
88.00
88.00
64.00
58.00
63.00
55.00
82.00
82.00
82.00
52.00
52.00
52.00
59.00
68.00
76.00
76.00
50.00
50.00
50.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
.00
1.00
.00
.00
.00
1.00
.00
.00
1.00
1.00
.00
.00
.00
.00
.00
.00
.00
1.00
.00
.00
1.00
.00
.00
.00
.00
.00
.00
.00
1.00
1.00
1.00
1.00
1.00
1.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
.00
1.00
1.00
1.00
.00
.00
.00
1.00
1.00
1.00
.00
.00
.00
.00
.00
.00
.00
1.00
1.00
1.00
1.00
1.00
1.00
.21711
.41298
.13107
.13476
.20641
.20666
.15042
.15918
.15938
.15938
.10182
.23440
.39019
.39019
.39019
.26437
.26437
.24048
.44198
.48179
.57768
.63089
.63089
.63089
.39522
.39522
.39522
.44990
.67478
.72835
.72835
.53817
.53817
.53817
81
67.00
3.00
1.00
250
.00
.66771
250
82