STRATEGI PEMODELAN

Verifikasi setiap variabel prediktor

Kemampuan setiap variabel prediktor dalam menjelaskan respon
( 2
Pearson , rasio likelihood, regresi logit sederhana)

Konstruksi model regresi logit ganda

Variabel dengan p-value < 0,25 dapat dipertimbangkan untuk
menjadi prediktor dalam model regresi logit ganda (suatu variabel
tunggal mungkin tidak memiliki efek signifikan terhadap suatu
respon namun setelah dikombinasikan dengan variabel lain dalam
satu model, efek variabel tersebut menjadi signifikan)
Evaluasi prediktor pada model regresi logit ganda
Setelah model regresi logit ganda terbentuk, dilakukan evaluasi atas
tiap prediktor dalam model, meliputi
(1) Uji signifikansi untuk tiap parameter/ variabel (Wald Test)
(2) Membandingkan tiap estimasi koefisien (model regresi logit
ganda) dengan estimasi koefisien model yg hanya memuat
variabel itu.

Variabel2 yang tidak memberikan kontribusi pada model berdasarkan

kriteria tersebut, dieliminasi dari model sehingga didapatkan model
baru.

Model baru kemudian dibandingkan dengan model lama melalui uji

Likelihood Ratio
Sebagai ilustrasi strategi pemodelan dalam regresi logistik digunakan
sebagian variabel dari data studi tentang low birth weight (berat
badan lahir rendah). Tujuan dari studi ini adalah untuk
mengidentifikasi faktor resiko yang berhubungan dengan kelahiran
bayi yang low birth weight (berat < 2500 gram). Seratus delapan puluh
sembilan ibu yang ikut penelitian, 130 melahirkan bayi normal,
sedangkan 59 melahirkan bayi dengan low birth weight.

Empat faktor resiko yang diduga berpengaruh terhadap kelahiran

bayi dengan low birth weight adalah:
AGE: Age of the Mother in Years.
LWT: Weight in Pounds at the Last Mentrual Period.
RACE: Race (1 = White, 2 = Black, 3 = Other).
FTV: Number of Physician Visits During the First Trimester.
Output Regresi Logistik Ganda: BBLR vs AGE, LWT, RACE & FTV
Output Regresi Logistik Ganda: BBLR vs AGE, LWT, RACE & FTV
Output Regresi Logistik Ganda: BBLR vs LWT & RACE
Output Regresi Logistik Ganda: BBLR vs LWT & RACE
G dengan 5 variabel = 12,099
G dengan 3 variabel = 11,413
Selisihnya = 0,686 yg lebih kecil dari chi_square tabel dengan db 2
(perbandingan tidak signifikan artinya model dengan 5 variabel sama
baiknya dengan model dengan 3 variabel).

LL model dengan 5 variabel = 222,573

LL model dengan 3 variabel = 223,259
Selisihnya = 0,686 yg lebih kecil dari chi_square tabel dengan db 2
(perbandingan tidak signifikan artinya model dengan 5 variabel sama
baiknya dengan model dengan 3 variabel).