SAMPUL

i
KATA PENGANTAR

ii
 DAFTAR ISI

Contents
SAMPUL ............................................................................................................. i
KATA PENGANTAR .......................................................................................... ii
DAFTAR ISI ...................................................................................................... iii
BAB I PENDAHULUAN ................................................................................... 1
A. Latar Belakang ................................................................................................ 1
B. Rumusan Masalah ........................................................................................... 2
C. Tujuan.............................................................................................................. 2
D. Manfaat ........................................................................................................... 3
BAB II ISI ........................................................................................................... 4
A. Kriteria untuk perancu..................................................................................... 4
B. Jenis perancu ................................................................................................... 6
C. Perancu pengganti ........................................................................................... 9
D. Stratifikasi sebagai metode yang berbeda untuk memahami perancu ............ 9
E. Membedakan pembaur dari variabel "ketiga" lainnya (mediator dan pengubah
efek)........................................................................................................................11
1. Mediator versus perancu ..................................................................... 12
2. Pengubah efek versus perancu ............................................................ 16
F. Bias yang membingungkan versus seleksi .................................................... 19
G. Mengacaukan dengan indikasi ...................................................................... 19
H. Bagaimana mengidentifikasi dan memilih pembaur potensial ..................... 20
1. Pilihan perancu ................................................................................... 20
2. Pemilihan statistik perancu ................................................................. 22
3. Pengacakan ......................................................................................... 23
4. Matching ............................................................................................. 25
5. Larangan ............................................................................................. 26
6. Analisis bertingkat .............................................................................. 27
7. Regresi ................................................................................................ 28
I. Kekurangan metode untuk mengatasi perancu ............................................. 29
J. Ketidaksesuaian............................................................................................. 31
K. Seberapa kuat perancu dapat mendistorsi asosiasi? ...................................... 32
BAB III PENUTUP .......................................................................................... 35
A. Kesimpulan ................................................................................................... 35
B. Saran .............................................................................................................. 36
DAFTAR PUSTAKA ........................................................................................ 36

iii
 BAB I PENDAHULUAN

A. Latar Belakang

Perancu atau Confounding atau konfonding merupakan sumber bias yang penting,

tetapi sering disalahpahami. Hasil studi biasanya dikacaukan ketika efek paparan

pada hasil bercampur dengan efek risiko lain dan faktor pelindung untuk

hasil. Masalah ini muncul ketika faktor-faktor ini hadir pada derajat yang berbeda

di antara peserta studi yang terpapar dan tidak terpapar, tetapi tidak semua

perbedaan antara kelompok - kelompok tersebut menghasilkan

pengganggu/Perancu.Berpikir tentang studi yang ideal di mana semua populasi

yang menarik terpapar dalam satu alam semesta dan tidak terpapar di alam semesta

paralel membantu membedakan pembaur dari perbedaan lain. Dalam sebuah

penelitian aktual, populasi yang terpapar yang teramati dipilih untuk berdiri di alam

semesta paralel yang tidak teramati. Perbedaan antara populasi pengganti ini dan

alam semesta paralel menghasilkan perancu. Perancu oleh faktor-faktor yang

diidentifikasi dapat diatasi secara analitis dan melalui desain penelitian, tetapi

hanya pengacakan yang memiliki potensi untuk mengatasi perancu oleh faktor-

faktor yang tidak terukur. Namun demikian, penelitian acak yang diberikan

mungkin masih membingungkan. Hasil studi yang membingungkan dapat

mengarah pada kesimpulan yang salah tentang efek paparan minat pada hasil

(Bhopal, 2016).

Perancu ialah salah satu dari tiga jenis bias yang dapat memengaruhi studi

epidemiologi; yang lain menjadi bias seleksi dan bias informasi (kesalahan

klasifikasi dan kesalahan pengukuran). Meskipun pengganggu/perancu umumnya

1
dirujuk dalam penelitian, sering disalahpahami. Dalam makalah ini, penyusun

meninjau kembali pengganggu/perancu untuk mengklarifikasi kapan itu terjadi dan

membahas bagaimana cara mengatasinya (Babyak, 2009).

Perancu telah digambarkan sebagai kebingungan efek . Dengan kata lain, efek

paparan bunga (misalnya, suplemen magnesium dalam diet) pada hasil (misalnya,

kelahiran prematur) dibingungkan dengan efek risiko lain atau faktor pelindung

untuk hasil (misalnya, usia ibu). Untuk menarik kesimpulan yang tepat tentang efek

paparan pada hasil, kita harus memisahkan efek sebab akibat dari faktor-faktor lain

yang mempengaruhi hasil. Misalnya, anggap mengonsumsi suplemen magnesium

mengurangi risiko kelahiran prematur. Lebih jauh, anggaplah ibu yang lebih tua

(misalnya, ≥35 tahun vs <35 tahun) lebih cenderung mengonsumsi suplemen

magnesium dan melahirkan prematur. Jika usia ibu diabaikan, efek perlindungan

dari mengonsumsi suplemen magnesium pada kelahiran prematur akan tampak

lebih lemah daripada yang sebenarnya karena penggunaan magnesium lebih umum

di kalangan wanita yang juga berisiko lebih tinggi mengalami kelahiran prematur

(Kyriacou et al., 2016).

B. Rumusan Masalah

Sebab-akibat selalu menghasilkan perubahan dalam risiko, yang sebaliknya belum

tentu benar. Peningkatan risiko hasil kesehatan di hadapan paparan tidak selalu hanya

hubungan sebab akibat antara paparan dan hasil. Salah satu alasan untuk asosiasi non-

kausal seperti itu adalah adanya variabel ketiga yang disebut variabel perancu atau

perancu. Hal ini mendorong penyusun untuk mengetahui tentang konsep perancu

C. Tujuan

Makalah ini bertujuan membahas topik-topik berikut:

2
1. Kriteria untuk pembaur;

2. Tipe perancu;

3. Perancu pengganti;

4. sratifikasi sebagai metode untuk memahami perancu;

5. Perancu versus variabel "ketiga" lainnya (mediator dan pengubah efek);

6. Bias yang membingungkan versus seleksi;

7. Mengacaukan dengan indikasi;

8. Cara mengidentifikasi pembaur potensial;

9. Metode yang digunakan untuk mengatasi perancu;

10. Kekurangan metode yang digunakan untuk mengatasi perancu;

11. Overadjustment; dan

12. Seberapa kuat perancu dapat mendistorsi asosiasi.

D. Manfaat

Makalah ini diharapkan dapat membawa pengertian yang lebih baik mengenai

konfounding atau perancu dalam penelitian epidemiologi.

3
 BAB II ISI

A. Kriteria untuk perancu

Perancu adalah variabel yang mendistorsi hubungan antara dua variabel lain

(paparan dan hasil). Seringkali paparan adalah apa yang sedang dipelajari sebagai

penyebab potensial dari hasil, seperti kehilangan gigi pada Contoh 1. Penyesuaian

statistik untuk perancu menghasilkan perubahan risiko relatif. Agar variabel

menjadi perancu, variabel harus memiliki tiga karakteristik:

1. variabel harus dikaitkan dengan paparan (sebab-akibat atau tidak)

2. itu harus menjadi penyebab, atau pengganti penyebabnya, dari hasil kesehatan

3. seharusnya tidak berada di jalur sebab akibat antara faktor risiko potensial dan

hasil.

Contoh 1: Beberapa penelitian epidemiologis menemukan bahwa kesehatan

mulut yang buruk dan / atau kehilangan gigi dikaitkan dengan peningkatan risiko

kanker kerongkongan.2,3 Tetapi apakah ini berarti bahwa kesehatan mulut yang

buruk menyebabkan kanker kerongkongan? Mungkin ya. Tapi mungkin ada faktor

lain (mis., Merokok) di belakang layar. Merokok menyebabkan kesehatan mulut

yang buruk dan juga menyebabkan kanker kerongkongan. Oleh karena itu,

hubungan antara kehilangan gigi (pajanan) dan kanker kerongkongan hasil

mungkin karena perancu perokok.

Contoh 2: Penelitian menunjukkan bahwa paritas yang lebih tinggi (jumlah

kehamilan ibu) dikaitkan dengan risiko sindrom Down yang lebih tinggi. Sebagai

contoh, rata-rata, kehamilan kesepuluh lebih cenderung menghasilkan anak dengan

sindrom Down daripada kehamilan pertama. Namun, kita tahu bahwa hubungan ini

bukan karena paritas, tetapi karena usia ibu, karena anak kesepuluh rata-rata

4
dilahirkan oleh ibu yang lebih tua daripada anak pertama. Faktanya, anak kesepuluh

dari seorang ibu yang berusia 26 tahun saat hamil mungkin memiliki risiko lebih

rendah terkena sindrom Down dibandingkan anak pertama yang lahir dari seorang

ibu yang berusia 39 tahun. Dalam hal ini usia (perancu) dikaitkan dengan eksposur

(paritas) dan hasil (Down Syndrome) tetapi tidak muncul di antara keduanya

(gambar 1).

Gambar 1. Hubungan antara paritas dan Down Syndrome dikacaukan oleh usia ibu.
Dalam gambar ini, panah dua sisi menunjukkan hubungan (kausal atau non kausal),
panah satu sisi berarti hubungan sebab akibat, dan panah putus-putus menunjukkan
hubungan kausal potensial yang sedang diselidiki.

Contoh 3: Ginseng adalah ramuan, terutama dibudidayakan di Cina dan Korea,

yang digunakan untuk tujuan pengobatan. Beberapa orang percaya bahwa itu dapat

memperkuat tubuh dan mencegah penyakit. Sebuah studi kohort yang menyelidiki

hubungan ginseng dengan kanker lambung di Cina menemukan bahwa, berlawanan

dengan harapan awal, ginseng meningkatkan risiko kanker lambung sebesar 40%

(risiko relatif 1,40) (Kamangar et al., 2007). Namun, setelah menyesuaikan usia,

hubungan tersebut sepenuhnya menghilang dan ginseng tidak meningkatkan atau

mengurangi risiko. Dalam hal ini, usia adalah perancu; orang tua lebih cenderung

menggunakan ginseng dan mereka lebih mungkin mengembangkan kanker

lambung (gambar 2). Penting untuk mengevaluasi tiga persyaratan yang disebutkan

di atas sebelum kita menganggap variabel sebagai perancu. Pertimbangkan studi

5
konsumsi alkohol dan kanker payudara. Merokok bukan perancu dalam penelitian

ini. Merokok terkait dengan konsumsi alkohol tetapi tidak dengan risiko kanker

payudara. Jadi, itu tidak memenuhi ketiga persyaratan.

Gambar 2. Peningkatan risiko kanker lambung yang terkait dengan asupan ginseng
dijelaskan berdasarkan usia.

B. Jenis perancu

X pada pendiri (Founder) dapat diklasifikasikan ke dalam dua kategori Y kualitatif

dan kuantitatif. Setelah disesuaikan untuk pembaur kualitatif, hubungan antara

paparan dan hasil benar-benar menghilang atau bahkan berbalik arah, yang berarti

bahwa kualitas atau sifat asosiasi berubah. Dalam contoh 2 dan 3, asosiasi

menghilang setelah disesuaikan dengan usia, yang merupakan perancu dalam kedua

kasus. Lihat contoh 4 untuk perancu yang membalikkan arah asosiasi. Berbeda

dengan itu untuk perancu kualitatif, menyesuaikan untuk perancu kuantitatif hanya

mengubah besarnya asosiasi tetapi tidak sifatnya. Lihat contoh 5 di bawah ini untuk

perancu kuantitatif.

Contoh 4: Obesitas, gaya hidup yang tidak banyak bergerak, polusi udara, dan

merokok membuat hidup lebih singkat. Jadi, mengapa orang memiliki rentang

hidup yang jauh lebih pendek 500 tahun yang lalu, ketika mereka lebih ramping,

lebih aktif secara fisik, menghirup udara yang lebih bersih, dan merokok lebih

6
sedikit? Jawabannya terletak pada efek perancu dari kemajuan dalam kehidupan

modern, seperti kebersihan yang lebih baik, dan pengembangan vaksin dan

antibiotik. Ini adalah contoh perancu yang membalikkan asosiasi nyata. Seandainya

kita tidak menyesuaikan dengan kemajuan, membandingkan sekarang dengan 500

tahun yang lalu mungkin telah menyebabkan kesimpulan yang persis berlawanan

dengan kebenaran.

Contoh 5: Hasil studi kohort di Iran menunjukkan bahwa konsumsi opium

dikaitkan dengan peningkatan risiko kematian dengan risiko relatif 2,26 (risiko

126% meningkat) (Khademi et al., 2012). Salah satu pembaur potensial adalah

penggunaan tembakau, karena pengguna tembakau lebih mungkin menggunakan

opium (berhubungan dengan pajanan) dan juga lebih mungkin meninggal

(berhubungan dengan hasilnya). Umur, jenis kelamin, dan faktor-faktor lain juga

dapat bertindak sebagai perancu dalam hubungan ini. Bahkan, setelah disesuaikan

untuk merokok, usia, jenis kelamin, dan beberapa perancu potensial lainnya,

hubungan ini kurang kuat (risiko relatif 1,86, atau 86% risiko meningkat) tetapi

tidak hilang. Di sini, perancu hanya menghasilkan perubahan risiko relatif. Oleh

karena itu, mereka adalah pembaur kuantitatif.

Gambar 3. Hubungan antara penggunaan opium dan kematian sampai batas tertentu
dikacaukan oleh merokok.

7
 Perancu kuantitatif selanjutnya dapat diklasifikasikan menjadi perancu positif

dan negatif. Perancu positif adalah mereka yang memperbesar asosiasi di luar

ukuran sebenarnya - yaitu, membuat asosiasi tampaknya lebih besar dari

sebelumnya. Perancu negatif adalah mereka yang membuat pergaulan tampak lebih

kecil dari itu. Penyesuaian untuk pembaur positif menghasilkan risiko relatif yang

lebih dekat dengan satu, dan penyesuaian untuk pembaur negatif menghasilkan

risiko relatif yang lebih jauh dari satu. Contoh 5 menggambarkan perancu positif,

karena penyesuaian mengurangi risiko relatif dari 2,26 menjadi 1,86. Gambar 4

merangkum klasifikasi perancu.

Gambar 4. Klasifikasi pengganggu.

Sementara terminologi ini (perancu positif versus negatif) kadang-kadang

digunakan dalam makalah epidemiologi dan buku teks, 8 kami

memperkenalkannya di sini terutama untuk menekankan bahwa perancu dapat

bertindak dalam berbagai arah. Mempelajari konsep lebih penting daripada

terminologi. Penting juga untuk memperhatikan besarnya perubahan dalam risiko

relatif. Ini adalah satu hal jika setelah penyesuaian perubahan risiko relatif dari 6,0

8
menjadi 5,6, dan hal lain jika risiko relatif berubah dari 6,0 menjadi 1,5, meskipun

keduanya adalah contoh perancu positif kuantitatif.

C. Perancu pengganti

Kadang-kadang kita tidak dapat menyesuaikan diri untuk pembaur sebab akibat itu

sendiri. Dalam kasus seperti itu, kita mungkin dapat mengatasi masalah dengan

menyesuaikan variabel atau sejumlah variabel yang bersama-sama bertindak

sebagai pengganti untuk pembaur sebab akibat. Ini adalah perancu pengganti.

Sebagai contoh, asumsikan bahwa kekayaan adalah perancu dalam hubungan antara

faktor risiko yang disebut R dan hasil yang disebut O. Peserta penelitian mungkin

tidak ditanya tentang kekayaan mereka, tetapi mereka telah ditanya tentang

pendidikan mereka, kode pos tempat tinggal mereka, dan profesi mereka.

Kombinasi dari faktor-faktor ini dapat berfungsi sebagai pengganti kekayaan

mereka. Dalam studi opium dan mortalitas (Contoh 5), tinggi badan 7 orang dewasa

disesuaikan sebagai pengganti status sosial ekonomi selama masa kanak-kanak.

D. Stratifikasi sebagai metode yang berbeda untuk memahami perancu

Ketika variabel bertindak sebagai perancu, stratifikasi hasil pada tingkat perancu

menghasilkan hasil yang tampaknya paradoks. Risiko relatif untuk setiap strata

mungkin berbeda dari yang terlihat untuk keseluruhan asosiasi. Dalam contoh di

bawah ini, kami menggambarkan efek perancu.

Contoh 6: Anggaplah ada penyakit bawaan langka yang disebut congenia. Kami

melakukan studi kasus-kontrol yang merekrut ibu dari 200 kasus congenia dan ibu

dari 400 anak-anak kontrol. Faktor risiko potensial adalah ayah yang merokok.

Tabel di bawah ini menunjukkan hasil untuk studi kasus-kontrol ini.

Congenia Kontrol
Ayah perokok 140 160

9
Ayah tidak perokok 60 240

Dari tabel ini, rasio odds untuk hubungan antara ayah menjadi perokok dan

kongenia adalah 3,50 (OR = (140 × 240) / (160 × 60) = 3,50).

Namun, perancu potensial mungkin ibu yang merokok, karena merokok ibu

terkait dengan penyakit ini dan pria yang merokok lebih cenderung memiliki istri

yang merokok. Ketika kita mengelompokkan hasil berdasarkan dua tingkat

merokok ibu, dalam kelompok mana pun kita tidak melihat hubungan; yaitu, pada

kedua kelompok, rasio odds adalah 1,00. Pada ibu yang merokok (n = 300)

Congenia Kontrol
Ayah perokok 135 90
Ayah tidak perokok 45 30

OR = (135 × 30) / (90 × 45) = 1,00

Pada ibu yang tidak merokok (n = 300)

Congenia Kontrol
Ayah perokok 5 70
Ayah tidak perokok 15 210

OR = (5 × 210) / (70 × 15) = 1,00

Stratifikasi sebagai metode untuk lebih memahami perancu, itu awalnya dapat

membingungkan atau "membingungkan" para pembaca. Mungkin perlu beberapa

waktu dan latihan sebelum yang belum tahu memahami ini. Orang mungkin

bertanya "bagaimana mungkin OR secara keseluruhan adalah 3,00, tetapi ketika

kita mengelompokkan hasilnya dengan apakah ibunya perokok atau tidak, rasio

odds untuk setiap kelompok adalah 1,00? Gambar 5 menunjukkan fenomena ini.

10
Gambar 5. Ketika ada pembaur, rasio peluang keseluruhan berbeda dari rasio odds
di setiap strata pembaur (di sini, status merokok ibu).

Ini memang membingungkan. Perancu adalah bagian dari apa yang disebut

Simpson's Paradox. Hasilnya tampak paradoks, tetapi tidak ada trik, dan itulah yang

terjadi. Perlu diketahui bahwa ketika kita mengelompokkan hasil oleh dua tingkat

perancu, tidak mungkin kedua OR sama persis, tetapi selama keduanya tidak

berbeda secara statistik satu sama lain, kita biasanya mengambil rata-rata

tertimbang. dari keduanya (menggunakan berbagai metode, seperti metode Mantel-

Haenszel). Rata-rata tertimbang ini adalah rasio odds yang disesuaikan.

Contoh 7: OR keseluruhan untuk hubungan antara X dan Y adalah 3,00. Ketika

kami mengelompokkan hasil berdasarkan dua tingkat jenis kelamin (pria dan

wanita), OR untuk pria dan wanita masing-masing adalah 2,20 dan 1,90. Asumsikan

bahwa kedua angka ini tidak berbeda secara statistik satu sama lain (nilai P = 0,84).

Jika Rata-rata tertimbang Mantel-Haenszel dari kedua angka ini adalah 2,10, OR

yang disesuaikan adalah 2,10.

E. Membedakan pembaur dari variabel "ketiga" lainnya (mediator dan

pengubah efek)

Paparan (faktor risiko potensial) dan hasilnya adalah dua variabel utama dari

setiap asosiasi. Perancu adalah variabel "ketiga" yang mempengaruhi hubungan

paparan dengan hasil. Selain perancu, ada variabel "ketiga" lainnya yang berperan

dalam suatu asosiasi. Dua variabel yang paling penting adalah mediator dan

11
pengubah efek, dan penting untuk membedakan perancu dari mediator dan

pengubah efek.

1. Mediator versus perancu

Salah satu karakteristik perancu, selain dikaitkan dengan paparan dan hasil,

adalah bahwa ia tidak boleh berada di jalur antara keduanya. Jika variabel

ketiga ada di jalur, itu disebut mediator atau faktor perantara. Lihat contoh di

bawah ini.

Contoh 8: Kemiskinan adalah faktor risiko untuk banyak penyakit termasuk

infark miokard, stroke, diabetes, HIV / AIDS, kanker kerongkongan, dan

kanker lambung. Mari kita ambil contoh kemiskinan dan diabetes. Apakah

hubungan ini nyata, atau apakah itu dikacaukan oleh diet yang tidak sehat? Jika

kemiskinan mengarah pada pilihan makanan yang buruk atau terbatasnya akses

ke makanan sehat, maka kemiskinan adalah penyebab nyata diabetes dan diet

yang tidak sehat adalah mediator. lihat gambar 6.

Kemiskinan  Terbatasnya akses ke makanan sehat  Diabetes

Gambar 6. Hubungan antara kemiskinan dan diabetes dimediasi melalui akses

terbatas ke makanan sehat.

Dalam hal ini, pola makan yang tidak sehat dikaitkan dengan kemiskinan

dan diabetes. Juga, menyesuaikan pola makan yang tidak sehat menghasilkan

perubahan dalam perkiraan risiko relatif. Tapi itu bukan perancu karena berada

di jalur antara kemiskinan dan diabetes.

Suatu mediator secara konseptual berbeda dari perancu. Perancu dapat

menghasilkan hubungan non-kausal antara eksposur dan hasil, sehingga

eksposur yang tidak menyebabkan hasil terkait dengan itu. Ambil Contoh 3.

12
Mengambil ginseng tidak akan mengurangi atau meningkatkan risiko kanker

lambung; semua hubungan yang jelas adalah karena usia. Jadi ginseng

bukanlah penyebab sebenarnya kanker lambung. Namun, seorang mediator

hanya menjelaskan sebagian atau semua alasan mengapa paparan

menyebabkan hasil itu. Dalam kasus terakhir ini, paparan benar-benar

menyebabkan hasilnya. Misalnya, kemiskinan menyebabkan diabetes. Jika

kemiskinan dihilangkan, maka makan yang tidak sehat dapat dikurangi, dan

dengan demikian risiko diabetes akan lebih rendah. Lihat contoh lain dari

mediator di bawah ini.

Contoh 9: Memiliki banyak pasangan seks adalah penyebab kanker serviks.

Hubungan sebab akibat ini dimediasi melalui paparan human papillomavirus

(HPV). lihat gambar 7.

Banyak pasangan seksual  Peningkatan risiko infeksi HPV 

Kanker serviks

Gambar 7. HPV memediasi hubungan sebab akibat antara memiliki banyak

pasangan seksual dan risiko kanker serviks.

Gambar 8. Jika efek kemiskinan pada infark miokard dimediasi melalui tiga
faktor, setelah sepenuhnya disesuaikan untuk salah satu faktor ini, risiko relatif
menunjukkan efek untuk dua faktor lainnya.

13
Gambar 9. Obesitas berfungsi baik sebagai perancu dan sebagai mediator dalam
hubungan ini.

Haruskah kita menyesuaikan untuk mediator, seperti yang kita lakukan

untuk perancu? Jawabannya adalah kita bisa, tetapi arti penyesuaian ini

berbeda. Sebelum menyesuaikan untuk mediator, kami memiliki efek total dari

faktor risiko potensial pada hasil kesehatan, sedangkan setelah menyesuaikan

untuk mediator, kami memiliki efek yang tersisa dari faktor risiko setelah efek

parsial dari mediator dipertimbangkan. Lihat contoh 10 dan 11.

Contoh 10: Asumsikan kemiskinan menghasilkan infark miokard melalui

tiga mekanisme: makan lebih banyak makanan tidak sehat; meningkatnya

kecemasan; dan berat badan lahir rendah. Di sini kita memiliki tiga faktor

penengah antara kemiskinan dan infark miokard. Jika kita tidak menyesuaikan

untuk berat lahir, maka risiko relatif (katakanlah 2,40) menunjukkan efek

keseluruhan kemiskinan pada infark miokard. Namun, jika kita cukup

menyesuaikan dengan berat badan lahir rendah, maka risiko relatif yang

disesuaikan (katakan 1,60) akan menunjukkan efek kemiskinan pada infark

miokard melalui dua mekanisme lainnya, yaitu, kecemasan yang lebih tinggi

dan makan makanan yang tidak sehat. lihat gambar 8.

Contoh 11: Sebuah studi kohort prospektif dari sekitar 10.000 pegawai

negeri sipil yang tinggal di London, Inggris, menemukan bahwa mereka yang

berada di posisi sosial ekonomi terendah memiliki 60% peningkatan risiko

14
kematian total (risiko relatif = 1,60) dibandingkan dengan mereka yang berada

di posisi sosial ekonomi tertinggi (Stringhini et al., 2010). Setelah disesuaikan

untuk beberapa mediator potensial, yaitu merokok, konsumsi alkohol, aktivitas

fisik, dan diet yang tidak sehat, kelompok sosial ekonomi terendah hanya 14%

pada risiko kematian total yang lebih tinggi (risiko relatif = 1,14). Oleh karena

itu, penulis menyimpulkan bahwa sebagian besar pengaruh status sosial

ekonomi terhadap kematian dimediasi melalui faktor-faktor ini.

Walaupun perbedaan antara perancu dan mediator pada awalnya tampaknya

mudah, pada kenyataannya, mungkin sangat sulit untuk menentukan apakah

suatu variabel bertindak sebagai perancu atau sebagai mediator. Seringkali, ia

bekerja sebagai keduanya, terutama ketika ada lingkaran setan atau berbudi

luhur.

Contoh 12: Kami ingin memeriksa hubungan antara kekayaan keluarga dan

risiko kematian secara keseluruhan. Haruskah kita menyesuaikan pendidikan

sebagai perancu potensial? Di satu sisi, pendidikan dikaitkan dengan kekayaan

dan kematian, dan mungkin tidak sepenuhnya berada di jalur sebab akibat. Di

sisi lain, orang kaya lebih mungkin untuk menerima pendidikan yang lebih

baik. Oleh karena itu, pendidikan bisa menjadi perancu sekaligus mediator.

Harap dicatat bahwa hubungan antara pendidikan dan kekayaan adalah salah

satu siklus yang baik; satu mengarah ke yang lain, dan sebaliknya.

Contoh 13: Ketika menyelidiki hubungan antara tidak aktif fisik dan hasil

kardiovaskular, obesitas dapat bertindak sebagian sebagai perancu dan

sebagian sebagai mediator (Gambar 9). Obesitas akibat makan berlebihan dapat

membuat seseorang menjadi kurang aktif secara fisik. Juga, tidak aktif secara

15
 fisik dapat menyebabkan obesitas dan pada gilirannya ke hasil kardiovaskular.

Hubungan antara obesitas dan aktivitas fisik adalah salah satu dari lingkaran

setan; satu mengarah ke yang lain, dan sebaliknya. lihat gambar 9.

2. Pengubah efek versus perancu

Pengubah efek juga merupakan variabel ketiga yang memengaruhi

hubungan antara paparan dan hasil. Diskusi terperinci tentang pengubah efek

berada di luar cakupan artikel ini. Namun, kami memberikan perawatan singkat

di sini. Pengubah efek adalah variabel yang memodifikasi kekuatan hubungan

antara paparan dan hasil. stratifikasi adalah metode untuk mengidentifikasi

pengubah efek. Ketika kita stratifikasi hasil dari asosiasi faktor risiko potensial

dan hasil kesehatan oleh dua tingkat variabel ketiga, jika dua risiko relatif (atau

dua rasio odds) secara statistik berbeda satu sama lain, kita akan menyimpulkan

bahwa ada adalah efek modifikasi (interaksi). lihat contoh 14.

Contoh 14: Dalam penelitian yang disebutkan dalam Contoh 5,

keseluruhan risiko relatif yang disesuaikan untuk hubungan antara opium dan

moralitas keseluruhan adalah 1,86. Asosiasi ini lebih kuat untuk wanita (risiko

relatif = 2,43) daripada untuk pria (risiko relatif = 1,63); Nilai P <0,001. Ini

berarti bahwa sementara opium meningkatkan risiko kematian pada pria dan

wanita, opium melakukannya dengan lebih kuat untuk wanita.

Harap perhatikan bahwa untuk mempelajari tentang perancu, kami

membandingkan risiko relatif yang disesuaikan dengan risiko relatif yang tidak

disesuaikan. Sebaliknya, untuk mempelajari tentang modifikasi efek

(interaksi), kami membandingkan risiko relatif di seluruh strata. Lihat contoh

15 hingga 18 dan gambar-gambar terkait.

16
 Contoh 15: Dalam analisis yang tidak disesuaikan, X dikaitkan dengan Y

dengan risiko relatif 2,00. Ketika kami stratifikasi berdasarkan jenis kelamin,

risiko relatifnya adalah 3,00 untuk wanita dan 1,00 untuk pria (nilai p untuk

interaksi = 0,001), dan rata-rata tertimbang dari kedua angka ini adalah 2,00.

Di sini, efek X pada Y tergantung pada jenis kelamin; itu meningkatkan risiko

pada wanita tetapi tidak pada pria. Ini adalah contoh jelas efek modifikasi

berdasarkan jenis kelamin. Namun, hasil rata-rata adalah 2,00, setelah dan

sebelum penyesuaian. Jadi, tidak ada banyak bukti untuk dikacaukan oleh seks.

lihat gambar 10.

Contoh 16: Dalam analisis yang tidak disesuaikan, X dikaitkan dengan Y

dengan risiko relatif 2,00. Ketika kami stratifikasi berdasarkan jenis kelamin,

risiko relatif adalah 1,40 untuk wanita dan 1,50 untuk pria (nilai p untuk

interaksi = 0,78), dan rata-rata tertimbang dari kedua angka ini adalah 1,46. Di

sini, efek X pada Y tidak tergantung pada jenis kelamin; itu meningkatkan

risiko pada wanita dan pria untuk tingkat yang hampir sama. Jadi tidak ada efek

modifikasi berdasarkan jenis kelamin. Namun, risiko relatif yang disesuaikan

(1,46) berbeda dari yang tidak disesuaikan (2,00). Ini adalah contoh nyata

perancu berdasarkan jenis kelamin. lihat gambar 11.

Gambar 10. Risiko relatif lintas strata jenis kelamin berbeda (efek modifikasi
berdasarkan jenis kelamin) tetapi risiko relatif yang disesuaikan adalah sama
dengan risiko relatif yang tidak disesuaikan (tidak mengacaukan).

17
Gambar 11. Risiko relatif serupa pada seluruh jenis kelamin (tidak ada interaksi
berdasarkan jenis kelamin) tetapi risiko relatif yang disesuaikan berbeda dari risiko
relatif yang tidak disesuaikan (pengganggu).

Gambar 12. Risiko relatif serupa di seluruh strata seks (tidak ada interaksi
berdasarkan jenis kelamin), dan risiko relatif yang disesuaikan serupa dengan risiko
relatif yang tidak disesuaikan (tanpa perancu).

Gambar 13. Risiko relatif tergantung pada jenis kelamin (interaksi berdasarkan
jenis kelamin) dan risiko relatif yang disesuaikan berbeda dari risiko relatif yang
tidak disesuaikan (pembaur).

Contoh 17: Dalam analisis yang tidak disesuaikan, X dikaitkan dengan Y

dengan risiko relatif 2,00. Ketika kami stratifikasi berdasarkan jenis kelamin,

risiko relatifnya adalah 2,05 untuk wanita dan 1,94 untuk pria (nilai-P untuk

interaksi = 0,66), dan rata-rata tertimbang dari kedua angka ini adalah 2,01. Di

sini, efek X pada Y tidak tergantung pada jenis kelamin, sehingga tidak ada

interaksi berdasarkan jenis kelamin. Juga, risiko relatif yang disesuaikan dan

tidak disesuaikan adalah serupa, sehingga tidak ada faktor pembaur

berdasarkan jenis kelamin. lihat gambar 12.

Contoh 18: Dalam analisis yang tidak disesuaikan, X dikaitkan dengan Y

dengan risiko relatif 2,00. Ketika kami stratifikasi berdasarkan jenis kelamin,

risiko relatif adalah 1,62 untuk wanita dan 1,00 untuk pria (nilai p untuk

interaksi = 0,01), dan rata-rata tertimbang dari kedua angka ini adalah 1,46. Di

sini, efek X pada Y tergantung pada jenis kelamin, sehingga ada interaksi

18
 berdasarkan jenis kelamin. Selain itu, risiko relatif yang disesuaikan dan tidak

disesuaikan secara substansial berbeda, sehingga ada faktor pembaur

berdasarkan jenis kelamin. lihat gambar 13.

F. Bias yang membingungkan versus seleksi

Beberapa bentuk bias seleksi, seperti perbedaan antara yang terpapar dan yang

tidak terpapar dalam garis dasar suatu kelompok, dapat secara alternatif

diklasifikasikan sebagai pengganggu.

Contoh 19: Dalam sebuah penelitian pada pasien kanker orofaringeal, pasien

kulit putih memiliki ketahanan hidup yang jauh lebih baik daripada pasien kulit

hitam (Settle et al., 2009). Namun, perbedaan ini ditunjukkan sebagai hasil dari

prevalensi yang lebih tinggi dari tumor yang diinduksi HPV pada pasien kulit putih

dengan kanker orofaringeal. Di satu sisi, ini membingungkan, karena tumor yang

diinduksi HPV dikaitkan dengan menjadi Putih dan bersamaan dengan itu tumor

orofaring yang diinduksi HPV memiliki prognosis yang lebih baik daripada bentuk

kanker lainnya. Di sisi lain, ini dapat dianggap bias seleksi, karena ada perbedaan

sistematis dalam jenis tumor yang dimiliki oleh orang kulit putih dan “kurang”.

G. Mengacaukan dengan indikasi

Mengacaukan oleh indikasi adalah bentuk bias seleksi. Istilah ini digunakan

untuk menggambarkan jenis pengganggu yang ditemukan dalam penelitian

epidemiologi observasional obat. Karena dalam penelitian observasional

pengobatan tidak didikte secara acak - itu lebih didasarkan pada indikasi untuk

perawatan (maka nama yang dikacaukan oleh indikasi) - mereka yang

menggunakan obat mungkin sangat berbeda dari mereka yang tidak menghormati

beberapa karakteristik. Misalnya, mereka yang memiliki penyakit parah mungkin

19
lebih mungkin untuk menerima perawatan. Oleh karena itu, jika seseorang

menemukan hubungan antara pengobatan dan mortalitas yang lebih tinggi, itu

mungkin disebabkan oleh pembauran dengan indikasi daripada efek samping obat.

Mengacaukan dengan indikasi paling sering terlihat pada obat yang jarang

digunakan tetapi juga terlihat untuk obat yang biasa digunakan seperti asetaminofen

(Tylenol). Beberapa contoh luar biasa diberikan oleh Signorello et al (Signorello et

al., 2002).

H. Bagaimana mengidentifikasi dan memilih pembaur potensial

Salah satu kesulitan utama dalam studi epidemiologi, terutama dalam studi

observasional, adalah untuk menentukan apa potensi pembaur, atau untuk

menyesuaikan apa. Ada beberapa metode untuk memilih perancu 12–16 tetapi

metode ini dapat diklasifikasikan ke dalam dua kategori besar: metode pemilihan

apriori berdasarkan pengetahuan kita tentang lapangan, dan metode pemilihan

berdasarkan analisis statistik data.

1. Pilihan perancu

Dalam Contoh 5 (opium dan kematian keseluruhan), ada beberapa perancu

yang jelas bahwa seseorang dapat menentukan apriori. Sebagai contoh,

penduduk setempat tahu bahwa di daerah tertentu di Iran orang tua dan laki-

laki lebih cenderung menggunakan opium, dan mereka adalah orang yang sama

yang memiliki risiko kematian yang lebih tinggi. Jadi menyesuaikan jenis

kelamin dan usia adalah suatu keharusan. Demikian pula, pengguna tembakau

lebih cenderung menggunakan opium dan lebih mungkin meninggal. Jadi

kebutuhan untuk menyesuaikan dengan penggunaan tembakau juga tampak

20
jelas. Tetapi tidak mungkin kita mengetahui semua pembaur potensial atau

telah mengumpulkan data tentang mereka semua.

Asosiasi bervariasi secara geografis dan berubah seiring waktu. Oleh

karena itu, perancu dapat bervariasi berdasarkan waktu dan populasi, yang

mungkin membuat pemilihan perancu menjadi sulit. lihat contoh di bawah ini.

Contoh 20: Hasil studi kohort prospektif besar, yang diterbitkan dalam New

England Journal of Medicine, 17 menunjukkan bahwa peminum kopi kurang

berpendidikan daripada non-peminum dan minum kopi dikaitkan dengan

sejumlah perilaku tidak sehat, termasuk merokok, minum besar jumlah alkohol,

aktivitas fisik, dan mengkonsumsi lebih sedikit buah dan sayuran. Oleh karena

itu, hubungan minum kopi dengan mortalitas total dikacaukan oleh faktor-

faktor ini. Sedangkan risiko relatif yang tidak disesuaikan menunjukkan

peningkatan risiko kematian terkait dengan minum kopi, setelah penyesuaian

asosiasi berubah secara kualitatif dan kopi terbukti mengurangi risiko

kematian. Namun, pola ini dapat dengan mudah berubah dalam 20 tahun. Orang

yang berpendidikan lebih cenderung membaca hasil penelitian baru tentang

kesehatan. Jika lebih banyak makalah seperti ini diterbitkan, mungkin di masa

depan kita akan melihat bahwa orang-orang berpendidikan lebih cenderung

(daripada cenderung) minum kopi, dan minum kopi dapat dikaitkan dengan

kebiasaan sehat.

Variasi dalam pola ini dapat menimbulkan tantangan bagi beberapa studi

observasional. Sebagai contoh, jika di beberapa negara tomat sangat terpapar

pestisida, sedangkan di negara lain tidak, menilai efek tomat terhadap

kesehatan bisa berbeda di berbagai negara karena variasi dalam pola-pola

21
 pengganggu. Jika para peneliti memiliki data tentang semua perancu penting,

secara teori, mereka dapat menyesuaikannya. Namun, seringkali ini bukan

masalahnya.

2. Pemilihan statistik perancu

Dalam metode ini, para peneliti melihat hubungan antara sejumlah besar

variabel (sebagai pembaur potensial) dengan faktor risiko potensial dan hasil

kesehatan. Jika seseorang menemukan hubungan dengan keduanya, maka

faktor itu mungkin merupakan perancu. Dalam contoh opium dan mortalitas,

seseorang dapat mengeksplorasi status sosial ekonomi, indeks massa tubuh,

etnis, status perkawinan, dan sejumlah variabel lain sebagai pembaur potensial.

Berbagai kriteria statistik telah digunakan untuk memilih perancu, termasuk

perubahan dalam estimasi dan uji signifikansi statistik (Maldonado et al.,

1993). Metode ini juga kurang dalam beberapa hal. pertama, selain perancu,

mediator dikaitkan dengan faktor risiko potensial dan hasilnya, dan mungkin

sulit untuk membedakan antara perancu dan mediator menggunakan metode

statistik. Kedua, pengujian untuk sejumlah besar variabel dapat mengarah pada

temuan kebetulan. Ketiga, selalu ada sejumlah perancu potensial yang tidak

diketahui atau tidak terukur. Keempat, tidak ada kesepakatan universal tentang

metode statistik mana yang paling baik kinerjanya. kelima, sulit untuk

menentukan cutpoint untuk mempertimbangkan variabel sebagai perancu;

Perubahan 5%, 10%, dan 20% dalam estimasi semuanya telah digunakan, tetapi

memilih di antaranya agak sewenang-wenang.

Yang benar adalah bahwa baik metode apriori maupun metode statistik tidak

bekerja dengan baik, dan tidak mungkin untuk menentukan semua pembaur

22
 yang relevan. Namun, kita dapat melakukan yang terbaik melalui pengalaman,

tebakan yang terpelajar, dan mencoba kombinasi variabel. Juga, seperti

dijelaskan di atas, kombinasi beberapa perancu pengganti dalam model

penyesuaian dapat bekerja dengan cukup baik.

a. Metode yang digunakan untuk mengatasi perancu

Beberapa metode tersedia untuk mengatasi perancu. Jika

memungkinkan, pengacakan dengan ukuran sampel besar adalah metode

terkuat untuk meminimalkan efek perancu. Seperti dibahas di bawah ini,

pengacakan dengan ukuran sampel yang cukup besar dapat

menyeimbangkan lengan studi yang berbeda untuk perancu yang diketahui

dan tidak diketahui. Dalam studi observasional, di mana pengacakan tidak

mungkin dilakukan, berbagai metode lain digunakan untuk mengontrol

perancu. Metode-metode ini termasuk pencocokan, pembatasan, analisis

bertingkat, dan metode regresi. Beberapa metode ini digunakan selama

desain penelitian (pencocokan dan pembatasan) dan beberapa selama

analisis (analisis bertingkat dan metode regresi). Ini bukan daftar yang

lengkap; metode lain, seperti pencocokan skor kecenderungan juga dapat

digunakan (Rubin, 1997). Seperti dibahas di bawah, tidak ada metode yang

digunakan dalam studi observasional yang sepenuhnya memuaskan.

3. Pengacakan

Perancu adalah masalah utama dalam menganalisis validitas studi

observasional, seperti studi kasus-kontrol atau kohort. Dalam studi kohort

tentang diet vitamin E dan kanker, misalnya, individu yang mengonsumsi lebih

banyak vitamin E mungkin berbeda dari mereka yang tidak dalam banyak hal.

23
Dalam satu penelitian kohort semacam itu di Amerika Serikat, mereka yang

mengonsumsi lebih banyak vitamin E lebih cenderung perempuan, tidak

merokok, lebih sedikit mengonsumsi alkohol, aktif secara fisik, dan memiliki

setidaknya gelar sarjana.

Dibandingkan dengan penelitian observasional, uji coba secara acak kurang

dikenakan perancu, terutama ketika ukuran sampel sangat besar. Mengingat

bahwa penugasan paparan dalam uji coba acak dilakukan secara acak, itu tidak

tergantung pada semua karakteristik peserta, seperti usia, jenis kelamin,

kekayaan, dll. Oleh karena itu, uji coba acak besar berpotensi menyesuaikan

baik perancu yang diketahui maupun yang tidak diketahui. Misalnya, dalam uji

coba besar-besaran vitamin E dan kanker, kelompok yang menerima vitamin E

sangat mirip dengan kelompok yang tidak menerimanya sehubungan dengan

usia, indeks massa tubuh, merokok, olahraga, konsumsi alkohol, penggunaan

aspirin, riwayat kanker orang tua, dan riwayat kanker yang dilaporkan sendiri

(Gaziano et al., 2009). Daftar ini hanya merupakan sampel variabel yang serupa

antara kedua kelompok penelitian, dan orang dapat sangat yakin bahwa kedua

kelompok seimbang untuk hampir semua pembaur lainnya. .

Namun, kita harus menambahkan bahwa uji coba acak kecil beresiko

mengacaukan, karena kedua kelompok mungkin berbeda secara kebetulan

(Rothman, 1977). Namun demikian, jika ada beberapa uji coba kecil seperti itu,

meta-analisis dari mereka mungkin secara efektif menangani masalah tersebut.

Dalam hal penyesuaian, untuk sebagian besar tujuan praktis, uji coba dengan

lebih dari 1000 subjek di setiap kelompok dapat dianggap besar, uji coba

dengan kurang dari 100 subjek di setiap kelompok dapat dianggap kecil, dan

24
 uji coba dengan 100 hingga 1000 di setiap kelompok adalah ukuran menengah.

4. Matching

Dalam studi kohort, seseorang dapat mencocokkan individu yang terpapar dan

yang tidak terpapar dengan pembaur potensial. Sebagai contoh, jika kita

menilai efek opium terhadap kematian total dan seks adalah perancu potensial,

seseorang dapat mencocokkan pengguna opium pria dengan non-pengguna

opium pria dan pengguna opium wanita dengan non-pengguna opium wanita.

Dengan cara ini pengguna dan bukan pengguna akan persis sama untuk seks,

dan dengan demikian seks tidak dapat mengacaukan hubungan. Dengan

ekstensi, seseorang dapat mencocokkan lebih dari satu variabel, seperti

berdasarkan usia dan jenis kelamin. Misalnya, pengguna opium pria berusia 56

tahun dapat dicocokkan dengan pria yang bukan pengguna pria berusia 56

tahun. Namun, ada batasan praktis untuk jumlah variabel yang bisa kita

cocokkan; seringkali sulit untuk menemukan pasangan yang cocok berdasarkan

usia, jenis kelamin, kelompok etnis, pendidikan, kekayaan, asupan total buah-

buahan dan sayuran, dll. Ini menjadikan pencocokan metode yang kurang

bermanfaat daripada regresi.

Model regresi yang paling umum dalam studi epidemiologi

Tiga model regresi yang paling umum digunakan dalam epidemiologi

adalah regresi linier, regresi logistik, dan regresi bahaya proporsional Cox.

Regresi linier digunakan terutama ketika hasilnya kontinu (mis., Berat).

Regresi logistik sebagian besar digunakan ketika hasilnya adalah biner (mis.,

25
 Kanker payudara; apakah subjek penelitian terkena kanker payudara atau

tidak). Perluasan regresi logistik, seperti regresi logistik politom dan regresi

logistik ordinal, juga kadang-kadang digunakan. Model logistik politom

digunakan untuk hasil dengan tiga atau lebih kategori diperlakukan sebagai

variabel nominal, di mana setiap kategori dibandingkan dengan kategori

referensi. Sebagai contoh, risiko tiga jenis kanker yang berbeda (paru-paru,

lambung, dan kerongkongan) dapat secara bersamaan dibandingkan dengan

kelompok kontrol. Model regresi logistik ordinal digunakan ketika hasilnya

memiliki tiga kategori atau lebih tetapi diperlakukan sebagai variabel ordinal.

Model bahaya proporsional Cox digunakan ketika hasilnya adalah "waktu

untuk kejadian", misalnya waktu dari memasuki penelitian untuk didiagnosis

dengan kanker paru-paru. Dalam model logistik, dua orang yang menderita

kanker paru-paru selama masa tindak lanjut berkontribusi serupa dengan

hasilnya, sedangkan dalam model Cox, jika orang pertama yang menderita

kanker paru-paru dalam satu tahun dan yang lain menderita kanker paru-paru

dalam 10 tahun, kontribusi mereka adalah berbeda, karena waktu untuk acara

berbeda. Mengukur waktu untuk acara perlu tindak lanjut, oleh karena itu

regresi Cox sering digunakan dalam studi prospektif dengan tindak lanjut

seperti studi kohort dan uji klinis acak.

5. Larangan

Dalam metode ini, kami membatasi populasi penelitian pada satu tingkat

perancu potensial. Sebagai contoh, jika seorang peneliti ingin mempelajari

hubungan penggunaan opium dan kematian total dan sangat khawatir tentang

pengganggu oleh penggunaan tembakau, ia dapat membatasi populasi

26
 penelitian untuk mereka yang tidak pernah menggunakan tembakau dalam

bentuk apa pun. Ini memang bentuk pencocokan yang ekstrem. Pembatasan

juga dapat dilakukan selama analisis. Ahli statistik dapat membatasi analisis

hanya untuk subkelompok dari semua peserta studi, seperti hanya untuk yang

tidak pernah tembakau. Masalah dengan pembatasan bahkan lebih parah

daripada pencocokan. Sulit untuk membatasi populasi penelitian menjadi

kelompok berdasarkan pada beberapa variabel (usia, jenis kelamin, kelompok

etnis, pendidikan, dll.), Karena ukuran sampel menjadi kecil dan generalisasi

hasilnya akan terbatas. Sekali lagi, menggunakan metode regresi

menguntungkan.

6. Analisis bertingkat

Dalam metode ini, ahli statistik stratifikasi analisis pada tingkat yang

berbeda dari perancu potensial untuk memeriksa apakah ada bukti untuk

perancu. Sebagai contoh, jika seks adalah perancu potensial, ahli statistik dapat

menganalisis hasilnya secara terpisah oleh pria dan wanita. Seperti kedua

metode sebelumnya, stratifikasi memiliki batas praktis untuk jumlah variabel

yang dipilih untuk stratifikasi. Sebagai contoh, jika kita memilih jenis kelamin

(dua tingkat: pria dan wanita) dan ras (empat tingkat: Putih, “kurang, Asia,

Lainnya), data perlu dikelompokkan menjadi 4 × 2 = 8 strata. Jika kita juga

stratifikasi berdasarkan 10 kategori usia, data akan memiliki 4 × 2 × 10 = 80

strata. Sekali lagi, ini lebih baik menggunakan metode regresi. Namun, seperti

yang dijelaskan di atas, stratifikasi penting dalam memahami perancu dan

untuk membedakannya dari modifikasi efek.

27
7. Regresi

Model regresi multiprediktor menyesuaikan perancu dengan memodelkan

eksposur dan perancu potensial dalam kaitannya dengan hasil. Model-model

regresi ini memperkirakan efek paparan sambil menjaga tingkat perancu

konstan. Misalnya, jika perancu potensial adalah seks, model regresi bertindak

seolah-olah mereka memperkirakan efek paparan untuk pria dan wanita secara

terpisah dan mengambil rata-rata tertimbang hasilnya. Ini secara intuitif mirip

dengan stratifikasi tetapi menawarkan beberapa keunggulan dibandingkan

stratifikasi. Lihat di bawah. Tergantung pada jenis hasil, beberapa model regresi

dapat digunakan. Lihat Regresi Diatas.

Pilihan metode penyesuaian untuk perancu

Jika memungkinkan, pengacakan dengan ukuran sampel yang besar adalah

metode yang paling efektif untuk menangani perancu, karena menyeimbangkan

lengan studi yang berbeda untuk perancu yang dikenal dan tidak dikenal.

Namun, karena masalah etika dan logistik, pengacakan seringkali tidak

memungkinkan. Untuk alasan yang disebutkan di atas, metode yang paling

umum digunakan untuk menangani perancu dalam studi observasional adalah

menggunakan metode regresi multi-prediktor. Metode-metode ini mampu

mengendalikan beberapa faktor perancu sekaligus dan membatasi desain studi

dan rekrutmen peserta secara relatif sedikit.

Secara teori, pencocokan dapat digunakan dalam studi acak kecil dan studi

kohort untuk mengontrol perancu, tetapi ini jarang dilakukan dalam penelitian

tersebut. Pencocokan umumnya dilakukan dalam studi kasus-kontrol. Namun,

seperti yang ditunjukkan oleh Rothman dan rekan penulis, dalam studi kasus-

28
 kontrol pencocokan mungkin tidak hanya tidak efektif dalam berurusan dengan

perancu, itu sebenarnya dapat menyebabkan bentuk baru perancu (Rothman et

al., 2008). (Kami memahami bahwa ini kontra-intuitif. Lihat referensi

(Rothman et al., 2008) untuk informasi lebih lanjut.) Ketika faktor pencocokan

sangat terkait dengan paparan tetapi tidak dengan hasil (karenanya bukan

perancu), pencocokan dapat menyebabkan perancu. Dengan demikian, sangat

direkomendasikan bahwa faktor pencocokan disesuaikan untuk analisis kasus-

kontrol analisis bertingkat dapat ilustratif pada waktu dan mereka dapat

membantu peneliti membedakan antara perancu dan efek modifikasi (dibahas

di atas).

Pembatasan dalam desain jarang digunakan untuk mengontrol perancu.

Ketika peserta penelitian dibatasi untuk suatu kelompok, sering kali karena

alasan selain mengacaukan, seperti untuk efisiensi atau alasan etis. Membatasi

analisis untuk subkelompok tertentu, seperti bukan perokok, yang sebenarnya

merupakan bentuk analisis bertingkat, sering dilakukan. Dalam sebuah studi

kesehatan mulut dan kanker kerongkongan, misalnya, para peneliti membatasi

analisis untuk tidak pernah merokok dan masih menemukan hubungan (Abnet

et al., 2008). Hal ini dilakukan untuk menghindari potensi residu yang

mengacaukan dari merokok. Lihat di bawah untuk informasi lebih lanjut

tentang residu perancu.

I. Kekurangan metode untuk mengatasi perancu

Seperti yang disebutkan sebelumnya, selain pengacakan, metode lain tidak

mampu menangani perancu secara memadai. Satu masalah utama dengan semua

metode ini adalah bahwa mungkin ada beberapa pembaur yang tidak diketahui atau

29
tidak terukur dalam setiap studi. Masalah lain adalah bahwa bahkan ketika pembaur

diketahui atau diukur, mereka mungkin telah diukur dengan buruk, menyebabkan

penyesuaian yang tidak memadai untuk mereka. Kasus terakhir ini disebut juga

residual confounding. Lihat contoh 21 dan 22.

Contoh 21: Penghasilan adalah perancu potensial dalam studi dan dengan

demikian peserta diminta untuk melaporkan pendapatan mereka, tetapi mereka

gagal melakukannya secara akurat. Dalam situasi ini, kesalahan dalam nilai-nilai

pendapatan yang dicatat menyebabkan penyesuaian tidak sempurna untuk itu, dan

karenanya mengacaukan residual.

Contoh 22: Diet biasanya diukur menggunakan kuesioner frekuensi makanan

dalam studi epidemiologi. Namun, jawaban atas kuesioner ini tunduk pada

kesalahan klasifikasi dan pengukuran yang substansial (Schatzkin et al., 2009).

Orang hampir tidak ingat berapa banyak tomat yang mereka makan setiap minggu

selama setahun terakhir. Bahkan jika mereka melakukannya, diet mereka mungkin

telah berubah selama bertahun-tahun. Jadi, responsnya tidak sepenuhnya

mencerminkan paparan seumur hidup terhadap faktor makanan itu. Oleh karena itu,

walaupun banyak penelitian epidemiologi mengklaim bahwa mereka telah

menyesuaikan dengan faktor makanan, penyesuaian itu seringkali tidak memadai.

Kadang-kadang pembaur potensial diukur dalam kategori luas, misalnya,

pendidikan dapat diukur sebagai buta huruf, sekolah dasar, sekolah menengah atau

menengah, dan pendidikan tinggi. Ini juga dapat menyebabkan residu perancu.

Akhirnya, pemodelan yang buruk dalam analisis regresi dapat mengakibatkan

penyesuaian yang tidak memadai dan residu perancu. Lihat Gambar 14.

30
 Gambar 14. Kekurangan dalam metode yang digunakan untuk menyesuaikan
perancu dapat mengakibatkan penyesuaian yang tidak memadai.

J. Ketidaksesuaian

Sementara kami menyesuaikan untuk pembaur potensial, mungkin

kontraproduktif untuk menyesuaikan terlalu banyak variabel. Pertama, jika kita

menyesuaikan untuk mediator, bukan perancu, hasil yang disesuaikan tidak akan

menjadi perkiraan yang benar dari seluruh efek paparan pada hasil. Kedua, jika satu

variabel prediktor dalam model regresi sangat berkorelasi dengan variabel prediktor

lain, atau kombinasi variabel, kita mungkin menghadapi masalah yang disebut

collinearity. Ketika collinearity ada, kesalahan estimasi standar akan sangat besar

dan memperkirakan pengaruh variabel collinear akan sangat tidak tepat. Untuk

menjaga presisi, kadang-kadang perangkat lunak statistik menjatuhkan salah satu

variabel collinear. Kasus-kasus kolinearitas yang ekstrem tidak biasa tetapi mereka

benar-benar terjadi. Misalnya, hemoglobin dan hematokrit sangat berkorelasi dan

karena itu linier, dan menempatkan keduanya dalam model regresi sebagai

prediktor dapat menyebabkan masalah. Demikian juga, anggaplah seorang peneliti

ingin belajar tentang prediktor kematian bayi. Jika ia menempatkan berat badan,

tinggi badan, lingkar kepala, dan lingkar perut pada saat lahir ditambah usia

kehamilan, kemungkinan akan ada kolinearitas, karena berat saat lahir harus sangat

berkorelasi dengan kombinasi dari empat variabel lainnya. Ketiga, menambahkan

31
sejumlah besar variabel (yang bukan perancu nyata) ke model untuk penyesuaian

dapat sedikit mengurangi daya atau membuat model tidak stabil, terutama jika

beberapa variabel dikategorikan dengan angka jarang dalam beberapa kategori

mereka, dan ketika rasio jumlah variabel yang dimasukkan ke ukuran sampel besar.

K. Seberapa kuat perancu dapat mendistorsi asosiasi?

Perancu harus sangat terkait dengan paparan dan hasil untuk memiliki efek material

pada perkiraan risiko relatif. Sebagai contoh, jika faktor risiko meningkatkan risiko

hasil dengan 2 kali lipat (risiko relatif = 2.00), perancu harus dikaitkan dengan

peningkatan risiko 5 kali lipat dari kedua faktor risiko dan hasil untuk sepenuhnya

meniadakan hubungan setelah penyesuaian. Sebagai perbandingan, dalam contoh

yang sama ini jika perancu dikaitkan dengan faktor risiko dengan risiko relatif 1,2

dan dengan hasil dengan risiko relatif 1,4, tidak mungkin memiliki efek material

pada risiko relatif; itu hanya dapat mengubah risiko dari 2,00 menjadi 1,95. Dalam

Contoh 6, setelah penyesuaian untuk ibu yang merokok, OR 3,50 yang tidak

disesuaikan untuk ayah yang merokok dan bawaan berubah menjadi 1,00. Ini adalah

perubahan substansial dalam OR. Namun, harap dicatat bahwa hubungan antara ibu

yang merokok dan kongenia (OR = 21,00) dan ibu yang merokok dengan ayah yang

merokok (OR = 9,00) sangat kuat, keduanya jauh lebih tinggi dari 3,50, jika tidak

kita tidak akan melihat perubahan yang substansial. Ini ditunjukkan pada tabel di

bawah ini.

Congenia Kontrol
Ibu perokok 180 120
Ibu bukan perokok 20 280

OR = (180 × 280) / (20 × 120) = 21,00

Ibu perokok Ibu bukan perokok

Ayah perokok 225 75

32
Ayah tidak perokok 75 225

OR = (225 × 225) / (75 × 75) = 9,00

Siemiatycki dan rekannya melakukan penyelidikan empiris terhadap

paparan pekerjaan dan berbagai kanker untuk menentukan efek dari

inklusi dan pengecualian dari tiga pembaur yang berpotensi penting, yaitu

merokok, etnis, dan status sosial ekonomi. Dari 75 OR yang diperiksa

dalam penelitian ini, hanya delapan OR perkiraan yang terdistorsi lebih

dari 20%, di antaranya tujuh melibatkan kanker paru-paru, penyakit yang

sangat terkait dengan merokok. Oleh karena itu, para peneliti ini

menyimpulkan bahwa “risiko relatif antara kanker paru-paru dan

pekerjaan yang melebihi 1,4 tidak mungkin menjadi artefak karena faktor

perancu yang tidak terkontrol. Untuk kanker kandung kemih dan kanker

lambung, titik potong yang sesuai mungkin serendah 1,2 " (Siemiatycki et

al., 1988). Meskipun tidak semua orang setuju dengan kesimpulan terakhir

ini, temuan penelitian ini menguatkan fakta bahwa perancu yang tidak

terlalu kuat tidak mungkin mengubah hasil secara substansial.

Tingkat perancu residual tergantung pada jumlah perancu yang tidak

terukur atau salah ukur, kekuatan hubungannya dengan paparan dan hasil,

prevalensi perancu, dan korelasi antara perancu. Sebuah studi simulasi

menunjukkan bahwa dalam keadaan yang masuk akal, misalnya ketika

dua perancu independen masing-masing meningkatkan risiko hasil

33
sebesar 2 kali lipat, rasio odds yang disesuaikan sekitar 2,00 dapat

dihasilkan (perancu tidak terukur atau tidak disesuaikan) (Fewell et al.,

2007). Studi ini menunjukkan bahwa di bawah serupa keadaan odds rasio

1,50 dapat dihasilkan bahkan setelah penyesuaian untuk dua perancu jika

perancu diukur dengan buruk (residual perancu). Namun, hasil penelitian

ini menyiratkan bahwa rasio odds 2,50 atau lebih tinggi tidak mungkin

disebabkan oleh faktor perancu saja.

Perubahan besarnya asosiasi karena faktor perancu adalah poin yang

sangat penting dalam diskusi temuan epidemiologi. Ketika studi awal

merokok dan kanker paru-paru diterbitkan pada 1950-an, Ronald Fisher,

seorang ahli genetika terkenal di dunia dan ahli statistik paling terkenal

pada masanya, berpendapat bahwa hubungan ini mungkin dikacaukan

oleh gen; 25 beberapa gen dapat menyebabkan Anda merokok dan gen-

gen yang sama dapat menyebabkan kanker paru-paru. Hari ini kita tahu

bahwa Fisher, yang merupakan perokok seumur hidup, salah dalam kasus

ini. Risiko relatif untuk hubungan tersebut adalah antara merokok dan

kanker paru-paru bisa mencapai 30 untuk perokok lama. Jika Fisher benar,

maka risiko relatif untuk hubungan antara gen dan kanker paru-paru (dan

gen dan merokok) harus jauh lebih tinggi dari 30. Ini jelas tidak terjadi,

karena risiko relatif untuk polimorfisme paling umum yang terkait dengan

paru-paru kanker sangat rendah, sekitar 1,25 (Landi et al., 2009).

34
 BAB III PENUTUP

A. Kesimpulan

Faktor perancu menimbulkan masalah besar dalam mengidentifikasi penyebab

sebenarnya penyakit. Perancu dapat secara keliru menambah atau mengurangi

besarnya asosiasi, atau bahkan membalikkan arah asosiasi. Langkah-langkah yang

diuraikan di bawah ini dapat membantu dalam memikirkan dan mengatasi perancu

dalam studi epidemiologi. Langkah 1. Apakah kita perlu khawatir tentang pembaur?

Jika penelitian ini merupakan uji coba acak yang besar, mengacaukan bukanlah

masalah utama. Jika tidak, maka kita perlu mengidentifikasi, memilih, dan

menyesuaikan potensi pembaur. langkah 2. Bagaimana kita menemukan pembaur

potensial? Potensi perancu ditemukan berdasarkan alasan apriori atau alasan

statistik. Tidak semua "variabel ketiga" adalah perancu. Menilai apakah suatu

variabel memenuhi tiga kriteria untuk perancu. Jika ya, maka pertimbangkan juga

seberapa kuat kaitannya dengan pajanan dan hasil dan seberapa besar ia mengubah

risiko relatif. Perancu harus sangat terkait dengan paparan dan hasil untuk memiliki

efek material pada hasil. Kalau tidak, mereka mungkin tidak menjadi perhatian

utama. Ketika perancu tidak bisa m Ketika perancu tidak bisa mengukur dan atau

mengukur buruk kita perlu menemukan pengganti perancu dan menyesuaikannya.

Langkah 3. Bagaimana kita menyesuaikan pembaur? Analisis regresi adalah

metode yang paling umum untuk menyesuaikan perancu dalam studi observasional.

Kita harus menggunakan metode regresi statistik yang paling tepat (mis., Regresi

linier, regresi logistik, regresi Poisson, atau regresi bahaya proporsional Cox) untuk

menyesuaikan perancu. Pilihan ini seringkali tergantung pada jenis hasilnya.

Langkah 4. Bagaimana kita menafsirkan hasil setelah penyesuaian? Bahkan setelah

35
disesuaikan untuk perancu, kita perlu diingat bahwa hasilnya mungkin belum

sepenuhnya disesuaikan karena perancu yang tidak diukur atau diukur dengan

buruk (residual confounding). Namun, sering kali menyesuaikan untuk perancu

pengganti dapat mengurangi masalah.

B. Saran

Kita harus cukup berhati-hati tetapi tidak terlalu kritis. Apakah atau tidak perancu

telah ditangani secara memadai adalah masalah pendapat. Tetapi pengalaman

membantu dalam membuat tebakan-tebakan yang mendidik tentang keberadaan

dan besarnya residu perancu.

DAFTAR PUSTAKA

Abnet, C. C., et al. (2008). Tooth loss and lack of regular oral hygiene are associated
with higher risk of esophageal squamous cell carcinoma. Cancer
Epidemiology and Prevention Biomarkers, 17(11), 3062-3068.
Babyak, M. A. (2009). Understanding confounding and mediation. Evidence-based
mental health, 12(3), 68-71.
Bhopal, R. S. (2016). Concepts of epidemiology: integrating the ideas, theories,
principles, and methods of epidemiology: Oxford University Press.
Fewell, Z., Davey Smith, G., & Sterne, J. A. (2007). The impact of residual and
unmeasured confounding in epidemiologic studies: a simulation study.
American journal of epidemiology, 166(6), 646-655.
Gaziano, J. M., et al. (2009). Vitamins E and C in the prevention of prostate and
total cancer in men: the Physicians' Health Study II randomized controlled
trial. Jama, 301(1), 52-62.
Kamangar, F., et al. (2007). Ginseng intake and gastric cancer risk in the Shanghai
Women's Health Study cohort. Cancer Epidemiology Biomarkers and
Prevention, 16(3), 629.
Khademi, H., et al. (2012). Opium use and mortality in Golestan Cohort Study:
prospective cohort study of 50 000 adults in Iran. BMJ, 344, e2502.
Kyriacou, D. N., & Lewis, R. J. (2016). Confounding by indication in clinical
research. Jama, 316(17), 1818-1819.

36
Landi, M. T., et al. (2009). A genome-wide association study of lung cancer
identifies a region of chromosome 5p15 associated with risk for
adenocarcinoma. The american journal of human genetics, 85(5), 679-691.
Maldonado, G., & Greenland, S. (1993). Simulation study of confounder-selection
strategies. American journal of epidemiology, 138(11), 923-936.
Rothman, K. J. (1977). Epidemiologic methods in clinical trials. Cancer, 39(S4),
1771-1775.
Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern epidemiology (Vol.
3): Wolters Kluwer Health/Lippincott Williams & Wilkins Philadelphia.
Rubin, D. B. (1997). Estimating causal effects from large data sets using propensity
scores. Annals of internal medicine, 127(8_Part_2), 757-763.
Schatzkin, A., et al. (2009). Observational epidemiologic studies of nutrition and
cancer: the next generation (with better observation). Cancer Epidemiology
and Prevention Biomarkers, 18(4), 1026-1032.
Settle, K., et al. (2009). Racial survival disparity in head and neck cancer results
from low prevalence of human papillomavirus infection in black
oropharyngeal cancer patients. Cancer prevention research, 2(9), 776-781.
Siemiatycki, J., Wacholder, S., Dewar, R., Cardis, E., Greenwood, C., &
Richardson, L. (1988). Degree of confounding bias related to smoking,
ethnic group, and socioeconomic status in estimates of the associations
between occupation and cancer. Journal of occupational medicine.: official
publication of the Industrial Medical Association, 30(8), 617-625.
Signorello, L. B., McLaughlin, J. K., Lipworth, L., Friis, S., Sørensen, H. T., &
Blot, W. J. (2002). Confounding by indication in epidemiologic studies of
commonly used analgesics. American journal of therapeutics, 9(3), 199-
205.
Stringhini, S., et al. (2010). Association of socioeconomic position with health
behaviors and mortality. Jama, 303(12), 1159-1166.

37