Written By:
Yogo L. Baskoro - 09211850096016
I. MODEL REMS
REMS P Odds
50 1 #DIV/0!
150 0.96667 29
250 0.93548 14.5
350 0.87209 6.81818
450 0.78704 3.69565
550 0.62745 1.68421
650 0.42063 0.72603
750 0.27679 0.38272
850 0.19608 0.2439
950 0.09677 0.10714
Karena menggunakan solver pada Microsoft Excel, maka nilai a dan b untuk β
(dimana 𝛽𝑥=𝑎+𝑏𝑥) yang dicari, sehingga formulasi 𝜋 pada excel adalah sebagai
berikut.
x Y π LL
50 1 0.984 -0.3387
150 0.96667 0.96761 -4.3848
250 0.93548 0.93554 -22.247
350 0.87209 0.87579 -32.891
450 0.78704 0.77403 -55.981
550 0.62745 0.62463 -67.352
650 0.42063 0.44702 -85.921
750 0.27679 0.28198 -66.075
850 0.19608 0.16022 -25.471
950 0.09677 0.08482 -9.8834
Total -370.55
Minitab
Jika digunakan analisi menggunakan minitab, perlu diawali dengan
memasukkan data REMS ke dalam minitab seperti tabel berikut.
Kemudian dilanjutkan dengan menekan menu Stat → Regression → Binary
Logistic Regression → Fit Logistic Model. Selanjutnya isi slot pada fungsi binary
logistic regression Minitab, yaitu memilih response in event/trial format, memilih
kolom survived pada slot number of events, memilih kolom total pada slot number
of trials, dan memilih kolom REMS pada slot continuous predictors karena data
REMS merupakan data continuous.
Hasil perhitungan coefficient menunjukkan nilai a dan b, sehingga hasil
regresi logistik binomial data REMS adalah 𝜷𝒙=𝟒.𝟒𝟕𝟕−𝟎.𝟎𝟎𝟕𝟐𝟏𝟒𝒙. Hasil regresi
tersebut akan diintepretasikan sebagai berikut: Saat Rapid Eyes Movement Sleep
(REMS) naik satu gerakan maka nilai 𝛽 akan turun dan bernilai 4.47995-0.0072(1)
=4.47275. Semakin besar nilai REMS maka akan memperkecil nilai 𝛽.
R-Studio
Data sebanyak 15 kolom dengan variabel respon adalah penyandang tumor dan
variabel prediktor adalah cigaret dan kondisi psikologis. Variabel psikologi
berskala nominal dengan kode A, B dan C. Type data dan juga summary
sebagai berikut:
𝐻0 = Model sesuai
𝐻1 = Model tidak sesuai
Berdasarkan tabel 4 diatas, nilai p_values sama dengan 0.05 sehingga dapat
disimpulkan terima 𝐻0 yang menunjukkan model sesuai. Efek keseluruhan kondisi
psikologi juga dapat diuji dengan membandingkan deviance keseluruhan model dengan
deviance model yang tidak ada kondisi psikologi.
Berdasarkan tabel 9 diatas, nilai p_values kurang dari 5% yang sangat menunjukkan
adanya overdispersion yang artinya varians data model dengan varians data sebenarnya
itu jauh berbeda. Agar varians model dan data sebenarnya itu tidak jauh beda maka
dapat dilakukan fitting model menggunakan glm () function dengan menganti family=”
Poisson” dengan family =” quasipoisson”. Quasi-Poisson Regression adalah generalisasi
dari regresi Poisson dan digunakan saat memodelkan variabel hitungan yang terlalu
banyak didispersi. Model Poisson mengasumsikan bahwa varians sama dengan rata-
rata, yang tidak selalu merupakan asumsi yang adil. Ketika varians lebih besar dari rata-
rata, model QuasiPoisson, yang mengasumsikan bahwa varians adalah fungsi linear
rata-rata.
Terlihat data variabel berbentuk ordinal sehingga diperlukan beberapa metode lain guna
mendapatkan hasil regresi yang optimal. Langkah berikutnya kita melakukan principal
component analysis dari fungsi multivariate dengan 7 component dan LR1-RR2 sebagai
variabelnya. Dari sini kita akan mendapatkan scree plot sebagai berikut.
Terlihat pada scree plot di atas grafik mengalami penurunan pada eigenvalue
bernilai 1 lalu cenderung membentuk garis lurus apabila nilai eigenvalue di bawah 1. Hal
tersebut menunjukkan bahwa terdapat variabel prediktor yang mempengaruhi variabel
respons secara significant dan ada yang tidak (ada variabel yang tidak independent).
Sehingga dibuat cut off pada eigenvalue 1 dan melakukan principal component analysis
kembali dengan number of components to compute sebanyak jumlah titik di atas cut off,
yaitu 7 serta menyimpan coefficient dan scores pada cell yang kosong.
Bisa dilihat hanya 7 principal component sudah mewakili 92% dari 22 variabel
prediktor dengan eigenvalue di atas 1.
Dilakukan regresi (dengan fungsi fit regression model pada minitab) dengan variabel respons
berupa rating dan variabel prediktor berupa hasil storage PC1 hingga PC 7, sehingga di
dapatkan hasil regresi sebagai berikut.