Analisis Regresi
Logistik
Prof. Bhisma Murti
terhadap
Regresi logistik
Prediksi Y probabilitas Y
Garis lurus
terletak dapat
melebihi rentang
antara 0 dan 1
p
Odds =
1−p
p = Odds − p (Odds)
Odds = p + p(Odds)
Odds = p(1 + Odds)
Odds
p=
1+Odds
Perhitungan
Odds
Transformasi dari p=
1+Odds
Probabilitas
Menjadi Odds Untuk p= 0
0
Odds =
1−0
=0
Untuk p= 1
1
Odds =
1−1
=∞
Untuk p= 0.5
0.5
Odds =
1 − 0.5
=1
Transformasi
dari Probabilitas
Menjadi Odds
Transformasi dari probabilitas
menjadi odds merupakan
transformasi monoton. Artinya,
odds meningkat dengan
meningkatnya probabilitas, vice
versa.
Untuk p= 1
p 1
log = log
1−p 0
= log 1 − log 0
=∞
Untuk p= 0.5
p
log =0
1−p
Transformasi
dari Probabilitas
Menjadi Log Odds
Transformasi dari probabilitas
menjadi log odds (logit)
merupakan transformasi log,
merupakan transformasi
monoton. Artinya, makin besar
probabilitas, makin besar log
odds, vice versa.
• P= 0.5
• Odds= 1.0
• atau log odds= 0.0
p
log odds = log
1−p
= β0 + β1 X1 + β2 X2 + … . βk Xk
Perbandingan Karakteristik dari Itu sebabnya
regresi logistik
Dua Cara Mengekspresikan termasuk kategori
Model Regresi Logistik Generalized Linear
Model (GLM)
Log (odds)= b0 + b1 𝑋1
Maximum Regresi logistik menggunakan metode
Maximum Likelihood Estimation (MLE) untuk
Likelihood mengestimasi koefisien regresi masing-masing
Estimation variabel independen dan probabilitas peristiwa
(misalnya, kejadian stroke) untuk terjadi.
MLE adalah metode untuk mengestimasi
parameter observasi dalam sebuah model, yang
memaksimalkan probabilitas observasi itu.
Artinya, MLE bertujuan menemukan
parameter-parameter yang memaksimalkan
probabillitas (p) terjadi peristiwa 1 dan
probabilitas (1-p) tidak terjadi peristiwa 0.
Perhatikan, kedua
metode memberikan
hasil estimasi koefisien
yang sangat mirip
Apakah Odds
Ratio?
Odds ratio (OR) adalah ukuran hubungan
antara paparan (variabel independen) dan
penyakit (variabel dependen.
0.67 ≤ OR < 1.0 1.0 < OR < 1.5 Hubungan antara paparan dan penyakit lemah
0.33 ≤ OR < 0.67 1.5 ≤ OR < 3.0 Hubungan antara paparan dan penyakit sedang
0.10 ≤ OR < 0.33 3.0 ≤ OR < 10.0 Hubungan antara paparan dan penyakit kuat
OR < 0.10 OR ≥ 10.0 Hubungan antara paparan dan penyakit sangat kuat
Contoh 1 Aplikasi Regresi Logistik
Perhatikan, pengaruh paparan dapat dianalisis
dalam lebih dari dua kategori dengan paparan yang
terendah sebagai kategori referensi (pembanding)
Perhatikan, laporkan Odds Ratio Confounding factor
estimasi titik dan estimasi interval yang pengaruhnya
(Confidence Interval 95%) dikendalikan
Perhatian:
Anak usia 6-12 tahun panjang badan lahir < 48cm memiliki logodds
(kemungkinan) untuk stunting 1.91 unit lebih tinggi daripada tidak
terinfeksi cacing (b= 1.91; CI95% 0.94 hingga 2.87; p< 0.001)
Persamaan:
Interpretasi:
Anak usia 6-12 tahun yang terinfeksi cacing
Mengkoversikan memiliki risiko (odds) untuk mengalami stunting 8
Koefisien kali dibandingkan tidak terinfeksi cacing (OR=
8.25; CI95% 3.30 sd 22.20)
Regresi menjadi Dengan tingkat keyakinan 95% dapat dikatakan,
Odds Ratio pada anak usia 6-12 tahun yang terinfeksi cacing
Regresi Logistik memiliki risiko (odds) untuk mengalami stunting 3
hingga 22 kali dibandingkan tidak terinfeksi
cacing (OR= 8.25; CI95% 3.30 sd 22.20)
Zoom you later…