Machine Translated by Google

Regresi Logistik Menggunakan SPSS untuk

Penelitian Terapi Fisik
Disampaikan oleh: I Putu Gde Surya Adhitya, S.Ft., M.Fis., Ph.D.
Jurusan Terapi Fisik, Fakultas Kedokteran, Universitas Udayana
Machine Translated by Google

Ringkasan

• Pengenalan Singkat Regresi Logistik.

• Analisis Regresi Logistik Menggunakan SPSS

untuk Penelitian Terapi Fisik.
Machine Translated by Google

Pengenalan singkat tentang Regresi Logistik

Regresi logistik

- Regresi logistik digunakan untuk memprediksi variabel

kategoris (seringkali dikotomis) dari seperangkat prediktor
variabel.

- Variabel dependen yang diprediksi untuk regresi logistik adalah

fungsi dari kemungkinan bahwa subjek tertentu akan masuk ke
dalam salah satu kategori.
Machine Translated by Google

Regresi Logistik - Contoh

- Seorang peneliti ingin memahami apakah kinerja ujian

(lulus atau gagal) dapat diprediksi berdasarkan waktu revisi,
kecemasan ujian dan kehadiran kuliah.

- Seorang peneliti ingin memahami apakah penggunaan narkoba (ya atau tidak) dapat
diprediksi berdasarkan keyakinan kriminal sebelumnya, penggunaan narkoba di antara
teman-teman, pendapatan, usia dan jenis kelamin.

- Peneliti ingin mengetahui apakah cedera ACL (ya atau tidak) dapat
diprediksi berdasarkan kekuatan otot paha depan, kekuatan otot paha
belakang, jenis olahraga, usia, jenis kelamin, dan indeks massa tubuh.
Machine Translated by Google

Regresi Logistik - Asumsi

1. Anda harus menggunakan skala dikotomis untuk menilai tanggungan Anda

variabel.

2. Terdapat satu atau lebih variabel bebas yang dapat bersifat

kategorikal atau kontinu.

3. Variabel terikat harus memiliki kategori yang saling eksklusif dan

lengkap, dan pengamatan harus independen.

4. Variabel bebas kontinu dan logit

transformasi variabel terikat harus memiliki hubungan linier
=> Uji Box-Tidwell
Machine Translated by Google

Uji Kotak-Tidwell

- Kami memasukkan dalam model interaksi antara

prediktor terus menerus dan log mereka.

- Jika istilah interaksi signifikan secara statistik, variabel independen kontinu

asli tidak berhubungan linier dengan logit variabel dependen.

- Jangan khawatir tentang interaksi yang signifikan jika ukuran sampelnya

besar.
Machine Translated by Google

Melakukan Analisis Menggunakan SPSS untuk Penelitian Terapi Fisik

Himpunan data

Silakan unduh dataset menggunakan tautan ini:

https://drive.google.com/file/d/1rXPcbkYIHN5iY0yEgo07DDh

v2xAE8H4/view?usp=berbagi

Dan buka di SPSS

Machine Translated by Google

Himpunan data

1) Variabel terikat, Meniskus, yaitu apakah partisipan memiliki

cedera meniskus;

2) Variabel bebas yaitu umur, yaitu umur peserta dalam tahun;

3) Variabel bebas, indeks massa tubuh (kg) : , yang merupakan berat peserta
tinggi badan (m)2;

4) Variabel bebas, jenis kelamin , yang memiliki dua kategori: "Pria" dan "Wanita";

5) Variabel bebas, pendidikan, yang memiliki dua kategori: “perguruan tinggi ke

atas” dan “SMA”;

6) Variabel bebas, KOOSADLbaseline, yang merupakan variabel partisipan

skor aktivitas harian dari 0 – 100, skor yang lebih tinggi menunjukkan ADL yang lebih baik;

7) Variabel bebas KOOSsportbaseline yaitu skor fungsi olahraga peserta dari 0 – 100,
skor yang lebih tinggi menunjukkan fungsi olahraga yang lebih baik.
Machine Translated by Google

Klik Transform > Hitung Variabel:

- Kami ingin menghitung log dari setiap variabel independen kontinu,

dalam kasus kami: usia, BMI, KOOSADLbaseline, dan
KOOSsportbaseline.

- Untuk variabel Umur:

Ketik LN_age dalam variabel target dan LN (umur) dalam Numerik
Ekspresi

- Ulangi prosedur yang sama untuk dua variabel lainnya.

Machine Translated by Google

Klik Analisis > Regresi > Logistik Biner

Machine Translated by Google

Univariat
• Variabel dalam analisis univariat hanyalah kondisi atau subset data Anda jatuh
ke dalam.

• Misalnya, analisis mungkin melihat variabel "usia" atau mungkin melihat "BMI" atau
"pendidikan".
• Namun, itu tidak melihat lebih dari satu variabel pada satu waktu selain itu
menjadi analisis bivariat (atau dalam kasus 3 atau lebih variabel itu akan disebut
analisis multivariat).
• Variabel biasanya dimasukkan dalam analisis multivariat ketika nilai p <0,2 diamati
dalam analisis univariat.
Machine Translated by Google

Multivariasi

Analisis multivariat digunakan untuk mempelajari kumpulan data yang lebih kompleks
daripada yang dapat ditangani oleh metode analisis univariat.

Analisis multivariat dapat mengurangi kemungkinan kesalahan

Tipe I (positif palsu)
Machine Translated by Google

Untuk tes Box-Tidwell

- Tambahkan istilah interaksi antara masing-masing lanjutan IV dan lognya.

Machine Translated by Google

Di Jendela Regresi Logistik: Klik Kategoris

- Transfer variabel independen kategoris, jenis kelamin, dari

kotak Covariates: ke kotak Categorical Covariates: seperti
gambar di bawah, lalu ubah kategori reference menjadi yang
pertama, lalu klik change:
Machine Translated by Google

Di Jendela Regresi Logistik: Klik Opsi

- Periksa statistik dan plot yang sesuai yang diperlukan untuk analisis
seperti yang ditunjukkan di bawah ini:
Machine Translated by Google

Keluaran SPSS untuk Uji Box-Tedwell

- Jika semuanya tidak signifikan, ulangi analisis tanpa syarat interaksi:

Machine Translated by Google

Ulangi analisis: Klik Analisis > Regresi > Logistik Biner

Machine Translated by Google

Hapus istilah interaksi dari kovariat:

Machine Translated by Google

keluaran SPSS

Bagian output ini memberitahu Anda tentang kasus-kasus yang dimasukkan dan
dikeluarkan dari analisis, pengkodean variabel dependen, dan pengkodean
variabel kategori apa pun yang terdaftar pada subperintah kategoris.
Machine Translated by Google

Keluaran SPSS – Blok 0

Bagian dari output ini menggambarkan “model null”, yaitu model tanpa
prediktor dan hanya intersep. Inilah sebabnya mengapa Anda akan melihat
semua variabel yang Anda masukkan ke dalam model dalam tabel berjudul
“Variabel yang tidak ada dalam Persamaan”.
Machine Translated by Google

Keluaran SPSS – Blok 1

Bagian ini berisi apa yang sering menjadi bagian paling menarik dari
keluaran: pengujian model secara keseluruhan (dalam tabel “Pengujian
Omnibus dari Koefisien Model”) dan koefisien dan rasio odds (dalam
tabel “Variabel dalam Persamaan”).

Model keseluruhan signifikan secara statistik, 2(5) = 11,35, p = 0,045.

Machine Translated by Google

Keluaran SPSS – Blok 1

Tabel ini berisi nilai Cox & Snell R Square dan Nagelkerke R Square, yang keduanya
merupakan metode untuk menghitung variasi yang dijelaskan.

Nilai-nilai ini kadang-kadang disebut sebagai nilai pseudo R2 (dan akan memiliki nilai yang lebih
rendah daripada dalam regresi berganda).

Namun, mereka ditafsirkan dengan cara yang sama, tetapi dengan lebih hati-hati.

Oleh karena itu, variasi yang dijelaskan dalam variabel dependen berdasarkan model kami
berkisar dari 8,1% hingga 10,8%, tergantung pada apakah Anda merujuk masing-masing metode
Cox & Snell R2 atau Nagelkerke R2 .
Machine Translated by Google

Keluaran SPSS – Blok 1

The Hosmer-Lemeshow menguji hipotesis nol yang dibuat oleh prediksi

oleh model sangat cocok dengan keanggotaan kelompok yang diamati. Statistik
chi square dihitung dengan membandingkan frekuensi yang diamati dengan frekuensi
yang diharapkan di bawah model linier. Chi-kuadrat yang tidak signifikan menunjukkan
bahwa data cocok dengan model dengan baik.
Machine Translated by Google

Keluaran SPSS – Blok 1

Regresi logistik memperkirakan kemungkinan suatu peristiwa (dalam hal ini, mengalami cedera
meniskus) terjadi. Jika perkiraan kemungkinan terjadinya peristiwa lebih besar atau sama dengan 0,5 (lebih
baik daripada peluang genap), Statistik SPSS mengklasifikasikan peristiwa tersebut sebagai terjadi (misalnya,
cedera meniskus ada).

Jika probabilitasnya kurang dari 0,5, Statistik SPSS mengklasifikasikan peristiwa tersebut sebagai tidak terjadi
(misalnya, tidak ada cedera meniskus).

Hal ini sangat umum untuk menggunakan regresi logistik binomial untuk memprediksi apakah kasus dapat
diklasifikasikan dengan benar (yaitu, diprediksi) dari variabel independen. Oleh karena itu, diperlukan suatu metode
untuk menilai efektivitas klasifikasi prediksi terhadap klasifikasi aktual.
Machine Translated by Google

Keluaran SPSS – Blok 1

-Dengan menambahkan variabel independen, model sekarang mengklasifikasikan 62,9%

kasus secara keseluruhan dengan benar (lihat baris "Persentase Keseluruhan") => Persentase
akurasi dalam klasifikasi.

-58,5% peserta yang mengalami cedera meniskus juga diprediksi oleh model mengalami cedera
meniskus (lihat kolom "Persentase Benar" di baris "Ya" dari kategori yang diamati). => Sensitivitas

-66,7% peserta yang tidak mengalami cedera meniskus diprediksi dengan benar oleh model untuk tidak
mengalami cedera meniskus (lihat kolom "Persentase Benar" di baris "Tidak" dari kategori yang diamati).
=> Kekhususan
Machine Translated by Google

Keluaran SPSS – Blok 1

- Nilai prediksi positif adalah persentase kasus yang diprediksi dengan benar dengan
karakteristik yang diamati dibandingkan dengan jumlah total kasus yang diprediksi
memiliki karakteristik tersebut. Dalam kasus kami, ini adalah 100 x (50 (27 + 50)) yaitu
64,9%. Artinya, dari semua kasus yang diprediksi mengalami cedera meniskus, 64,9%
diprediksi dengan benar.

- Nilai prediksi negatif adalah persentase kasus yang diprediksi dengan benar tanpa
karakteristik yang diamati dibandingkan dengan jumlah total kasus yang diprediksi
tidak memiliki karakteristik. Dalam kasus kami, ini adalah 100 x (38 (38 + 25)) yaitu
60,3%. Artinya, dari semua kasus yang diprediksi tidak mengalami cedera meniskus,
60,3% diprediksi dengan benar.
Machine Translated by Google

Keluaran SPSS – Blok 1

• Dari hasil ini Anda dapat melihat bahwa BMI (p = .004) ditambahkan secara signifikan ke
model/prediksi, tetapi usia (p = .662), jenis kelamin (p = .457), KOOSADLbaseline (p =
.343), dan KOOSsportbaseline (p = 0,808) tidak menambah signifikan model.

• Interpretasi: tabel menunjukkan bahwa kemungkinan mengalami cedera meniskus ("ya"

kategori) adalah 1,163 kali lebih besar setiap kenaikan 1 skor IMT setelah disesuaikan dengan
variabel lain (umur, jenis kelamin, KOOS ADL, dan KOOS olahraga).
Machine Translated by Google

tulisan gaya APA

• Regresi logistik dilakukan untuk memastikan efek usia, BMI, jenis

kelamin, KOOSADLbaseline, dan KOOSsportbaseline pada
kemungkinan bahwa peserta memiliki cedera meniskus.
Model regresi logistik signifikan secara statistik, 2(5) = 11,35, p
= 0,045.
• Setiap kenaikan 1 skor IMT adalah 1,163 kali lebih mungkin untuk
menunjukkan cedera meniskus setelah disesuaikan dengan variabel lain (usia, jenis
kelamin, KOOS ADL, dan KOOS olahraga).
Machine Translated by Google