Ringkasan
Regresi logistik
- 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
Uji Kotak-Tidwell
Himpunan data
https://drive.google.com/file/d/1rXPcbkYIHN5iY0yEgo07DDh
v2xAE8H4/view?usp=berbagi
Himpunan data
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";
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
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.
- Periksa statistik dan plot yang sesuai yang diperlukan untuk analisis
seperti yang ditunjukkan di bawah ini:
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
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
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”).
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
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
-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
- 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
• 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.