Anda di halaman 1dari 53

Regresi Logistik & Multivariat

BESRAL: Departemen Biostatistika FKM UI, 2012


1

Binary Regresi Logistik


Regresi Logistik:

Model matematis untuk menganalisis hubungan antara satu atau beberapa variabel independen yang bersifat kontinu maupun binary dengan satu variabel dependen yang bersifat binary/binomial atau dikotom (sehat/sakit, hidup/mati)
Regresi Logistik:

- Sederhana (simple) hanya satu variabel independen - Ganda (multiple) lebih dari satu variabel independen
Jur. Biostatistika, FKM UI, 2006 Page 2

Persamaan Garis Regresi Logistik


Persamaan Regresi Logistik:

Logit (Y ) a b1 x1 .... bk xk

1 1 P(Y ) (logitY ) ( a b1 x1 .....bk xk ) 1 Exp 1 Exp


P(Y) = Probabilitas seorang individu untuk mengalami Y=1

OR Exp

(b )

Exponensial

(b )

(b )

OR = Odds Ratio = Risiko kelompok X=1 untuk mengalami Y=1 dibandingkan dengan kelompok X=0

Jur. Biostatistika, FKM UI

Page 3

Interpretasi koefisien beta pada Regresi Logistik


Tabel Silang:
Count DISEASES EXPOSED Total 1=Ya 0=Tdk 1=Ya 173 120 293 0=Tdk 227 279 506 Total 400 399 799

OR = 173*279/227*120 = 1.77 RR = (173/400) / (120/399) = 1.44

Regresi Logistik Sederhana:


--------------------- Variables in the Equation ---------------Variable B S.E. Wald df Sig Exp(B) EXPOSED .5721 .1487 14.8058 1 .0001 1.7719 Constant -.8437 .1092 59.7323 1 .0000

OR exposed untuk sakit dibandingkan dengan non exposed: () =e (0.5721) = 1.7719 OR = e Page 4 Jur. Biostatistika, FKM UI, 2006

Interpretasi koefisien beta pada Regresi Logistik


Analisis berikut melihat faktor yang berhubungan dengan kejadian sakit (0=Tidak,1=Sakit)
Age Eksposed Educ : Continu : 0=No, 1=Yes : 0=Lo, 1=Med, 2=Hi

------------------ Variables in the Equation -----------------Variable AGE EXPOSED EDU_G EDU_G(1) EDU_G(2) Constant B .0108 .6165 .4443 .5704 -1.5700 S.E. .0134 .1616 .1981 .2073 .4750 Wald .6593 14.5530 8.2514 5.0283 7.5705 10.9236
Page 5

df 1 1 2 1 1 1

Sig .4168 .0001 .0162 .0249 .0059 .0009

Exp(B) 1.0109 1.8525 1.5594 1.7690

Jur. Biostatistika, FKM UI, 2006

Interpretasi koefisien beta pada Regresi Logistik


a. varibel independen 2-KATEGORI (0,1)
Mis: Eksposed(0=No, 1=Yes) OR eksposed dibandingkan dengan tidak eksposed: OR = e () =e (0.6165) = 1.8525

b. varibel independen >2-KATEGORI (0,1,2,)


Mis: Education (O=Low, 1=Moderate, 2=High) OR Moderate education dibandingkan dengan Low education: OR = e () =e (0.4443) = 1.5594 OR High education dibandingkan dengan Low education: OR = e () =e (0.5704) = 1.7690

c. varibel independen NUMERIK

OR untuk setiap perubahan c unit pada x adalah sebesar = e c() Mis: Age OR pada setiap kenaikan usia 10 th adalah: Page 6 Jur. Biostatistika, FKM ) 2006 OR = e c(UI, =e 10(0.0108) = 1.1140

Interpretasi koefisien beta pada Regresi Logistik


Regresi Logistik Sederhana:
--------------------- Variables in the Equation --------------Variable B S.E. Wald df Sig Exp(B) EXPOSED .5721 .1487 14.8058 1 .0001 1.7719 Constant -.8437 .1092 59.7323 1 .0000

RR exposed dibandingkan dengan tidak exposed: P (Y ) RR 1 Probabilitas sakit pada exposed P0 (Y ) Probabilitas sakit pada tidak exposed

P 1(Y ) P0(Y )

1 1 0.4325 ( a b1 x1 ) ( .8437 .5721(1)) 1 Exp 1 Exp 1 1 0.3007 ( a b1 x1 ) ( .8437 .5721( 0 )) 1 Exp 1 Exp
Page 7

Jur. Biostatistika, FKM UI, 2006

RR

P 0.4325 1 (Y ) 1.44 P0 (Y ) 0.3007

Aplikasi Regresi Logistik

Logit (Y ) a b1 x1 .... bk xk
Aplikasi pada desain studi Cohort

Dapat menghitung Resiko Individu (probabilitas)

P(Y )

1 1 Exp ( a b1 x1 .... bk xk )

Menghitung Resiko Relatif (RR)

P 1 (Y ) RR P0 (Y )

Desain studi Case-control/Cross-Sectional


Tdk bisa menghitung resiko individu Hanya bisa menghitung Odds Ratio (OR)

OR Exp
Jur. Biostatistika, FKM UI, 2006 Page 8

(b )

Aplikasi Regresi Logistik


Contoh Soal: Studi Cohort dilakukan 10 tahun untuk melihat kejadian serangan jantung (0=Tidak, 1=Ya). Sebagai variabel independennya adalah kadar katekolamin (KAT), EKG, dan Umur. Dengan persamaan logistik sbb:

Logit (Y ) 3.911 0.652 x1 0.029 x2 0.342 x3


x1 : KAT (0=rendah, 1=tinggi) x2 : Usia (kontinu dalam tahun) x3 : EKG (0=normal, 1=tdk normal
Berapa probabilitas seseorang untuk mendapatkan serangan jantung

apabila usia=40, EKG=normal, dan KAT=Tinggi Berapa probabilitas seseorang untuk mendapatkan serangan jantung apabila usia=40, EKG=normal, dan KAT=Rendah Berapa resiko untuk terjadinya serangan jantung pada kelompok KAT=Tinggi dibandingkan dengan KAT=Rendah pada usia=40 dan EKG=Normal
Jur. Biostatistika, FKM UI, 2006 Page 9

Aplikasi Regresi Logistik


Jawab:

Logit (Y ) 3.911 0.652 x1 0.029 x2 0.342 x3

Berapa probabilitas seseorang untuk mendapatkan serangan jantung

apabila usia=40, EKG=normal, dan KAT=Tinggi

P(Y )

1 1 e
[ 3.911 0.652 (1) 0.029 ( 40) 0.342 ( 0)

0109 . 11%

Berapa probabilitas seseorang untuk mendapatkan serangan jantung

apabila usia=40, EKG=normal, dan KAT=Rendah

P(Y )

1 1 e
[ 3.911 0.652 ( 0) 0.029 ( 40) 0.342 ( 0)

0.06 6%

Berapa resiko untuk terjadinya serangan jantung pada kelompok

KAT=Tinggi dibandingkan dengan KAT=Rendah pada usia=40, EKG=Normal

0109 . 182 . RR P(Y ) ( Kat Page Jur. Biostatistika, FKM UI, 2006 Re ndah ,Usia 40, EKG normal ) 10 0.06

P(Y ) ( Kat Tinggi ,Usia 40, EKG normal )

Modeling Regresi Logistik


Model yang fit (cocok):

Model yang hanya terdiri dari variabel independen yang berkontribusi pada model atau benar-benar berhubungan dengan dependen variabel Metode Maximum-Likelihood Uji hipotesis (=0): 1. Likelihood Ratio Test (LRT) Pendekatan distribusi X2 Full model Logit (y) = + 1x1 L1 Reduce model Logit (y) = L2

G = -2 {ln L2 ln L1}

Critical Region: G > X2 tabel (, df= jumlah var x yang diuji) atau p-value < 2. Wald Test Pendekatan distribusi Z2=X2

Wald = (/SE )2

Critical Region: Wald > Z (/2)


Jur. Biostatistika, FKM UI, 2006

atau p-value <

Page 11

Modeling Regresi Logistik


Full model (AGE, Exposed, EDU)

- 2 log likelihood = 981.324 . L1 Recude model (Exposed, EDU) - 2 log likelihood = 981.983 . L2
Likelihood Ratio Test G = L2 L1 = 981.983 981.324 = 0.659 X2 tabel (0.05, df=1) = 3.84

Karena 0.659 < 3.81 maka variabel AGE tidak punya kontribusi pada model
Hasil tsb sama dengan hasil Wald test dengan p-value

yang tidak signifikan untuk AGE = 0.4168


Jur. Biostatistika, FKM UI, 2006 Page 12

Modeling Regresi Logistik


Perbandingan Likelihood Ratio Test (LRT) dengan

Wald Test:
Secara umum hasil LRT sama dengan Wald
Pada keadaan tertentu jumlah sampel (n) kecil, bisa

saja Wald tidak signifikan tetapi LRT signifikan. Hal ini disebabkan oleh perhitungan Wald didasarkan SE, sedangkan SE meningkat dengan semakin kecilnya jumlah sampel Jadi untuk jumlah sampel yang kecil LRT lebih sensitif

Jur. Biostatistika, FKM UI, 2006

Page 13

ANALISIS MULTIVARIAT
Definisi= Menghubungkan beberapa var independen dengan satu var dependen Kenapa Perlu Multivariat ?
Pada bidang kesmas: outcome/akibat --- tak mungkin penyebab tunggal outcome/akibat ---multi faktor Mis: agent, host & lingk Kontribusi murni masing-masing faktor setelah mempertimbangkan faktor laindigunakan analis multivariat

Kegunaan multivariat:
1.Mengetahui pengaruh murni/efek bersih masing-masing variabel 2.Mengetahui faktor yang paling dominan

ANALISIS MULTIVARIAT
Untuk mengetahui pengaruh murni/efek bersih :
a.
b.

Rancangan Eksperimen: variabel lain dikontrol


(misal: subjeknya tikus dari induk yg sama)

Rancangan studi: responden dipilih dengan cara Matching


(misal: subjeknya dari umur yg sama, sex sama, pendidikan sama, pekerjaan sama, ekonomi sama, tempat tinggal sama)

c.

Pengontrol pada tahap analisis statistik: Analisis Stratifikasi dan Analisis MULTIVARIAT

Syarat kecukupan sampel multivariat:


Satu variabel = 15 sampel 10 variabel = 150 sampel

Jenis Analisis Multivariat


1. Metode Dependensi:
(independen dependen)

A. dependen satu variabel - numerik : regresi linier ganda - katagorik : regresi Logistik ganda B. dependen beberapa variabel - numerik : Manova, GLM-repeated - kategorik : Kanonikal

2. Metode Interdependensi
: tidak ada var independen dan dependen : pemetaan/pengelompokan variabel - numerik : cluster, faktor analisis - katagorik : Multi dimensional scaling

REGRESI LOGISTIK GANDA


Fungsi Regresi Logistik Ganda:
1.

2.
3.

4.

Menetapkan model matematik yang paling baik utk menggambarkan hubungan var. indep dan var dep. Menggambarkan hubungan kuantitatif antara var. indep (xi) dng var dep (y) setelah dikontrol var. lain Mengetahui variabel (xi) mana yang penting/dominan dalam memprediksi var. dep (y) Mengetahui adanya interaksi pada var. independen (xi)

ANALISIS MULTIVARIAT
1.

Regresi linier Ganda var dependen = numerik var independen = numerik dan katagorik (numerik > kategorik)

2. Regresi logistik Ganda var dependen = katagorik var independen = katagorik dan numerik (kategorik > numerik )

Jenis Pemodelan Regresi logistik


1. Regresi Logistik Model Prediksi
Model yg terdiri beberapa variabel independen yg dianggap terbaik untuk memprediksi kejadian variabel dependen

X1 X2 X3

Misalnya pada penelitian yang bertujuan untuk:

Mengetahui faktor-faktor yang berhubungan dengan kejadian BBLR di Kab X tahun 2012

Regresi logistik model prediksi BBLR


Mengetahui faktor-faktor yang berhubungan dengan kejadian BBLR di Kab X tahun 2012

Age (.yrs) Lwt (..pounds) Race (1,2,3) Smoke (0,1) Ptl (times) Ht (0,1) Ui (0,1) Ftv (times)

BBLR (low)

Model Prediksi BBLR (Data BAYI.189.SAV)


Langkah Pemodelan 1. Seleksi bivariat; mengunakan uji-statistik bivariat seperti biasa:
- uji-t - uji-Anova - Uji korelasi/regresi linier sederhana - Uji chi-square - Uji regresi logistik sederhana

Model Prediksi BBLR (Data LBW.SAV)


Langkah Pemodelan 1. Seleksi bivariat: 2. Pembuatan model: Backward;
1.

2.

3.

Full model: Masukkan secara bersamaan seluruh var indep ke model multivariat. Uji konfounding: Variabel yang nilai-p besar dikeluarkan dari model multivariat. variabel yg p valuenya < 0,05 tetap dalam model. Variabel yg p valuenya > 0,05 dikeluarkan dari model satu persatu dimulai dari variabel sig terbesar. Bila var yg dikeluarkan tsb mengakibatkan perubahan OR variabel2 yg masih ada (berubah > 10 %), maka var tsb adalah konfounding dan dimasukkan kembali dlm model. Uji interaksi: tambahkan interaksi antar var

independen. Interaksi exist jika nilai sig < 0,05

Jenis Regresi logistik


2. Regresi Logistik Model Faktor Risiko Model dng tujuan mengetahui hubungan satu/beberapa variabel independen dengan kejadian variabel dependen dengan mengontrol beberapa variabel konfounding

x1 X2 X3 X4

Mis judul penelitian: Analisis hubungan Berat Badan dengan Tekanan darah di Kab X th 2012

Model Faktor Risiko Langkah Pemodelan 1. Seleksi bivariat: bila sig < 0,25 maka var tsb kandidat
multivariat. Walaupun sig > 0,25 boleh masuk multivariat kalau secara substansi merupakan variabel penting

2. Pembuatan model: Backward: 1. Full Model: masukkan semua variabel mencakup: var utama, var konfounding. 2. Uji Interaksi: tambahkan interaksi var utama dengan var lainnya dan lakukan penilaian interaksi dng cara melihat nilai sig. Bila sig > 0,05 var interaksi dikeluarkan dari model. (lakukan penilaian interaksi satu per satu). 3. Uji konfounding: dng cara melihat perubahan OR ketika dikeluarkan var konfounding satu persatu dimulai dari p value terbesar. Bila setelah dikeluarkan diperoleh selisih OR var Utama lebih besar dari 10 %, maka variabel tsb adalah konfounding dan dimasukkan kembali kedalam model

Regresi logistik model Faktor Risiko Rokok BBLR


1, Regresi Logistik Model Prediksi Model yg terdiri beberapa variabel independen yg dianggap terbaik untuk memprediksi kejadian variabel dependen

Smoke (0,1)
Age (.yrs) Lwt (..pounds) Race (1,2,3) Ptl (times) Ht (0,1) Ui (0,1) Ftv (times)

BBLR (low)

Mis judul penelitian: Risiko perokok untuk melahirkan bayi BBLR di Kab X tahun 2006

Contoh Aplikasi: Regresi Logistik Model Prediksi


27

Logistik Model prediksi


Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (age) , RAS (race), HIPERTENSI (ht), ADA KELAINAN UTERUS (ui), ANC (ftv),merokok (smoke), prematur (ptl) dengan kejadian BBLR (low).

Umur(age) Ras(race) Hipertensi(ht) Uterus(ui) Anc(ftv) Merokok(smoke) Prematur(ptl)

BBLR(low)

Seleksi bivariat
1. umur
Om nibus Tes ts of Mode l Coe fficients Step 1 Step Bloc k Model Chi-s quare 2.760 2.760 2.760 df 1 1 1 Sig. .097 .097 .097

V ariables in the Equation 95.0% C.I.f or EXP(B) Low er Upper .893 1.011

Step a 1

age Cons t ant

B -.051 .385

S.E. .032 .732

Wald 2.635 .276

df 1 1

Sig. .105 .599

Ex p(B) .950 1.469

a. V ariable(s ) entered on step 1: age.

Hasil bivariat menunjukkan , umur mempunyai p value 0,097 (lihat Di omnibus test bagian block). Dengan demikian p value < 0,25 Jadi umur dapat ke multivariat. Dari hasil diatas juga dapat diketahui nilai OR, yaitu di kolom EXP(B) = 0,950

2. Race
Cate gorical V ariables Codings Parameter coding (1) (2) .000 .000 1.000 .000 .000 1.000

Om nibus Tes ts of Mode l Coe fficients Step 1 Step Bloc k Model Chi-s quare 5.010 5.010 5.010 df 2 2 2 Sig. .082 .082 .082

Race

White Blac k Other

Frequenc y 96 26 67

V ariables in the Equation 95.0% C.I.f or EXP(B) Low er Upper .939 .955 5.772 3.736

B Stea p1 rac e rac e(1) rac e(2) Cons tant .845 .636 -1.155

S.E. .463 .348 .239

Wald 4.922 3.323 3.345 23.330

df 2 1 1 1

Sig. .085 .068 .067 .000

Ex p(B) 2.328 1.889 .315

a. V ariable(s) entered on step 1: rac e.

Hasil uji didapatkan p value 0,087 berarti p value < 0,25, sehingga variabel ras dapt lanjut ke multivariat. Dari output dapat diketahui juga nilai OR dummy, terlihat ada dua nilai OR yaitu OR untuk race(1) 2,328 artinya ras kuliat hitam akan berisiko bayinya bblr sebesar 2,3 kali lebih tinggi dibandingkan ras kulit putih. OR untuk race(2) besarnya 1,89 artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1,89 kali lebi tinggi dibandingkan ras kulit putih.

3. hipertensi
Om nibus Tes ts of Mode l Coe fficients Step 1 Step Bloc k Model Chi-s quare 4.022 4.022 4.022 df 1 1 1 Sig. .045 .045 .045

Variables in the Equation 95.0% C.I.f or EXP(B) Low er Upper 1.021 11.088

Step a 1

ht Cons tant

B 1.214 -.877

S.E. .608 .165

Wald 3.979 28.249

df 1 1

Sig. .046 .000

Ex p(B) 3.365 .416

a. Variable(s ) entered on step 1: ht.

Hasil uji didapatkan p value = 0,045 (p value < 0,25) berarti masuk dalam multivariat

4. Kelainan uterus
Om nibus Tes ts of Mode l Coe fficients Step 1 Step Bloc k Model Chi-s quare 5.076 5.076 5.076 df 1 1 1 Sig. .024 .024 .024

Variables in the Equation 95.0% C.I.f or EXP(B) Low er Upper 1.139 5.834

Step a 1

ui Cons tant

B .947 -.947

S.E. .417 .176

Wald 5.162 29.072

df 1 1

Sig. .023 .000

Ex p(B) 2.578 .388

a. Variable(s ) entered on step 1: ui.

Hasil p value 0,024 (p value < 0,25), maka variabel kelainan uterus dapat lanjut ke multivariat

5. ANC
Om nibus Tes ts of Mode l Coe fficients Step 1 Step Bloc k Model Chi-s quare .773 .773 .773 df 1 1 1 Sig. .379 .379 .379

Variables in the Equation 95.0% C.I.f or EXP(B) Low er Upper .643 1.188

Step a 1

f tv Cons tant

B -.135 -.687

S.E. .157 .195

Wald .744 12.427

df 1 1

Sig. .389 .000

Ex p(B) .874 .503

a. Variable(s ) entered on step 1: f tv.

Hasil uji p value = 0,379 (p value > 0,25) sehingga secara statistik tidak dapat lanjut ke multivariat, namun karena secara substansi variabel periksa hamil sangat penting, maka variabel ini dapat dianalisis multivariat.

6. merokok
Om nibus Tes ts of Mode l Coe fficients Step 1 Step Bloc k Model Chi-s quare 4.867 4.867 4.867 df 1 1 1 Sig. .027 .027 .027

Variables in the Equation 95.0% C.I.f or EXP(B) Low er Upper 1.081 3.783

Step a 1

smoke Cons tant

B .704 -1.087

S.E. .320 .215

Wald 4.852 25.627

df 1 1

Sig. .028 .000

Ex p(B) 2.022 .337

a. Variable(s) entered on step 1: smoke.

Hasil analisis bivariat didapatkan p value = 0,027 ( < 0,25) dengan demikian variabel merokok dapat masuk ke multivariat.

7. prematur
Om nibus Tes ts of Mode l Coe fficients Step 1 Step Bloc k Model Chi-s quare 6.779 6.779 6.779 df 1 1 1 Sig. .009 .009 .009

Variables in the Equation 95.0% C.I.f or EXP(B) Low er Upper 1.197 4.151

Step a 1

ptl Cons tant

B .802 -.964

S.E. .317 .175

Wald 6.391 30.370

df 1 1

Sig. .011 .000

Ex p(B) 2.230 .381

a. Variable(s ) entered on step 1: ptl.

Hasil analisis didapatkan p value sebesar 0,009 berarti < 0,25 sehingga variabel riwayat adanya prematur dapat masuk ke multivariat

Hasil seleksi bivariat


Setelah masing-masing variabel independen dilakukan analisis bivariat, hasilnya:
Variabel Umur Ras Hipertensi Kelainan uterus Periksa hamil Merokok Prematur P value 0,097 0,082 0,045 0,024 0,379 0,027 0,009

Hasil seleksi bivariat semua variabel menghasilkan p value < 0,25, hanya periksa hamil yang p valuenya > 0,25. namun variabel periksa hamil tetap dianalisis multivariat oleh karena secara substansi periksa hamil merupakan variabel yang sangat penting berhubungan dengan kejadian bblr.

Pemodelan Multivariat
V ariab les in the Equ atio n 95.0% C.I.f or EXP(B) Low er Upper .894 1.031 1.025 1.185 1.219 .964 1.132 .909 .736 7.345 6.280 5.639 3.654 13.451 5.468 1.384 B -.041 1.009 1.003 .964 .630 1.361 .802 .009 -1.183 S.E. .036 .502 .426 .391 .340 .631 .458 .161 .919 Wald 1.249 6.783 4.034 5.560 6.090 3.429 4.648 3.066 .003 1.659 df 1 2 1 1 1 1 1 1 1 1 Sig. .264 .034 .045 .018 .014 .064 .031 .080 .954 .198 Ex p(B) .960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 .306

Step a 1

age rac e rac e(1) rac e(2) smoke ptl ht ui f tv Cons tant

a. V ariable(s) entered on step 1: age, race, smoke, ptl, ht, ui, f tv.

Dari hasil analisis terlihat ada 4 variabel yang p valuenya > 0,05 yaitu age, ptl, ui dan ftv, yang terbesar adalah ftv, sehingga pemodelan selanjutnya variabel ftv dikeluarkan dari model.

Model tanpa FTV


Variables in the Equation 95.0% C.I.f or EXP(B) Low er Upper .896 1.030 1.025 1.184 1.219 .963 1.134 .908 7.347 6.262 5.632 3.651 13.341 5.454 Step a 1 age rac e rac e(1) rac e(2) smoke ptl ht ui Cons tant B -.040 1.009 1.002 .963 .629 1.358 .800 -1.184 S.E. .036 .503 .425 .390 .340 .629 .457 .919 Wald 1.275 6.781 4.035 5.562 6.086 3.423 4.663 3.063 1.661 df 1 2 1 1 1 1 1 1 1 Sig. .259 .034 .045 .018 .014 .064 .031 .080 .197 Ex p(B) .960 2.744 2.723 2.620 1.875 3.889 2.226 .306

a. Variable(s ) entered on step 1: age, race, s moke, ptl, ht, ui.

Setelah ftv keluar, kita lihat perubahan OR untuk masing-masing variabel

Perubahan nilai OR
Variabel OR ftv ada OR ftv tak ada perubahan OR

Age Race(1) Race(2) Smoke Ptl Ht ui ftv

0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009

0.960 2.744 2.723 2.620 1.875 3.889 2.226

0% 0% 0% 0% 0,1 % 0.3 % 0,1 %

Ternyata setelah ftv keluar, perubahan OR untuk semua variabel yg Tersisa tidak ada yang > 10 %. Dengan demikian ftv dikeluarkan dari Model. Selanjutnya variabel umur dicoba dikeluarkan dari model

Model tanpa umur


V ariables in the Equation 95.0% C.I.f or EXP(B) Low er Upper 1.113 1.271 1.263 .925 1.131 .970 7.916 6.538 5.747 3.422 13.537 5.692

B Step a 1 rac e rac e(1) rac e(2) smoke ptl ht ui Cons tant 1.088 1.059 .991 .576 1.364 .855 -2.146

S.E. .501 .418 .387 .334 .633 .451 .386

Wald 7.968 4.723 6.422 6.569 2.975 4.640 3.585 30.917

df 2 1 1 1 1 1 1 1

Sig. .019 .030 .011 .010 .085 .031 .058 .000

Ex p(B) 2.968 2.883 2.694 1.779 3.912 2.350 .117

a. V ariable(s ) entered on step 1: rac e, smoke, ptl, ht, ui.

Setelah umur dikeluarkan kita lihat perubahan nilai OR untuk variabel Yang tersisa

Perubahan nilai OR
Variabel Age Race(1) Race(2) Smoke Ptl Ht ui ftv OR age ada 0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 OR age tak ada 2.968 2.883 2.694 1.779 3.912 2.350 perubahan OR 8,2 % 5,7 % 2,7 % 5,2 % 0.3 % 5,4 %

Setelah umur keluar, perubahan nilai OR nya tidak ada yang > 10%, berarti Variabel umur dikeluarkan dari model Selanjutnya variabel variabel prematur dicoba dikeluarkan

Model tanpa prematur


V ariables in the Equation 95.0% C.I.f or EXP(B) Low er Upper 1.090 1.315 1.419 1.133 1.158 7.704 6.640 6.286 13.379 6.458 B Step a 1 rac e rac e(1) rac e(2) smoke ht ui Cons tant 1.064 1.083 1.094 1.359 1.006 -2.092 S.E. .499 .413 .380 .630 .438 .380 Wald 8.245 4.545 6.877 8.299 4.660 5.262 30.307 df 2 1 1 1 1 1 1 Sig. .016 .033 .009 .004 .031 .022 .000 Ex p(B) 2.897 2.955 2.986 3.894 2.734 .123

a. V ariable(s) entered on step 1: rac e, s moke, ht, ui.

Variabel
Age Race(1) Race(2) Smoke Ptl Ht ui ftv

OR ptl ada
0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009

OR ptl tak ada


2.897 2.955 2.986 3.894 2.734 -

perubahan OR
5,6 % 8,3 % 13,8 % 0.2 % 22,6 %

Ada perubahan OR > 10 %, jadi prematur dimasukkan kembali dlm model

Model prematur masuk lagi


Variables in the Equation 95.0% C.I.f or EXP(B) Low er Upper 1.113 1.271 1.263 .925 1.131 .970 7.916 6.538 5.747 3.422 13.537 5.692

B Step a 1 rac e rac e(1) rac e(2) smoke ptl ht ui Cons tant 1.088 1.059 .991 .576 1.364 .855 -2.146

S.E. .501 .418 .387 .334 .633 .451 .386

Wald 7.968 4.723 6.422 6.569 2.975 4.640 3.585 30.917

df 2 1 1 1 1 1 1 1

Sig. .019 .030 .011 .010 .085 .031 .058 .000

Ex p(B) 2.968 2.883 2.694 1.779 3.912 2.350 .117

a. Variable(s ) entered on step 1: rac e, smoke, ptl, ht, ui.

Model setelah variabel prematur dimasukkan kembali. Variabel ui p=0,058, dengan demikian variabel ui dicoba dikeluarkan dari model

Model tanpa uterus


Variables in the Equation 95.0% C.I.for EXP(B) Low er Upper 1.086 1.321 1.280 .988 1.062 7.712 6.626 5.726 11.640 3.793

B Step a 1 race race(1) race(2) smoke ht ptl Constant 1.062 1.085 .996 1.221 .696 -2.025

S.E. .500 .411 .382 .629 .325 .372

Wald 8.286 4.513 6.949 6.794 3.764 4.596 29.586

df 2 1 1 1 1 1 1

Sig. .016 .034 .008 .009 .052 .032 .000

Exp(B) 2.894 2.958 2.707 3.390 2.007 .132

a. Variable(s) entered on step 1: race, smoke, ht, ptl.

Perubahan OR tanpa Uterus


Variabel Age Race(1) Race(2) Smoke Ptl Ht ui ftv OR ui ada 0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 OR ui tak ada 2.894 2.958 2.707 2.007 3.390 perubahan OR 5,5 % 8,4 % 3,2 % 6,9 % 13.1 % -

Uterus merubah OR > 10%, dengan demikian variabel uterus dimasukkan Kembali dalam model

Dengan demikian pemodelan selesai

Model Akhir
Variables in the Equation 95.0% C.I.for EXP(B) Low er Upper 1.113 1.271 1.263 .925 1.131 .970 7.916 6.538 5.747 3.422 13.537 5.692

B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.088 1.059 .991 .576 1.364 .855 -2.146

S.E. .501 .418 .387 .334 .633 .451 .386

Wald 7.968 4.723 6.422 6.569 2.975 4.640 3.585 30.917

df 2 1 1 1 1 1 1 1

Sig. .019 .030 .011 .010 .085 .031 .058 .000

Exp(B) 2.968 2.883 2.694 1.779 3.912 2.350 .117

a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.

Interpretasi Model Akhir


Interpretasi:
Model persamaan regresi logistik hanya dapat digunakan pada disain penelitian Kohor dan Eksperimen.

Sedangkan pd disain penelitian cross sectional atau case control, interpretasi hanya sebatas nilai OR (Exp B).
Nilai OR pada multivariat sudah terkontrol (adjusted) oleh variabel lain yang ada pada model.

Interpretasi
Interpretasi model:
Variabel yang berhubungan bermakna dengan kejadian BBLR adalah variabel ras, merokok dan hipertensi. Sedangkan variabel riwayat prematur dan kelainan uterus sebagai variabel konfounding. Hasil analisis didapatkan Odds Ratio 3,9, artinya Ibu yang menderita hipertensi akan melahirkan bayi BBLR sebesar 3,9 kali lebih tinggi dibandingkan ibu yang tidak menderita hipertensi setelah dikontrol variabel ras, merokok, prematur dan uterus.

..idem interpretasi untuk variabel yang lain.

Uji interaksi
Block 2: Method = Enter
Omnibus Tests of Model Coefficients Step 1 Step Block Mode l Chisquare .000 .000 df 1 1 Sig. .994 .994

26.560

.000

V ariables in the Equation 95.0% C.I.f or EXP(B) Low er Upper 1.109 1.268 1.236 .921 .765 .970 .082 7.946 6.555 5.865 3.438 19.852 5.693 12.491

B Step a 1 rac e rac e(1) rac e(2) smoke ptl ht ui ht by s moke Cons tant 1.088 1.059 .990 .576 1.360 .854 .010 -2.146

S.E. .502 .419 .397 .336 .831 .451 1.283 .386

Wald 7.900 4.692 6.387 6.211 2.937 2.680 3.584 .000 30.875

df 2 1 1 1 1 1 1 1 1

Sig. .019 .030 .011 .013 .087 .102 .058 .994 .000

Ex p(B) 2.969 2.883 2.692 1.779 3.896 2.350 1.010 .117

a. V ariable(s ) entered on step 1: ht * smoke .

Uji interaksi didapatkan p value pada blok2 bagian step = 0,994, p value >0,05 berarti tidak ada interaksi.

Interpretasi Model Akhir


Variables in the Equation 95.0% C.I.for EXP(B) Low er Upper 1.113 1.271 1.263 .925 1.131 .970 7.916 6.538 5.747 3.422 13.537 5.692 B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.088 1.059 .991 .576 1.364 .855 -2.146 S.E. .501 .418 .387 .334 .633 .451 .386 Wald 7.968 4.723 6.422 6.569 2.975 4.640 3.585 30.917 df 2 1 1 1 1 1 1 1 Sig. .019 .030 .011 .010 .085 .031 .058 .000 Exp(B) 2.968 2.883 2.694 1.779 3.912 2.350 .117

a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.

Perhatikan var UI, nilai Exp(B) atau OR 2,3 tetapi nilai sig 0,058. Secara substansi 2,3 bermakna tetapi secara statistik tidak sig, mengapa? Karena jumlah responden yang mengalami UI sangat sedikit, hanya . Orang Multivariat membutuhkan jumlah sampel yang lebih besar dibanding bivariat

Selamat Berlatih.

51

Contoh Aplikasi: Regresi Logistik Faktor Risiko


52

Regresi logistik model Faktor Risiko Rokok BBLR


1, Regresi Logistik Model Prediksi Model yg terdiri beberapa variabel independen yg dianggap terbaik untuk memprediksi kejadian variabel dependen

Smoke (0,1)
Age (.yrs) Lwt (..pounds) Race (1,2,3) Ptl (times) Ht (0,1) Ui (0,1) Ftv (times)

BBLR (low)

Mis judul penelitian: Risiko perokok untuk melahirkan bayi BBLR di Kab X tahun 2006