Anda di halaman 1dari 55

Multivariat analisis

(Konfounding & Interaksi)


BESRAL:
Departemen Biostatistika
FKM UI, 2013
1

Uji Statistik Bivariat


Univariat Deskripsi satu variabel (mean atau proporsi)
Uji Bivariat Deskripsi uji hubungan antara 2 variabel

Jenis uji sangat tergantung pada jenis data/variabel:


1.Uji Chi-square (uji beda proporsi) atau Reg. logistik sederhana
2.Uji-T dan 3.Uji-Anova (uji beda mean),
4.Uji korelasi atau Regresi linier sederhana

Independen

Kategorik

Numerik

Var Dependen
Kategorik
Numerik
2.t-test-paired
(sebelum-sesudah)
1.Chi-square/
2.t-test-independen
Regresi logistik
(jika 2 kategori)
sederhana
3.Anova (jika >2 kategori)

t-test (jika 2 kategori)


Anova (>2 kategori)

4.Korelasi /
Regresi Linier
sederhana

Uji Statistik Bivariat:

Uji statistik bivariat hanya akurat bila


subjek yang ingin dibandingkan adalah
homogen, yaitu pada studi eksperimen di
laboratorium, dimana variabel perancu
tidak ada lagi.

Misalnya: subjek adalah tikus satu-ibu satubapak. Subjek sudah homogen. Yang berbeda
hanyalah: satu kelompok dapat perlakuan
(intervensi), yang satu lagi tidak dapat
perlakukan (kontrol)
3

Uji Statistik Multivariat:

Pada penelitian survei di masyarakat, tidak


mungkin subjeknya homogen (umurnya sama,
pendidikan sama, pengetahuan sama, pekerjaan sama,
sosek sama, jumlah anak sama, status gizi sama,
penyakitnya sama), yang berbeda hanyalah

variabel yang ingin kita uji (misalnya ANEMIA


dan TIDAK Anemia), untuk mengetahui efeknya
terhadap BBLR.
Karena tidak homogen, maka kita harus
mengontrol (pada saat analisis data) semua
variabel yang berpengaruh melalui analisis
multivariat

Contoh
Suatu penelitian bertujuan untuk
mengetahui hubungan Intervensi Fe,
status gizi, dan sosial ekonomi
dengan kejadian BBLR
Intervensi Fe
St.Gizi Ibu

BBLR

Sosek

Hasil Uji Bivariat


Normal

Status Gizi
Baik
Kurang
Sosek
Tinggi
Rendah

BBLR

OR

p-value

40
19

67
32

20
41

33
68

4,30

0,000

40
19

69
31

18
43

31
69

5,00

0,000

Ibu dengan st.gizi kurang memiliki risiko 4 kali


lebih besar untuk melahirkan bayi BBLR
dibanding itu st.gizi baik
Ibu dengan sosek rendah memiliki risiko 5 kali
lebih besar untuk melahirkan bayi BBLR
dibanding itu sosek tinggi

Hasil Uji Bivariat


Intervensi Fe
Ya
Tidak

Normal
n
%

BBLR
n
%

OR

23
36

37
24

0,41 0,014

38.0
60.0

62.0
40.0

p-value

Hasil uji Bivariat, tidak logis dan tidak bisa dipercaya.???:


Intervensi pemberian Fe malah meningkatkan risiko BBLR.
Risiko BBLR pada ibu yang tidak mendapat intervensi Fe
0,4 kali lebih rendah dibandingkan dengan ibu yang
mendapat intervensi Fe (tdk masuk akal).
7

Intervensi Fe

Hasil Uji Multivariat St.Gizi Ibu

BBLR

Sosek
Variables in the Equation

Tdk.Intervensi.Fe
Gizi.kurang
Sosek.rendah

1.91
2.38
2.09

S.E.

0.72
0.64
0.51

Wald

7.09
13.82
17.02

df

Sig.

1
1
1

0.008
0.000
0.000

Exp(B)

6.7
10.7
8.1

Simpulan Hasil uji Multivariat:


Tidak intervensi Fe, Gizi kurang, dan Sosek rendah merupakan
faktor risiko BBLR. Risiko BBLR pada yang tidak mendapat Fe
sebesar 6,7 kali lebih tinggi, pada yang kurang gizi 10,7 kali lebih
tinggi, dan pada sosek rendah 8 kali lebih tinggi
(OR sudah dikontrol oleh variabel confounding)
8

Intervensi Fe

Perbandingan hasil uji


St.Gizi Ibu
Bivariat vs Uji Multivariat
Intervensi Fe
Ya
Tidak
St.Gizi
Baik
Kurang
Sosek
Tinggi
Rendah

Normal
n
%

BBLR

Sosek

BBLR
n
%

Bivariat
OR
Sig

Multivariat
OR
Sig

23 38.0
36 60.0

37
24

62.0
40.0

0,41

0.014

6.7 0.000

40
19

67
32

20
41

33
68

4,30

0.000

10.7 0.000

40
19

69
31

18
43

31
69

5,00

0.000

8.1 0.000

(OR pd multivariat sudah dikontrol oleh pengaruh confounding)


(Catatan: pada tahap ini uji interaksi belum dilakukan)
9

Apa yang dimaksud


dengan
Konfounding..???

10

CONFOUNDING
Dari bahasa latin cunfundere (to mix together)

Pengertian:

Suatu distorsi (gangguan) dalam menaksir pengaruh paparan


terhadap kejadian penyakit/outcome sebagai akibat tercampurnya
pengaruh sebuah atau beberapa variabel luar.

Suatu kondisi bias dalam mengestimasi efek paparan terhadap


kejadian penyakit/masalah kesehatan, akibat perbandingan yang
tidak seimbang antara kelompok exposed dan non exposed.

Suatu situasi ditemukannya hubungan non-causal antara


exposure/paparan dan outcome yang diteliti akibat adanya
pengaruh variabel ketiga (Moyses S. & F. Javier N., 2000)
Variabel luar (ketiga) = confounder

11

Karakteristik Confounder
Exposure

Disease

Confounder

1.

2.

3.

Berhubungan dengan paparan/faktor resiko yang diteliti


(causally atau non-causally associated)
Berhubungan dengan penyakit/outcome (causally
associated)
Bukan merupakan konsekuensi dari paparan (tidak terletak
diantara E & D / bukan variabel antara)
12

Arah Confounding
1. Positif Overestimate (risk value menjauhi Null value jika tidak dikontrol)
OR/RR
0.1

0.3

0.5

CF controlled
CF not controlled

1
Null
value

1.3

1.7

CF controlled
CF not controlled

Negatif Underestimate (risk value mendekati Null value jika tdk dikontrol)
kurang beresiko atau kurang proteksi
3. Cross over asosiasi berubah arah: negatif
positif (sebaliknya)
2.

13

Upaya Mengontrol Confounding


Pada tahap Design

1.

Restriksi (pada experimental & observational study)


membatasi obyek penelitian pada level confounder yang sama
(confounder tidak bervariasi) antara group E nE dan D nD
Kelemahan: efek modifikasi tidak dapat dievaluasi, generalizability?
2. Matching (pada experimental & observational study)
Type: a). Full matching, b). partial matching
Method: a). Frequency/marginal matching, b). Individual matching
Problem: Over matching

3. Randomisasi (hanya pada experimental study)


subyek penelitian ditempatkan secara random pada group2 yang
diperbandingkan (E & NE)

Pada tahap Analisa Data

1.
2.

Analisis Stratifikasi
Analisis Multivariat

14

Eksistensi Confounding

Confounding = bias estimasi efek pajanan


terhadap penyakit akibat perbandingan tidak
seimbang antara kelompok terpajan dengan
kelompok tidak terpajan
Terjadi akibat adanya perbedaan risiko
terjadinya penyakit pada kelompok terpajan
dengan kelompok tidak terpajan
Risiko terjadinya penyakit berbeda meskipun
pajanan dihilangkan pada kelompok terpajan

15

Syarat Confounding (C)


1.
2.

3.

C merupakan faktor risiko D


C memiliki asosiasi dengan E
C bukan variabel antara
E

16

Contoh Confounding

Intervensi Fe

BBLR

St.Gizi Ibu

17

Contoh confoundingIntervensi Fe

BBLR

Hubungan Intervensi Fe dg BBLR

Intervensi Fe
Normal
BBLR
Ya
24
36
Tidak
36
24
OR = (24 x 24) / (36 x 36) = 0,44

Total
60
60

Variables in the Equation


Step
a
1

Tdk.Intervensi.Fe
Constant

B
-.811
.405

S.E.
.373
.264

Wald
4.735
2.367

df
1
1

Sig.
.030
.124

Exp(B)
.444
1.500

a. Variable(s) entered on step 1: Tdk.Intervensi.Fe.

Hasil analisis: OR = 0,44


Intervensi Fe berisiko terjadinya BBLR. .Lho kok bisa?
Lesson learn:
Jangan percaya pada Analisis bivariat, karena masih kasar

18

Contoh confounding
Intervensi Fe dg BBLR (Dipisah menurut status Gizi)

Hasil analisis:
Tidak mendapat
intervensi Fe
berisiko
terjadinya
BBLR,
baik pd
kelompok gizi
baik maupun
pd gizi kurang.

Kelompok gizi baik


BBLRFe +
6
34
Fe Jumlah
40

BBLR +
2
18
20

Jumlah
8
52
60

BBLR +
34
6
40

Jumlah

OR = (18*6)/(34*2) = 1,58
Kelompok gizi kurang
BBLRFe +
18
Fe 2
Jumlah
20

8
52
60

OR = (6*18)/(2*34) = 1,58
19

Contoh confounding

BBLR

St.Gizi ibu
Hubungan status gizi dengan BBLR
BBLR+
BBLRJumlah
Gizi kurang
40
20
60
Gizi baik
20
40
60
Jumlah
60
60
120
OR = (40*40)/(20*20) = 4,00
Variables in the Equation
Step
a
1

Gizi
Constant

B
1.386
-.693

S.E.
.387
.274

Wald
12.812
6.406

df
1
1

Sig.
.000
.011

Exp(B)
4.000
.500

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

Hasil analisis: OR 4,0 Ibu dengan status gizi


kurang memiliki risiko 4 kali untuk melahirkan BBLR
20

Intervensi Fe

Contoh
confounding
Distibusi Fe menurut status gizi
Fe +
Fe Jumlah

Gizi kurang Gizi baik


8
52
52
8
60
60

Jumlah
60
60
120

BBLR

St.Gizi Ibu

Distribusi Fe tidak imbang pd st.gizi baik dan kurang,


menyebabkan hasil analisis St.Gizi berbeda antara crude
dengan adjusted, perbedaan ini disebut dengan efek
konfounding.
V ariables in the Equation
Step
a
1

Tdk.Interv ensi.Fe
Giz i.kurang
Cons tant

B
.463
1.735
-1.099

S.E.
.613
.613
.609

Wald
.569
8.006
3.253

df
1
1
1

Sig.
.450
.005
.071

Ex p(B)
1.588
5.667
.333

a. V ariable(s ) entered on step 1: Tdk.Intervensi.Fe, Gizi.kurang.

St.gizi merubah hubungan Fe dg BBLR


OR crude Fe=0.44 (sebelum dikontrol oleh St.Gizi) berubah menjadi OR
adjusted =1.58 (setelah dikontrol oleh St.Gizi)
21

Intervensi Fe

Contoh confounding

BBLR

St.Gizi Ibu

Pada contoh diatas, status gizi merupakan confounder


karena st.gizi merubah hubungan Intervensi Fe dg BBLR,
hal ini dapat terjadi karena:

St.gizi kurang merupakan faktor risiko BBLR


Distribusi Fe tidak seimbang pada ibu gizi kurang dan ibu gizi
baik, atau sebaliknya St.Gizi tidak imbang antara Fe + dengan
Fe -, Sehingga St. Gizi merubah hubungan Fe dengan BBLR

Identifikasi Konfounder:
Konfounder exist jika = Delta OR > 10%
| ORcrude ORadjusted |
Delta _ OR
*100%
ORadjusted

22

Intervensi Fe

Contoh confounding

BBLR

St.Gizi Ibu

Hasil analisis membuktikan bahwa status gizi


merupakan variabel confounding atau perancu,
dalam hubungan Intervensi Fe dengan BBLR

Apakah konfounding berlaku juga sebaliknya?


Dalam hubungan Status gizi dengan BBLR,
apakah anemia merupakan konfounding?
Bisa ya, bisa tidak, silakan di analisis
St.Gizi Ibu

BBLR

Intervensi Fe
23

Interaksi

24

INTERAKSI
Interaksi = Efek modifikasi = Efek modifier

Pengertian:

Keberagaman/heterogenitas/variasi efek dari suatu faktor


resiko terhadap kemunculan penyakit/outcome, pada level
yang berbeda dari faktor resiko lain

Suatu situasi dimana 2 atau lebih faktor resiko saling


memodifikasi (besar dan/atau arah) efek nya terhadap
kejadian/outcome yang diteliti (Moyses S. & F. Javier N.,
2000)

Efek modifikasi menunjukkan seberapa jauh efek faktor resiko


utama terhadap munculnya penyakit/outcome, dimodifikasi
25
oleh faktor resiko lain (modifier)

Apakah efek intervensi Fe berbeda


menurut St.Gizi?
Jika ya, maka Fe berinteraksi dengan
St.Gizi atau St. Gizi merupakan Efek
Modifier?

Identifikasi Interaksi:
1. Apakah antar strata (sig vs tdk, proteksi vs
faktor risiko, risiko rendah vs tinggi) efek
St.Gizi baik dibanding St.Gizi kurang?
2. Apakah interaksi Fe dg St.Gizi signifikan?
P-value < 0.05?
Ibu Anemia
St.Gizi Ibu

BBLR
26

Hasil analisis:
St.Gizi bukan efek modifier,
tdk berinteraksi dg intervensi Fe
1. Hubungan Fe dg BBLR menurut status Gizi:

Simpulan:
St.Gizi bukan
variabel interaksi
karena Risiko Fe terhadap kejadian
BBLR adalah sama
(tidak berbeda)
baik pada kelompok
gizi baik maupun pd
gizi kurang
(OR sama sama
1,58)

Kelompok gizi baik


BBLRFe +
6
34
Fe Jumlah
40

BBLR +
2
18
20

Jumlah
8
52
60

BBLR +
34
6
40

Jumlah

OR = (18*6)/(34*2) = 1,58
Kelompok gizi kurang
BBLRFe +
18
Fe 2
Jumlah
20

8
52
60

OR = (6*18)/(2*34) = 1,58
27

St.Gizi bukan efek modifier, tidak berinteraksi


dengan Intervensi Fe
2. Signifikansi variabel interaksi anemia dg st.Gizi > 0,05:

Gizi.kurang
Tdk.Intervensi.Fe
Gizi by Intervensi.Fe

B
1.735
0.463
0.000

S.E.
0.867
0.867
1.226

Wald
4.003
0.285
0.000

df
1
1
1

Sig.
0.045
0.594
1.000

Exp(B)
5.67
1.59
1.00

Constant
-1.099
0.816
1.810
1
0.178
0.33
Variable(s) entered on step 1: Gizi.kurang, Tdk.Intervensi.Fe, Gizi.kurang * Tdk.Intervensi.Fe .

Simpulan:

Anemia tidak berinteraksi dengan St.Gizi karena nilai-p


variabel interaksi >0.05 (Sig.=1.000)
Jika tidak ada interaksi, lakukan uji confounding
28

St.Gizi merupakan konfounding dalam hubungan


Intervensi Fe dengan kejadian BBLR
Tdk.Intervensi.Fe
Constant

B
S.E.
Wald
-0.811 0.373 4.735
0.405

0.264

df

2.367

Sig. Exp(B)
1 0.030
0.44
1

0.124

1.50

Variable(s) entered on step 1: Tdk.Intervensi.Fe.

Tdk.Intervensi.Fe
Gizi.kurang

B
0.463
1.735

S.E.
0.613
0.613

Wald
0.569
8.006

df
1
1

Constant

-1.099

0.609

3.253

Sig. Exp(B)
0.450 1.59
0.005 5.67
0.071

0.33

Variable(s) entered on step 1: Tdk.Intervensi.Fe, Gizi.kurang.

Simpulan:
OR Intervensi Fe berubah 10% atau lebih, dari 0.44 (OR Crude)
menjadi 1.59 (OR adjusted) setelah dikontrol oleh St.Gizi

29

St.Gizi

Interaksi St.Gizi dg Sosek

BBLR
Sosek

1. Hubungan St. Gizi dg BBLR menurut Sosek:

Simpulan:

Kelompok Sosek Tinggi:


BBLR - BBLR +
Total
Status Gizi
berinteraksi dengan Gizi Baik
27
11
38
Sosek (sosek
14
6
Gizi Kurang
20
memodifikasi efek
OR=(27*6/11*14) =1.05
dari St.Gizi dengan
BBLR) Risiko St.Gizi
Kelompok Sosek rendah:
kurang terhadap
kejadian BBLR
BBLR - BBLR +
Total
adalah berbeda
13
9
Gizi Baik
22
antara Sosek Tinggi
6
34
Gizi Kurang
40
(OR = 1,05) dg
OR=(13*34/9*6) = 8.18
Sosek Rendah (OR =
8,18)
30

Interaksi St.Gizi dg Sosek


St.Gizi

BBLR
Sosek

2. Signifikansi interaksi St. Gizi dg Sosek < 0,05:

B
S.E.
Wald
df
Sig.
Exp(B)
Gizi.kurang
0.051
0.605
0.007
1
0.933
1.05
Sosek.rendah
0.530
0.562
0.890
1
0.346
1.70
Gizi by Sosek
2.052
0.866
5.611
1
0.018
7.78
Constant
-0.898
0.358
6.302
1
0.012
0.41
Variable(s) entered on step 1: Gizi.kurang, Sosek.rendah, Gizi.kurang * Sosek.rendah .
Simpulan:
St.Gizi berinteraksi dengan Sosek, karena nilai-p (sig)
variabel interaksi <0.05 (sig=0.018)

31

Jika ada interaksi (efek modifier), maka


harus dilaporkan efek (nilai OR) yang
terpisah untuk masing-masing strata
Mulai
Ada Interaksi?

Tidak

Lakukan uji
konfounding
Tidak

YA
Laporkan OR
masing-masing
strata

Ada Confounding?

Laporkan OR
crude

YA
Laporkan OR
adjusted
32

Interaksi pada Regresi Logistik

Interaksi atau modifikasi efek (effect modifier)


adalah heterogenitas efek dari satu pajanan
pada tingkat pajanan lain

Modifikasi efek merupakan konsep yang penting


dalam tahpa analisis: apakah akan melaporkan
efek bersama (yang terkontrol confounder) atau
efek yang terpisah untuk masing-masing strata.

33

Interaksi pada Regresi Logistik

Pada analisis regresi logistik, jika kita


menemukan adanya interaksi antar variabel
pajanan dengan variabel lainnya, maka nilai
odds rasio harus dilaporkan secara terpisah
menurut strata dari variabel tersebut.

Nilai rasio odds yang tertera pada variabel


pajanan menjadi tidak berlaku dan nilai odds
rasio untuk masing-masing strata harus dihitung
secara manual.
34

Perhitungan OR interaksi
B
S.E.
Wald
df
Sig.
Exp(B)
Gizi.kurang
0.051
0.605
0.007
1
0.933
1.05
Sosek.rendah
0.530
0.562
0.890
1
0.346
1.70
Gizi by Sosek
2.052
0.866
5.611
1
0.018
7.78
Constant
-0.898
0.358
6.302
1
0.012
0.41
Variable(s) entered on step 1: Gizi.kurang, Sosek.rendah, Gizi.kurang * Sosek.rendah .

Logit (BBLR) = a + b1Gizi + b2Sosek+ b3Gizi*sosek

Maka OR untuk st.gizi adalah:


Pada sosek=0 (tinggi), OR = e(b1 + b3*0) = eb1
Pada sosek=1 (rendah), OR = e(b1 + b3*1) = eb1+b3

OR untuk st.gizi menurut sosek adalah:

e(0,051+2,052*sosek), sehingga:
Pada sosek=0 (tinggi), OR = e(0,051+2,052*0) = e(0,051)= 1,05
Pada sosek=1 (rendah), OR = e(0,051+2,052*1) = e(2,103)= 8,18
Pada sosek tinggi tidak ada pengaruh St.gizi pada BBLR,
Pada sosek rendag, st.gizi kurang berisiko 8 kali lebih besar utk BBLR

35

Perhitungan OR interaksi
B
S.E.
Wald
df
Sig.
Exp(B)
Gizi.kurang
0.051
0.605
0.007
1
0.933
1.05
Sosek.rendah
0.530
0.562
0.890
1
0.346
1.70
Gizi by Sosek
2.052
0.866
5.611
1
0.018
7.78
Constant
-0.898
0.358
6.302
1
0.012
0.41
Variable(s) entered on step 1: Gizi.kurang, Sosek.rendah, Gizi.kurang * Sosek.rendah .

Logit (BBLR) = a + b1Gizi + b2Sosek+ b3Gizi*sosek

Maka OR untuk Sosek adalah:


Pada gizi =0 (baik), OR = e(b2 + b3*0) = eb2
Pada gizi=1 (kurang), OR = e(b2 + b3*1) = eb2+b3

OR untuk Sosek menurut sosek adalah:

e(0,051+2,052*sosek), sehingga:
Pada gizi=0 (baik), OR = e(0,53+2,052*0) = e(0,53)= 1,7
Pada gizi=1 (kurang), OR = e(0,53+2,052*1) = e(2,103)= 13, 2
Pada gizi baik, Risiko sosek rendah untuk BBLR 1,7 kali,
Pada gizi kurang, Risiko sosek rendah untuk BBLR 13 kali

36

Pengujian Interaksi

Pengujian Interaksi Pada Regresi Logistik


Ganda

Interaksi harus diuji terlebih dahulu (pada MODEL


Faktor risiko)
Interaksi diuji terakhir (pada MODEL prediksi atau
determinan)
Adanya Interaksi antar 2 variabel independen
ditunjukan dengan nilai Sig. < 0.05
Jika ada interaksi, variabel interaksi harus masuk
dalam model dan laporkan OR menurut kelompok
(strata) dari var interaksi
37

Pengujian Confounding

Pengujian Confounding Pada Regresi


Logistik Ganda

Adanya Konfounder dideteksi dg melihat perubahan


nilai Exp(B) atau OR sebesar > 10%

Absolut ( OR Crude OR Adjusted ) * 100% >10% konfounder


OR Adjusted

Perubahan OR diidentifikasi dari:

Variabel independent utama saja (dan interaksinya, jika ada


interaksi) dalam pemodelan faktor resiko, atau
Semua variabel independen lain, dalam pemodelan prediksi

Jika ada confounder, maka variabel konfounder harus


masuk ke dalam model
38

Bivariat (Crude Analysis)


Normal

Status Gizi
Baik
Kurang
Sosek
Tinggi
Rendah
Intervensi Fe
Ya
Tidak

BBLR

OR

p-value

40
20

66.7
33.3

20
40

33.3
66.7

4,00

0,000

41
19

68.3
31.7

17
43

28.3
71.7

5,46

0,000

24
36

40.0
60.0

36
24

60.0
40.0

0,44

0,022

Tugas:
Tulis interpretasinya masing-masing
variabel, apa arti OR crude?
39

Multivariat (Adjusted) tanpa Interaksi


Gizi.kurang
Sosek.rendah
Tdk.Intervensi.Fe
Constant

B
2.38
2.28
2.10
-3.43

S.E.
0.64
0.52
0.73
0.82

Wald
13.83
19.16
8.34
17.58

df
1
1
1
1

Sig.
0.000
0.000
0.004
0.000

Exp(B)
10.79
9.80
8.18
0.03

Variable(s) entered on step 1: Gizi.kurang, Sosek.rendah, Tdk.Intervensi.Fe.

Tugas:
1.Tulis interpretasi masing-masing variabel
2.Bandingkan OR crude dg adjusted
3.Apakah ada konfounding?
40

Model Interaksi St.Gizi dg Sosek, setelah


dikontrol oleh intervensi Fe
Gizi.kurang
Sosek.rendah
Tdk.Intervensi.Fe

Gizi by Sosek

B
1.29
1.25
2.58
2.66

S.E.
0.75
0.63
0.88
1.03

Wald
2.98
3.95
8.50
6.65

df
1
1
1
1

Sig.
0.084
0.047
0.004
0.010

Exp(B)
3.65
3.49
13.14
14.36

TUGAS:
1. Apakah ada interaksi?
2. Hitung OR masing-masing strata
3. Tulis interpretasi hasil ..
41

Menghitung OR interaksi
dg STATA

42

Menghitung OR interaksi & 95% CI pd


SPSS dilakukan secara manual

43

Menghitung
OR interaksi
CIsbb:
pd
1.Buat Model Interaksi
antara St.Gizi&dg95%
Sosek,
STATA command (syntax)
1.Buat Model Interaksi antara St.Gizi dg Sosek
logistic bblr gizi_kurang##sosek_rendah
2a. lincom untuk menghitung OR St.Gizi pada sosek rendah (pembanding gizi baik)
lincom 1.gizi_kurang + 1.gizi_kurang#1.sosek_rendah
2b. lincom untuk menghitung OR Sosek pd Gizi kurang (pembanding sosek baik)
lincom 1.sosek_rendah + 1.sosek_rendah#1.gizi_kurang
1.Buat Model Interaksi antara Smoke dg Race
logistic low race##smoke
2a.Lincom utk OR smoke (pembanding tdk merokok)
Lincome 1.smoke + 1.smoke#1.race *OR smoke pd ras putih
Lincome 1.smoke + 1.smoke#2.race *OR smoke pd ras hitam
Lincome 1.smoke + 1.smoke#3.race *OR smoke pd ras lain
2b.Lincom utk OR race (pembanding ras putih)
Lincome 2.race + 2.race#0.smoke *OR ras hitam pd non-smoker
Lincome 3.race + 3.race#0.smoke *OR ras lainnya pd non-smoker
Lincome 2.race + 2.race#1.smoke *OR ras hitam pd smoker
Lincome 3.race + 3.race#1.smoke *OR ras lainnya pd smoker
44

1.Buat Model Interaksi antara St.Gizi dg Sosek, sbb:


logistic

bblr gizi_kurang##sosek_rendah

Logistic regression

Number of obs
LR chi2(3)
Prob > chi2
Pseudo R2

Log likelihood = -66.873051

bblr

1.gizi_kurang
1.sosek_rendah
gizi_kurang#sosek_rendah

Odds Ratio Std. Err.

1.05
1.70

0.64
0.96

0.08
0.94

7.78

6.74

2.37

P>|z|

=
=
=
=

120
32.61
0.0000
0.1960

[95% Conf. Interval]

0.933 0.32
0.346 0.56
0.018 1.42

3.44
5.11
42.49

OR INTERAKSI:
1. OR St.Gizi (St.gizi=1 dibanding St.gizi=0) untuk terjadinya BBLR,
pada Sosek Tinggi (Sosek=0) adalah 1.05 (sesuai output)
2. OR St.Gizi (St.gizi=1 dibanding St.gizi=0) untuk BBLR, pada Sosek
45
Rendah (Sosek=1) harus dihitung ulang dg perintah lincom

2. lincom untuk menghitung OR St.Gizi pada sosek rendah:


lincom 1.gizi_kurang + 1.gizi_kurang#1.sosek_rendah
( 1)

bblr

(1)

[bblr]1.gizi_kurang + [bblr]1.gizi_kurang#1.sosek_rendah = 0

Odds Ratio Std. Err. z

8.19

5.07

P>z

3.39 0.001

[95% Conf. Interval]

2.43

27.58

OR INTERAKSI:
1. OR St.Gizi (St.gizi=1 dibanding St.gizi=0) untuk BBLR,
pada Sosek Tinggi (Sosek=0) adalah 1.05 (output sebelumnya)
2. OR St.Gizi (St.gizi=1 dibanding St.gizi=0) untuk BBLR,
pada Sosek Rendah (Sosek=1) adalah = 8.19 (CI: 2.43 27.58)
46

1.Buat Model Interaksi antara Sosek dg St.Gizi, sbb:


logistic

bblr gizi_kurang##sosek_rendah

Logistic regression

Number of obs
LR chi2(3)
Prob > chi2
Pseudo R2

Log likelihood = -66.873051

bblr
1.gizi_kurang

Odds Ratio Std. Err.

1.sosek_rendah

1.05
1.70

0.64
0.96

0.08
0.94

gizi_kurang#sosek_rendah

7.78

6.74

2.37

P>|z|

=
=
=
=

120
32.61
0.0000
0.1960

[95% Conf. Interval]

0.933 0.32
0.346 0.56
0.018 1.42

3.44
5.11
42.49

OR INTERAKSI:
1. OR Sosek (Sosek rendah=1 dibanding sosek tinggi=0) untuk BBLR,
pada Gizi_baik (St.Gizi=0) adalah 1.70 (sesuai output)
2. OR Sosek (Sosek rendah=1 dibanding sosek tinggi=0) untuk BBLR,
47
pada Gizi_kurang (St.Gizi=1) harus dihitung ulang dg perintah lincom

2. lincom untuk menghitung OR Sosek pd Gizi kurang:


lincom 1.sosek_rendah + 1.sosek_rendah#1.gizi_kurang
( 1)

bblr

(1)

[bblr]1.sosek_rendah + [bblr]1.gizi_kurang#1.sosek_rendah = 0

Odds Ratio Std. Err. z

13.22

8.71

P>z

3.92

0.000

[95% Conf. Interval]

3.63

48.10

OR INTERAKSI:
1. OR Sosek (Sosek rendah=1 dibanding sosek tinggi=0) untuk BBLR,
pada Gizi_baik (St.Gizi=0) adalah 1.70 (output sebelumnya)
2. OR Sosek (Sosek rendah=1 dibanding sosek tinggi=0) untuk BBLR,
pada Gizi_kurang (St.Gizi=1) adalah = 13.22 (CI: 3.63 48.10)
48

Menghitung OR interaksi
lebih 2 kategori
Model-1

Rokok

Model-2

BBLR

Ras: 1. Putih, 2.Hitam,


3.Lainnya

Risiko perokok untuk BBLR

Ras: 1. Putih, 2.Hitam,


3.Lainnya

BBLR

Rokok

Efek Ras untuk BBLR

49

1.Buat Model Interaksi antara Smoke dg Race, sbb:


logistic low race##smoke
Logistic regression

Log likelihood = -108.40889

Number of obs
LR chi2(5)
Prob > chi2
Pseudo R2

=
=
=
=

189
17.85
0.0031
0.0761

*OR smoke
pd ras
putih

2.Lincom utk OR smoke


Lincome 1.smoke + 1.smoke#1.race
Lincome 1.smoke + 1.smoke#2.race
Lincome 1.smoke + 1.smoke#3.race

*OR smoke pd ras putih


*OR smoke pd ras hitam
*OR smoke pd ras lain
50

3. OR smoke: a. pd ras putih = 5.75


b. pd ras hitam = 3.3
c. pd ras lain = 1.25

51

1.Buat Model Interaksi antara Race dg Smoke, sbb:


logistic low race##smoke

2.Lincom utk OR race (pembanding ras putih)


Lincome 2.race + 2.race#0.smoke
Lincome 3.race + 3.race#0.smoke

*OR ras hitam pd non-smoker


*OR ras lainnya pd non-smoker

Lincome 2.race + 2.race#1.smoke


Lincome 3.race + 3.race#1.smoke

*OR ras hitam pd smoker


*OR ras lainnya pd smoker

52

Nilai OR HASIL ANALISIS STATA

53

Nilai OR HASIL ANALISIS SPSS & MsExcel

54

Terima Kasih.
Jika ada pertanyaan silakan
email ke:
besral@yahoo.com

Atau sms ke:

0858 8098 4413


55