MENDIAGNOSIS REGRESI

DELFANI GEMELY
P1800216004
KESEHATAN DAN KESELAMATAN KERJA
Pendahuluan..
Diagnosis= identifikasi mengenai
sesuatu
Regresi = instrument digunakan
untuk mengukur ada atau tidaknya
korelasi antarvariabel
Analisis Regresi = dalamstatistika
adalah salah satu metode untuk
menentukan hubungan sebab-
akibat antara satuvariabeldengan
variabel(-variabel) yang lain.
A. Pendekatan Awal
Diagnosis Regresi:
pengaruh
Pendekatan Awal yang perlu
dikitahui:
Langkah mendeteksi masalah & memeriksa
analisis data

Langkah 1
Menemukan
Menyarankan Harus kesalahan
daftar data dikombinasikan rekaman data,
lima nilai dengan kesalahan
terbesar dan pengetahuan format dan
lima nilai dari jenis masukan (input)
terkecil untuk subject, computer, dan
setiap peubah procedure nilai ekstrem
pengumpulan yang merupakan
Sangat kuat data, satuan indikasi yang
memeriksa data pengukuran, dan baik untuk
rentang nilai mengetahui
yang wajar data yang masih
berada dalam
rentang nilai
yang diharapkan
Untuk menemukan mslh data individu
pengamatan < 50
Langkah ke II..
Menghitung
Pilihan statistic bergantung pada skala
pengukuran (nominal, ordinal, interval, atau
rasio); dan banyak alternative yang tersedia
dan dihitung secara terpisah untuk klmpk
penting & sample yg membantu
B. Analisis Sisaan
 1. Beberapa sifat sisaan:

Example:
Lanjutan..
{ei} menyatakan ukuran jarak antara nilai
teramati dan nilai ramalan yang masih ada
setelah menggunakan model kuadrat terkecil
Setiap ei juga menyatakan taksiran kesalahan i
yang tidak teramati
sifat-sifat yang tidak menyimpang dari asumsi-
asumsi yang ditetapkan
Strategi dasar sesuai procedure statitik pada
umumnya disebut sebagai analisis sisaan untuk
memeriksa kesesuaian model berdasarkan
perilaku dari himpunan sisaan yang teramati
 2. Analisis Grafis Sisaan..

Cara yang paling langsung untuk memeriksa

himpunan sisaan adalah membuat sebarisan
diagram sisaan

penyajian dua-dimensi
penyajian satu-dimensi Jenis kedua
Jenis pertama hanya memperhatikan
melihat sifat-sifat dan hubungan antara
hubungan dari sisaan sisaan dan peubah-
yang teramati diantara peubah lain (seperti
mereka sendiri peubah terikat dan
peubah bebas)
1. Diagram satu dimensi
Tiga jenis penyajian satu dimensi
dari sisaan yang sangat berguna:
(1) histogram, khususnya versi
batang dan daun sisaan Student
(steam and leaf),
(2) diagram stematik, dan
(3) diagram peluang normal.
Lanjutan..
Gambar 2. Histogram frekuensi &
diagraim batang dan daun sisaan
Student
 Gambar 3. Diagram skematik sisaan Student (n=17)
 Gambar 4. Diagram normal sisaan Student
2. Diagram 2 Dimensi
Untuk regresi ganda dinyatakan oleh:

Kriteria yg lbh kuantitatif u/ memeriksa

kesahihan asumsi normal, dpt
didasarkan ata penggunaan prosedur
pengujian statistik.
Ex: Uji Chi kuadrat, uji komolgrof-
Smirnov,
C. Menangani Pencilan
Pencilan dlm data dapat menunjukkan keadaan
khusus yg memerlukan penyelidikan lebih lanjut
(misalnya, kehadiran pengaruh interaksi yg tdk
diantisipasi).
Tujuan Pencilan yaitu Mengidentifikasi
pengamatan yg penting dlm mempengaruhi
pemilihan peubah dlm model atau kecermatan
taksiran dari koefisien regresi & kesalahan baku
yg baku.
1. Defenisi Pencilan
Pencilan ad/ pengamatan yg aneh
atau tdk umum terjadi pd salah satu
dari nilai ekstrem rentang data.
Semua pengamatan thdp regresi &
termasuk pencilan pd khususnya,
dapat dinilai untuk:
Kewajaran yg diberikan o/
pengetahuan ttg peubah
Keekstreman peubah terikat, dan
Keekstreman peubah bebas
Lanjutan..
Jika suatu pengamatan sdh
diidentifikasi sbg pencilan, harus
diperiksa kewajarannya (plausibility).
Ex: Temperatur badan sbg peubah
terkait
Bilangan 38,1 ad/ wajar jika satuan
pengukurannya derajat Celcius &
subjeknya manusia.
Jika satuan pengukurannya derajat
Farenheit 38,1 ad/ nilai yg tdk wajar
2. Mendeteksi Pencilan
3macam statistik dlm mendiagnosis
regresi u/ menilai pencilan:

Sisaan Student

Pengungkit

Jarak Cook
(sebuah ukuran
pengaruh)
Apakah sisaan tersebut secara
signifikan berbeda dari nol (yakni
mempunyai nilai ekstrem bukan krn
kebetulan)?
D. KEKOLINEARAN
Bagian analisis regresi yg dpt berupa masalah
numerik yg mengakibatkan ketidakcermatan
tafsiran dari:
1. Koefisien regresi
2. Variansi
3. Nilai p
Kekolinearan menyangkut hubungan diantara
peubah-peubah bebas, sedangkan
penskalaan menyangkut satuan & cara
pengukur peubah.
1. Kekolinearan dgn 2 peubah
bebas
Example:

Menggambar X2 dgn X1 memberikan gambaran

sederhana spt pd gambar:

Gambar.Pasangan Nilai peubah yg kolinear

sempurna
Lanjutan..
Jelas bahwa semua titik (X ,X ) tepat pd garis i1 i2

lurus X =3+2X Hal ini menunjukkan bahwa X

2 i, . i

& X betul-betul kolinear.

2

Diperoleh jg r2(X + X )=1 secara langsung

i 2

menunjukkan kekolinearan sempurna

Isu kekolinearan melibatkan hanya peubah
bebas & tidak bergantung pd hubungan
antara peubah terikat dgn peubah bebas
Jika r2(X + X ) menurun, masalah kekolinearan
i 2

antara X & X menjadi berkurang, & situasi

i 2

ideal terjadi jika tidak X & X berkolerasi i 2

2. Konsep Kekolinearan
Salah satu cara untuk memeriksa
kekolinearan adalah memperhatikan
apa yang terjadi jika setiap peubah
bebas menjadi peubah terikat dalam
sebuah model regresi ganda,
diamana semua peubah bebas,
terdapat k model.
Example:
Empat model dapat dibuat sebagai berikut:

Untuk memeriksa kekolinearan, nilai terkait R 2 ganda

berdasarkan pd 4 model diperlukan, katakanlah R 1
(X X , X , X , X ), R2(X X , X , X ), R2(X X , X , X ), dan R4(X X ,
i i 2 3 4 2 i 3 4 3 i 2 4 2 i

X, X)
2 3

Jika ada diantara nilai2 R 2 ganda ini sama dgn 1, kana dikatakan
ada kekolinearan sempurna di antara himpunan peubah bebas.
Kekolinearan digunakan u/ mengindikasi bahwa satu dr peubah
bebas ad/ tepat sbg kombinasi linear dari yg lain.
Kekolinearan sempurna berarti X adalah fungsi garis lurus dari X
i 2
3. Sebuah contoh dekat kekolinearan
Data (Kleinbaum dkk., 1988) tentang
berat, tinggi, dan umur anak lelaki
akan digunakan untuk
mengilustrasikan penggunaan
4
diagnosis
Tinggi
kekolinearan.
(Tinggi ) Umur (Umur) Berat 2

Tinggi 1000 0,999 0,774 0,776 0.790

(Tinggi) 2 1000 0,777 0,770 0,794
Umur 1000 0,998 0,699
(Umur) 2 1000 0,704
Lanjutan..
Karena dua korelasi antara peubah
bebas lebih besar dari 0,99 yg
mengharuskan waspada thdp adanya
mslh.
Korelasi tinggi ini muncul karena
(Umur) 2 hampir kolinear sempurna
dgn Umur (r=0,998) & (Tinggi )2
hakikatnya kolinear dgn Tinggi
(r=0,999).
Umumnya setiap korelasi antara dua
peubah bebas yg lebih besar dr 0,9
Lanjutan..
Tabel Analisis eigen matriks hasil kali
silang untuk model berat tanpa
pemusatan
5 (n=126)
Nilai Indeks Peng. Proporsi Variansi
Peuba Eigen Kondi tinggi (tinggi) Umur (Umur)
h si 2 2

1 4,969 1,0 0,00 0,00 0,00 0,00 0,00

2 0,025 14,1 0,00 0,00 0,00 0,00 0,00
3 0,006 29,2 0,00 0,00 0,00 0,00 0,00
4 0,0000 490,2 0,27 0,00 0,00 0,84 0,83
2
5 0,0000 1028,0 0,73 1,00 1,00 0,16 0,17
Menunjukkan
05 adanya masalah
kekolinearan yg serius yg dpt dilihat
Lanjutan..
1.Belsley et al.(1980), setiap indeks kondisi (IK) yg
lbh besar atau sama dgn 30 mengisyaratkan adanya
kekolinearan moderat sampai kekolinearan serius.
Ex; 2 indeks kondisi, IK4=490,2 dan IK5=1028,0 yg
sgt besa melebihi 30.
Kedua nilai eigen terkecil (0,000005) berkaitan dgn
proporsi variansi maksimum (yakni beban atau load)
untuk Tinggi dan (Tinggi) 2
Fakta bahwa penggalan (Peng.) membebani
(loading) Tinggi pd komponen masalah (yakni satu
dgn nilai eigen yg dekat nol) akan menunjukkan pd
penganalisis data yg berpengalaman bahwa
pemusatan dpt mengurangi masalah.
Lanjutan..
Untuk memeriksa kegunaan pemusatan untuk
contoh ini, peubah bebas ditransformasikan dlm
cara berikut:

Karena rerata tinggi (untuk n=126) adalah 1,557

meter & rerata umur 13,67 thn, peubah2 Tinggi*
& umur* menjd terpusat.
Dengan demikian, definisi parameter sdh
berubah, mengarahkan pd uji & interpretasi yg
berbeda.
next, regresi yg sama dihitung ulang dgn
menggunakan peubah hasil transformasi
Lanjutan
Tabel korelasi peubah bebas (6) dan diagnosis
kekolinearan untuk matriks hasil kali silang (7)
menunjukkan peningkatan yg radikal.
Maksimum korelasi antara peubah bebas dlm tabel
(4) turun dari 0,999 ke 0,774 dlm tabel (6).
Maksimum indeks kondisi skrg 3,7 dlm table (7)
dibandingkan dgn nilai 1208,0

6 Tinggi (Tinggi ) Umur (Umur) 2 Berat

2

Tinggi 1,000 -0,067 0,774 0,221 0,790

(Tinggi) 2 1000 0,032 0,327 0,053
Umur 1,000 0,430 0,699
(Umur) 2 1000 0,396
4. Kekolinearan yg dpt dihindari
Idealnyaseseorang dpt menghindari
masalah kokolinearan yg mengganggu
dgn mengeluarkan satu atau lebih
peubah dari peubah2.
Ex: penghasilan kepala RT, pendidikan,
pengalaman kerja, dan umur dalam
tahun
E. Masalah Penskalaan
Jika sebuah peubah bebas Ex: BB org dewasa
mempunyai rentang nilai dgn gram bisa
yang lebar menjadi mslh

Saat mencatat
Jika rerata dari sebuah suhu badan
peubah besar dengan manusia dalam
variabilitas kecil, masalah Kelvin (derajat
perhitungan bisa terjadi Celcius dikurangi
273

Masalah penskalaan dpt dihindari dgn

memeriksa data dgn benar & menskala
ulang sblm melakukan analisis refgresi
F. Masalah Kekolinearan &
Penskalaan
Penanganan masalah
Numerik... LANGKAH 1
Memeriksa data secukupnya sebelum mengupayakan pemodelan
regresi
Prosedur permeriksaan ini dpt mendeteksi bxk mslh penskalaan &
menyarankan pemecahan,
Untuk peubah malar, rentang numerik dari peubah2 bebas seharusnya
semirip mungkin
LANGKAH II
Menggunakan diagnosis regresi & diagnosis kekoklinearan (misalnya,
nilai eigen & indeks kondisi).
Metode ini memungkinkan u/ mendeteksi masalah numerik namun tdk
secara otomatis mengindikasi pemecahan yg baik

LANGKAH III
Berupaya mengeluarkan peubah-peubah yg tumpang tindih
(redundant).
Merumuskan cara seleksi peubah
Analisis komponen utama pada proses mengurangi peubah
G. Strategi Analisis Alternatif
Mendaftar beberapa metode analisis
alternatif
Secara singkat menjelaskan
perampatan kepada regresi linear yg
mungkin cukup dlm beberapa aplikasi
Analisis kuadrat kecil berbobot
Secara singkat menjelaskan
transformasi data yg memungkinkan
penggunaan regresi linear
1. Pendekatan Alternatif
Jika model regresi tdk sesuai data &
tdk dpt dibuat sesuai perampatan
sederhana dr regresi linear (seperti
kuadrat terkecil berbobot)
Jika peubah terikat tdk dpt dimodel
sbg fungsi linear dr parameter, maka
metode analisis tdk ada untuk fungsi
nonlinear.
Jika masalah menyangkut sebaran yg
tdk normal, metode analisis peringkat
atau metode analisis data kategori
Maka Metode Analisis Peringkat bisa
digunakan ..
2. Penempatan Regresi Linear
Metode eksak mempunyai prosedur penaksiran &
pengujian hipotesis dgn sifat2 yg diketahui u/
sampel terhingga, sementara metode pendekatan
hanya mempunyai hasil-hasil asimptotik, krn itu
hrs digunakan dgn hati2 dlm jumlah kecil
Perampatan meliputi regresi pd komponen utama,
regresi permukaan (ridge), dan regresi tegar
(robust).
Perampatan eksak meliputi teknik peubah banyak
& kuadrat terkecil berbobot eksak (yakni bobot
diketahui tanpa kesalahan.
Regresi pd komponen utama &
regresi
Dalam analisis komponen utama, peubah bebas
semula digantikan oleh himpunan peubah yg
saling tdk berkorelasi, yakni skor komponen utama
Komponen yg berkaitan dgn nilai eigen sekitar nol
dikeluarkan dari analisis, jd menghilangkan
masalah kekolinearan
Kedua metode ini tsb menghasilkan taksiran
parameter regresi yg bias dlm model yg
diasumsikan.
Sebagai tambahan, nilai p untuk uji statistik
mungkin secara optimal kecil jika menggunakan
metode taksiran bias
Regrasi Tegar
Meliputi pembobotan & tranformasi
data u/ meminumkan pengaruh data
ekstrem
Bertujuan untuk membuat analisis
lebih tegar (yakni kurang sensitif) thdp
setiap data khusus & jg kurang sensitif
thdp asumsi dasar dr analisis regresi
Metode peubah banyak
Meliputi regresi ganda, analisis variansi
peubah banyak, analisis diskriminan, korelasi
kanonik & analisis kurva pertumbuhan
Dlm semua prosedur ini dpt diperhitungkan
ketidakbebasan antara data, ketdkbebasan
seperti itu secara displisit dimodel.
Jenis peubah bebas & peubah terikat yg
digunakan dlm metode ini berbeda, spt apa
hipotesis yg teruji & bagaimana
ketdkbebasan dimodel
3. Analisis Kuadrat terkecil Berbobot
Merupakan sebuah modifikasi dari
prosedur analisis regresi baku &
digunakan jika sebuah model regresi
akan dicocokkan pd suatu himpunan
data bilamana asumsi2 dr
kehomogenan variansi atau
kebebasan tidak terpenuhi
Dapat menggunakan pendekatan
kuadrat terkecil berbobot untuk
menangani keheterogenan variansi
4. Transformasi
Alasan untuk menggunakan
transformasi data:
Menstabilkan variansi
peubah bebas jika asumsi Melinierkan model regresi
kehomogenan variansi jika data semula
dilanggar menyarankan model yang
tdk linier, baik dlm
koefisien regresi maupun
dlm peubah semula
(terikat ato bebas)

Menormalkan (yakni
transformasi ke sebaran
normal) peubah terikat jika
asumsi normal dgn jelas
dilanggar
Bentuk-bentuk Transformasi
Transformasi Logaritma (Y*=Log Y).
Andaikan Y hanya mempunyai nilai positif,
tranformasi log menstabilkan variansi Y jika
itu meningkat tajam dgn peningkatan Y, u/
menormalkan peubah terikat jika sebaran
sisaan untuk Y miring positif, & melinearkan
model regresi
jika hubungan Y thdp bbrp peubah bebas
menyarankan sebuah model dengan
koefisien regresi yg meningkat secara
konsisten.
Transformasi akar kuadrat (Y* =
y)
Menstabilkan variansi jika itu
proporsional thdp rerata Y.
Transformasi ini khususnya sesuai jika
peubah terikat mempunyai sebaran
Poisson
Transformasi kebalikan (Y* = 1/Y)
menstabilkan variansi jika proporsional
thdp pangkat empat dari rerata Y, yg
mengindikasikan bahwa terdpt peningkatan
besar dlm variansi diatas suatu nilai
permulaan (batas) Y
Transformasi ini meminimumkan pengaruh
nilai besar Y, krn nilai2 besar ini membuat
nilai transformasi Y* akan dekat ke nol, dan
peningkatan besar dlm Y akan
menyebabkan hanya penurunan kecil dlm
Y*
Transformasi Kuadrat (Y* = Y2)
Menstabilkan variasi jika itu menurun
sejalan dgn menurunnya rerata Y, u/
menormalkan peubah terikat jika
sebaran dari sisaan miring negatif, &
melinearkan model jika hubungan
semula dgn suatu peubah bebas ad/
kurvalinear yg menurun (yakni
koefisien regresi secara konsisten
menurun sejalan dgn meningkatnya
peubah bebas.
Transformasi arcsin (Y* = arcsin Y
=sin-1 Y)
Menstabilkan variansi jika Y suatu
proporsi, pertumbuhan, atau
kecepatan
H. YANG PERLU DIPERHATIKAN

Semua teknik dlm materi ini memeriksa

kesahihan asumsi & taksiran u/ analisis
regresi.
Pembahasan analisis pencilan & penurunan
kekolinieran keduanya menyarankan
penghapusan data ato peubah bebas u/
meningkatkan mutu model
Semua teknik mengakibatkan penaksiran
rendah (underestimation) dari variabilitas &
memberikan nilai p yg secara optimistik kecil.
Potensi kerugian berkaitan dgn peningkatan
kesesuaian model spt itu ad/ hasil yg bias
Metode ini paling aman digunakan dgn sampel
yg besar & sgt tdk andal dgn sampel kecil
Namun ada potensi pengaruh dari sebuah data
yg terbesar dlm sampel kecil, sebuah
argumentasi yg kuat menentang penggunaan
sample kecil dlm analisis regresi
CONFOUNDING INTERAKSI
DELFANI GEMELY
P1800216004
KESEHATAN DAN KESELAMATAN KERJA
 Pengertian..
Bahasa latin cunfundere (to mix together)
CONFOUNDING = KERANCUAN = KEPALSUAN
TAKSIRAN

Distorsidlm menaksir pengaruh paparan thdp

penyakit akibat tercampurnya pengaruh sebuah
atau beberapa variabel luar
Suatu kondisi bias dlm mengestimasi efek
paparan thdp kejadian penyakit/masalah
kesehatan, akibat perbandingan yg tdk seimbang
antara kelompok exposed & non exposed
KONSEP DASAR

2. Tercampurnya pengaruh sebuah atau

beberapa variabel luar karena dimensi
yang menyusun memiliki kemiripan
3. Extranous variabel (variabel luar)
yang dapat mempengaruhi RISK
FACTOR (exposure) dan OUTCOME
FACTOR (disease) secara bersama-
sama dalam proses timbulnya
penyakit, sehingga menyebabkan bias
terhadap kesimpulan hasil studi.
Confounder (Perancu)

Exposure (E) Outcome (D)

Third Variabel
(F)/Fakttor
perancu
CONTOH
TEORI Status Gizi (kurang) adalah
faktor risiko terjadinya BBLR

ANEMIA (E)
BBLR (D)

Asosiasi Asosiasi
STATUS GIZI (C)

Bukan faktor risiko langsung

Karakteristik Confounder
Berhubungan dgn paparan/faktor
risiko yg diteliti
Berhubungan dgn penyakit/outcome
Bukan merupakan konsekuensi dr
paparan (tidak terletak diantara
E&D/variabel antara
Mengontrol
Confounding/Perancu
Menghindari confounding..

Mengontrol
dengan desain
(by desaign)
1. Restriksi
(membuang,
dengan
kriteria inklusi Dengan analisis
atau ekslusi ststistik (by
2. Matching statistical
(Mencocokkan analysis)
,
menyamakan)
3. Randomisasi
(Pengacakan)
1. Restriksi/Spesifikasi
Tentukan nilai variabel perancu
potensial --> ekslusikan semua calon
subjek dengan nilai berbeda
Keuntungan (Mudah & Terfokus)
Kerugian (Membatasi generalisasi,
Besarnya sampel sulit dipenuhi)
 2. Matching
Pemasangan (matching) antara
kasus & kontrol dpt dilakukan
Dilakukan pd beberapa variable yg
berpotensi sbg confounder, dgn
tujuan mengurangi risiko
confounding
Matching Matching frekuensi

Misal: Jika terdapat 23 wanita

Misal: untuk setiap kasus, dlm klpk kasus dgn usia sekitar
dipilih kontrol dgn usia & jenis 31-35 thn, maka dipilih jumlah
kelamin yg sama pria yg sama sbg klpk kontrol
kisaran usia yg sama
3.
Randomisasi/Pengacakan
Cara amat efektif untuk
menghilangkan pengaruh
confounding
Confounding terbagi seimbang
antar klpk penelitian
Berlaku jg bila confounding tdk
diketahui sblm penelitian
dilakukan
Syarat: randomisasi dilakukan
dgn benar, jumlah subjek cukup
Keuntungan & kerugian
Randomisasi
Keuntungan:
Menghasilkan grup serupa, termasuk bagi
variabel2 yg tdk diantisipasi, didefinisikan
ataupun diukur
Bila setelah randomisasi terjadi pajanan variable
lain, asalkan probabilitas untuk kedua grup sama,
maka tidak banyak berpengaruh
Kerugian:
Apabila jumlah didlm setiap grup relatif kecil,
setiap grup dpt masih bervariasi akibat
probabilitas/kemungkinan
Keuntungan hanya apabila analisis bersifat
manajemen intention to treat, bukan explanatory
 Mengontrol confounding dgn analisis
statistik
Statifikasi
Analisis Multivariat
1. stratifikasi
Dipakai luas untuk mengontrol
perancu
Berdasarkan faktor yg dicurigai
perancu
Interaksi/modifikasi efek
(Asosiasi antara prediktor &
keluaran bervariasi pd berbagai
tingkat faktor ketiga, Effect
modifier tdk perlu disingkirkan
seperti perancu, namun
Keuntungan & kerugian
Stratifikasi
Keuntungan : mudah dimengerti,
fleksibel->sejumlah analisis berstrata
->mana perancu mana yg bukan,
Reversible ->setelah pengumpulan data
Kerugian: jumlah variabel yg dpt
dikontrol secara stimulan terbatas
(terlalu bxk strata: ada klpk tanpa
kasus/kontrol), Strata terlalu luas tidak
dapat mengontrol semua perancu (tidak
menjamin). Ex; kebiasaan yg berubah
seiring pertambahan usia
2. Metode Multivariat
Model matematika yg
menggambarkan asosiasi
antarvariabel untuk mengisolasi
efek prediktor thdp keluaran
Dlm penelitian klinis, yg sering
dipakai adalah regresi multipel &
regresi logistik
Dapat diketahui asosiasi antara
variabel dgn menyingkirkan
varibel lain (dibuat sama/tetap)
Analisis Mulivariat

Variabel bebas 1

Variabel
Variabel bebas 2 tergantung

Variabel bebas 3

Variabel tergantung 1

Variabel tergantung 2
Variabel bebas

Variabel tergantung 3
 Keuntungan & kerugian
Multivariat
Keuntungan: mampu mengatur pengaruh
banyak perancu secara stimulan, penggunaan
informasi dlm variable kontinu (tdk perlu dibagi
kolom), fleksibel & reversible
Kerugian:
Interpretasinya sering sulit
Sulit digeneralisasi (tdk natural)
Hasil sangat dipengaruhi pemilihan variabel
Model tidak sesuai: kontrol perancu
kurang(Model perancu-keluaran tdk tepat)
Estimasi efek inakurat (model prediktor-
keluaran tdk tepat
KESIMPULAN..
CONFOUNDING merupakan
Distorsi taksiran akibat
tercampurnya pengaruh faktor
luar