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..
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:
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:
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
Saat mencatat
Jika rerata dari sebuah suhu badan
peubah besar dengan manusia dalam
variabilitas kecil, masalah Kelvin (derajat
perhitungan bisa terjadi Celcius dikurangi
273
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
Third Variabel
(F)/Fakttor
perancu
CONTOH
TEORI Status Gizi (kurang) adalah
faktor risiko terjadinya BBLR
ANEMIA (E)
BBLR (D)
Asosiasi Asosiasi
STATUS GIZI (C)
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
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