Multivariat analisis

(Teori & Aplikasi

Konfounding-Interaksi)

 Besral
 Fakultas Kesehatan Masyarakat
Universitas Indonesia 1
 besral@yahoo.com , besral@ui.ac.id Hal-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
Var Dependen
Independen Kategorik Numerik
2.t-test-paired
(sebelum-sesudah)
1.Chi-square/
2.t-test-independen
Kategorik Regresi logistik
(jika 2 kategori)
sederhana
3.Anova (jika >2 kategori)

4.Korelasi /
Numerik t-test (jika 2 kategori) Regresi Linier
Anova (>2 kategori) sederhana 2
 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 satu-
bapak. 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 4
Contoh
Suatu penelitian bertujuan untuk
mengetahui hubungan Intervensi Fe,
status gizi, dan sosial ekonomi
dengan kejadian BBLR
Intervensi Fe

St.Gizi Ibu BBLR

Sosek

5
 Hasil Uji Bivariat
Normal BBLR
n % n % OR p-value
Status Gizi
Baik 40 67 20 33
Kurang 19 32 41 68 4,30 0,000
Sosek
Tinggi 40 69 18 31
Rendah 19 31 43 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 6
 Hasil Uji Bivariat
Normal BBLR
n % n % OR p-value
Intervensi Fe
Ya 23 38.0 37 62.0
Tidak 36 60.0 24 40.0 0,41 0,014

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 B S.E. Wald df Sig. Exp(B)

Tdk.Intervensi.Fe 1.91 0.72 7.09 1 0.008 6.7
Gizi.kurang 2.38 0.64 13.82 1 0.000 10.7
Sosek.rendah 2.09 0.51 17.02 1 0.000 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 BBLR
Bivariat vs Uji Multivariat
Sosek
Normal BBLR Bivariat Multivariat
Intervensi Fe n % n % OR Sig OR Sig
Ya 23 38.0 37 62.0
Tidak 36 60.0 24 40.0 0,41 0.014 6.7 0.000
St.Gizi
Baik 40 67 20 33
Kurang 19 32 41 68 4,30 0.000 10.7 0.000
Sosek
Tinggi 40 69 18 31
Rendah 19 31 43 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. Berhubungan dengan paparan/faktor resiko yang diteliti

(causally atau non-causally associated)
2. Berhubungan dengan penyakit/outcome (causally
associated)
3. 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 1 1.3 1.7 2
Null
value
CF controlled CF controlled

CF not controlled CF not controlled

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

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. Analisis Stratifikasi
2. 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. C merupakan faktor risiko D
2. C memiliki asosiasi dengan E
3. C bukan variabel antara

E D

16
Contoh Confounding

Intervensi Fe BBLR

St.Gizi Ibu

17
 Contoh confoundingIntervensi Fe BBLR

Hubungan Intervensi Fe dg BBLR

Intervensi Fe Normal BBLR Total

Ya 24 36 60
Tidak 36 24 60
OR = (24 x 24) / (36 x 36) = 0,44
Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step
a Tdk.Intervensi.Fe -.811 .373 4.735 1 .030 .444
1 Constant .405 .264 2.367 1 .124 1.500
a. Variable(s) entered on s tep 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: Kelompok gizi baik

Tidak mendapat BBLR- BBLR + Jumlah
Fe + 6 2 8
intervensi Fe Fe - 34 18 52
berisiko Jumlah 40 20 60
terjadinya
OR = (18*6)/(34*2) = 1,58
BBLR,
Kelompok gizi kurang
BBLR- BBLR + Jumlah
baik pd Fe + 18 34 8
Fe - 2 6 52
kelompok gizi Jumlah 20 40 60
baik maupun
pd gizi kurang. OR = (6*18)/(2*34) = 1,58

19
 Contoh confounding BBLR

St.Gizi ibu
Hubungan status gizi dengan BBLR
BBLR+ BBLR- Jumlah
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

B S.E. Wald df Sig. Exp(B)

Step
a
Gizi 1.386 .387 12.812 1 .000 4.000
1 Cons tant -.693 .274 6.406 1 .011 .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
BBLR

Gizi kurang Gizi baik Jumlah St.Gizi Ibu

Fe + 8 52 60
Fe - 52 8 60
Jumlah 60 60 120
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.
Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step
a
Tdk.Intervensi.Fe .463 .613 .569 1 .450 1.588
1 Gi zi.kurang 1.735 .613 8.006 1 .005 5.667
Constant -1.099 .609 3.253 1 .071 .333
a. Variabl e(s) entered on s tep 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
dalam hubungan Status gizi dengan BBLR ?

Apakah anemia merupakan konfounding?

 Bisa ya, bisa tidak, silakan lakukan 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 BBLR

St.Gizi Ibu 26
 Hasil analisis:
St.Gizi bukan efek modifier,
tdk berinteraksi dg intervensi Fe
1. Hubungan Fe dg BBLR menurut status Gizi:
Simpulan: Kelompok gizi baik
BBLR- BBLR + Jumlah
St.Gizi bukan Fe + 6 2 8
variabel interaksi Fe - 34 18 52
Jumlah 40 20 60
karena Risiko Fe -
terhadap kejadian OR = (18*6)/(34*2) = 1,58
BBLR adalah sama
Kelompok gizi kurang
(tidak berbeda)
BBLR- BBLR + Jumlah
baik pada kelompok Fe + 18 34 8
gizi baik maupun pd Fe - 2 6 52
gizi kurang Jumlah 20 40 60
(OR sama sama
1,58) 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:

B S.E. Wald df Sig. Exp(B)

Gizi.kurang 1.735 0.867 4.003 1 0.045 5.67
Tdk.Intervensi.Fe 0.463 0.867 0.285 1 0.594 1.59
Gizi by Intervensi.Fe 0.000 1.226 0.000 1 1.000 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
B S.E. Wald df Sig. Exp(B)
Tdk.Intervensi.Fe -0.811 0.373 4.735 1 0.030 0.44
Constant 0.405 0.264 2.367 1 0.124 1.50
Variable(s) entered on step 1: Tdk.Intervensi.Fe.

B S.E. Wald df Sig. Exp(B)

Tdk.Intervensi.Fe 0.463 0.613 0.569 1 0.450 1.59
Gizi.kurang 1.735 0.613 8.006 1 0.005 5.67
Constant -1.099 0.609 3.253 1 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 BBLR

Interaksi St.Gizi dg Sosek Sosek

1. Hubungan St. Gizi dg BBLR menurut Sosek:

Simpulan: Kelompok Sosek Tinggi:

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

Lakukan uji
Tidak
Ada Interaksi? konfounding

Tidak
Laporkan OR
YA Ada Confounding?
crude

Laporkan OR
masing-masing YA
strata
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
dan dilaporkan.
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 Pembuatan Model
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 BBLR
n % n % OR p-value
Status Gizi
Baik 40 66.7 20 33.3
Kurang 20 33.3 40 66.7 4,00 0,000
Sosek
Tinggi 41 68.3 17 28.3
Rendah 19 31.7 43 71.7 5,46 0,000
Intervensi Fe
Ya 24 40.0 36 60.0
Tidak 36 60.0 24 40.0 0,44 0,022
Tugas:
Tulis interpretasinya masing-masing
variabel, apa arti OR crude?

39
 Multivariat (Adjusted) tanpa Interaksi
B S.E. Wald df Sig. Exp(B)
Gizi.kurang 2.38 0.64 13.83 1 0.000 10.79
Sosek.rendah 2.28 0.52 19.16 1 0.000 9.80
Tdk.Intervensi.Fe 2.10 0.73 8.34 1 0.004 8.18
Constant -3.43 0.82 17.58 1 0.000 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 confounding exist?

40
Model Interaksi St.Gizi dg Sosek, setelah
dikontrol oleh intervensi Fe
B S.E. Wald df Sig. Exp(B)
Gizi.kurang 1.29 0.75 2.98 1 0.084 3.65
Sosek.rendah 1.25 0.63 3.95 1 0.047 3.49
Tdk.Intervensi.Fe 2.58 0.88 8.50 1 0.004 13.14
Gizi by Sosek 2.66 1.03 6.65 1 0.010 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

MEREPOTKAN

43
 Menghitung OR interaksi
1.Buat Model Interaksi antara St.Gizi&dg95% CIsbb:
Sosek, pd
STATA command (syntax)
1.Buat Model Interaksi antara St.Gizi dg Sosek (dalam hubungannya dg BBLR)
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 -> ses rendah
lincom 1.gizi_kurang + 1.gizi_kurang#0.sosek_rendah -> ses tinggi
2b. lincom untuk menghitung OR Sosek pd Gizi kurang (pembanding sosek baik)
lincom 1.sosek_rendah + 1.sosek_rendah#1.gizi_kurang

2.Buat Model Interaksi antara Smoke dg Race (dalam hubungannya dg LOW birth weight)
xi:logistic low i.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
 Menghitung OR interaksi
2 kategori
Model-1 Model-2

St.Gizi BBLR Sosek BBLR

Sosek St.Gizi

Efek St.Gizi terhadap BBLR Efek Sosek terhadap BBLR

(setelah dikontrol Sosek) (setelah dikontrol St.Gizi)

Gunakan data “Konsep Multivariat.DTA” 45

 1.Buat Model Interaksi antara St.Gizi dg Sosek, sbb:
logistic bblr gizi_kurang##sosek_rendah
Logistic regression Number of obs = 120
LR chi2(3) = 32.61
Prob > chi2 = 0.0000
Log likelihood = -66.873051 Pseudo R2 = 0.1960

bblr Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]

1.gizi_kurang 1.05 0.64 0.08 0.933 0.32 3.44
1.sosek_rendah 1.70 0.96 0.94 0.346 0.56 5.11
gizi_kurang#sosek_rendah 7.78 6.74 2.37 0.018 1.42 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
Rendah (Sosek=1) harus dihitung ulang dg perintah lincom 46
 2. lincom untuk menghitung OR St.Gizi pada sosek rendah:

lincom 1.gizi_kurang + 1.gizi_kurang#1.sosek_rendah

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

bblr Odds Ratio Std. Err. z P>z [95% Conf. Interval]

(1) 8.19 5.07 3.39 0.001 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)

47
 1.Buat Model Interaksi antara Sosek dg St.Gizi, sbb:
logistic bblr gizi_kurang##sosek_rendah
Logistic regression Number of obs = 120
LR chi2(3) = 32.61
Prob > chi2 = 0.0000
Log likelihood = -66.873051 Pseudo R2 = 0.1960

bblr Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]

1.gizi_kurang 1.05 0.64 0.08 0.933 0.32 3.44
1.sosek_rendah 1.70 0.96 0.94 0.346 0.56 5.11
gizi_kurang#sosek_rendah 7.78 6.74 2.37 0.018 1.42 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,
pada Gizi_kurang (St.Gizi=1) harus dihitung ulang dg perintah lincom
48
2. lincom untuk menghitung OR Sosek pd Gizi kurang:

lincom 1.sosek_rendah + 1.sosek_rendah#1.gizi_kurang

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

bblr Odds Ratio Std. Err. z P>z [95% Conf. Interval]

(1) 13.22 8.71 3.92 0.000 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)

49
 Menghitung OR interaksi
lebih 2 kategori
Model-1 Model-2

Ras: 1. Putih, 2.Hitam,

Rokok BBLR 3.Lainnya BBLR

Rokok
Ras: 1. Putih, 2.Hitam,
3.Lainnya

Efek Rokok terhadap BBLR Efek Ras terhadap BBLR

(setelah dikontrol Ras) (setelah dikontrol Rokok)

Gunakan data “LBW.189.DTA” 50

 1.Buat Model Interaksi antara Smoke dg Race, sbb:
logistic low race##smoke
Logistic regression Number of obs = 189
LR chi2(5) = 17.85
Prob > chi2 = 0.0031
Log likelihood = -108.40889 Pseudo R2 = 0.0761

*OR smoke
pd ras
putih

2.Lincom utk OR smoke

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
51
3. OR smoke: a. pd ras putih = 5.75
b. pd ras hitam = 3.3
c. pd ras lain = 1.25

52
 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 *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

53
Nilai OR HASIL ANALISIS STATA

54
Nilai OR HASIL ANALISIS SPSS & MsExcel

55
56

Besral
Departemen Biostatistika dan Kependudukan
Fakultas Kesehatan Masyarakat
Universitas Indonesia
Telp: 0812.8257.5200
Email: besral@yahoo.com , besral@ui.ac.id
Hal-56