VARIABEL CONFOUNDING DAN INTERAKSI

DALAM ANALISIS REGRESI

• ALFIAH
• NUR RAHMAH
 CONFOUNDING
Bahasa latin cunfundere (to mix together)
CONFOUNDING = KERANCUAN = Kepalsuan Taksiran

• Condfounding merupakan suatu distorsi atau

variabel pengganggu yang mempengaruhi
paparan terhadap kejadian penyakit sebagai
akibat tercampurnya beberapa variabel luar.
 CONTOH
• Membandingkan hubungan aktivitas fisik
dengan tekanan darah sistolik
• Dengan metode mengendalikan variabel umur
sebagai perancu.

• Perlu mempertimbangkan kapan kita harus

mengabaikan variabel UMUR dalam proses
analisis dan beranggapan bahwa aktifitas fisik
dengan tekanan darah adalah variabel yang
memiliki hubungan (asosiasi).
 CONTOH

Aktivitas Fisik Tekanan Darah

(pajanan) Usia (penyakit)

Variabel Condfounder
 MODEL REGRESI

Jika Y sebagai SBP (TD), T sebagai PAL (Akt) dan C

sebagai Age.
Diketahui :
B1 = 15.9 (taksiran kasar)
B1|age = 4 (taksiran dikoreksi)

Jadi, Age dilabelkan sebagai confounder dan harus

dikontrol dalam analisis.

Kesimpulan
1 unit perubahan dari PAL hasilnya 16 unit berubah dari SBP ketika umur
diabaikan. Sedangkan ketika umur di kontrol, 1 unit perubahan PAL
hasilnya hanya 4,1 unit perubahan dalam SBP. Maka hubungan antara
PAL dan SBP sangat lemah setelah umur dikontrol.
Contoh:
B1 = 6.1 (Taksiran Kasar)
B1|age = 6.2 (Taksiran Koreksi)

Simpulan :
Tidak ada perbedaan makna antara 6.1 dan
6.2

Jadi variabel Age bukan confounder

Secara umum, counfounding ada jika hasil

interpretasinya berbeda makna dari suatu
hubungan ketika variabel pengganggu
diabaikan atau termasuk dalam analisis data.
VARIABEL INTERAKSI

Interaksi adalah suatu kondisi dimana hubungan yang diamati

berbeda pada perbedaan nilai atau tingkatan variabel.
Pengamatan adanya interaksi tidak didasarkan taksiran kasar
atau taksiran yang dikoreksi, tetapi menitikberatkan hasil pada
perbedaan nilai atau tingkatan variabel.

Interaksi merupakan suatu situasi dimana dua atau

lebih faktor risiko saling memodifikasi (besar dan
atau arah) efeknya terhadap kejadian yang diteliti.
 INTERAKSI DALAM REGRESI

Akan menjelaskan :
1. Bagaimana 2 variabel independen dapat
berinteraksi untuk mempengaruhi
variabel dependen.
2. Bagaimana interaksi tersebut dapat
diwakili oleh model regresi yang sesuai.
Contoh :

Bagaimana 2 variabel independen yaitu suhu (T) dan

konsentrasi katalis (C) bersama-sama mempengaruhi
tingkat pertumbuhan (Y) organisme dalam sistem
biologis tertentu.
Lebih lanjut, anggaplah bahwa dua tingkat suhu tertentu
(To dan T1) dan dua tingkat konsentrasi katalis tertentu
(Co dan C1) harus diperiksa dan bahwa sebuah
eksperimen dilakukan dimana pengamatan atas Y
diperoleh untuk masing-masing dari empat kombinasi
temperatur tingkat konsentrasi katalis sebagai berikut:
(To, Co), (T0, C1), (T1, C0), dan (T1, C1).
 µY│T,C = B0 + B1T + B2C

tidak ada T x efek interaksi C

Tingkat perubahan dalam tingkat pertumbuhan sebagai fungsi temperatur adalah

sama terlepas dari tingkat konsentrasi katalis; di lain kata, hubungan antara Y dan T
tidak dengan cara apapun tergantung pada C.
 ada efek interaksi T x C.

Hubungan antara Y dan T tergantung pada C; khususnya, Y tampak meningkat

seiring dengan peningkatan T ketika C = Co tetapi menurun dengan meningkatnya T
ketika C = C1.
 C=C0

C=C1

Tidak ada interaksi identik dengan paralelisme.

Dalam arti bahwa kurva respon dari Y terhadap T untuk nilai tetap
dari C sejajar.
 MENGONTROL VARIABEL PENGGANGGU

Cara mengontrol variabel pengganggu adalah dengan memasukan

variabel kovariat dalam model regresi yang diperluas yaitu:
Jika ß1 dan ß2 signifikan dan ß3
tidak signifikan maka yang
mengandung X3 ditiadakan
modelnya
 CONTOH

n=6 data sebagai berikut (T,C,Y) : (1,0,4), (1,1,5), (1,2,6), (0,0,1),

(0,1,2) dan (0,2,3).

Y= 1+3T+ C dimana T dan C adalah prediktor. Sementara Y= 2+ 3T

ketika C itu tidak dimasukkan.

Variabel tertentu yang disebut variabel intervensi tidak merupakan

konfouder potensial. Variabel disebut sebagai variabel intervensi (C) jika T
menyebabkan C dan lalu C menyebabkan Y.
• Mengontrol variabel intervensi dapat
megurangi atau menghilangkan adanya
hubugan sebenarnya antara T dan Y.
• Ketika mengatasi kontrol kovariat, kemungkinan
keuntungan dalam presisi mesti diperhitungkan
dalam memperhitungkan kontrol confouding.
• Khususnya subset C mesti dianggap dalam
seluruh set karena C1 bisa menyediakan kontrol
keseimbangan confounding.
 Misal:

ß1|C1,C2..C5 = 4.0 ß1|C1,C2= 4.3 ß1= 16.0

• Karena 16.0 sangat berbeda dari 4.0, maka

confouding ada.
• Kemudian 4.0 tidak jauh berbeda maksdunya dari
4.3, itu juga dapat menyebabkan C3, C4, C5 tidak
butuh dikontrol, karena pada dasarnya perkiraan
yang sama diperoleh ketika kontrol pada C1 dan
hanya C2 seperti ketika menyesuaikan semua Ci.
 Walaupun berbeda konsep antara
variabel confounding & interaksi,
keduanya sama-sama memperhitungkan
efek dari variabel tambahan yang dapat
mempengaruhi hubungan antara dua
atau lebih variabel