Multivariat- Regresi

Logistik Ganda
Konfounding
 Konfounding adalah kondisi bias dalam mengestimasi
efek pajanan/eksposure terhadap kejadian
penyakit/masalah kesehatan.
 Satu variabel dikatakan konfounding jika variabel
tersebut merupakan faktor resiko terjadinya penyakit dan
memiliki hubungan dengan exposure (variabel
independen) tapi bukan merupakan hasil dari variabel
independen.
 Misal
Merokok Penyakit jantung

Umur
Mengontrol Konfounding
Pada tahap design
1.Restriksi (pada eksperimental dan observasional study) 
membatasi objek penelitian pada level konfonder yang sama
2.Matching (pada eksperimental san observasional study) 
disamakan
3.Randomisasi (eksperimental studi)  subyek penelitian ditempatkan
secara random pada grup-grup yang diperbandingkan.

Pada tahap analisis

1.Stratifikasi

2.Analisis multivariat
Interaksi = Efek modifikasi

 Interaksi atau efek modifikasi adalah

heterogenitas efek efek dari satu expose ke
expose yang lain.
 Suatu situasi dimana 2 atau lebih faktor
resiko saling memodifikasi (besar dan/ arah)
efeknya terhadap kejadian \/outcome yang
diteliti.
Perbedaan regresi linier dan logistik

 Perbedaan antara regresi linear dengan

regresi logistik terletak pada jenis variabel
dependennya.
 Regresi linear digunakan apabila variabel
dependennya numerik ,
 sedangkan regresi logistik digunakan pada
data yang dependennya berbentuk katagorik
yang dikotom.
Contoh data PJK
 Pengamatan dilakukan pada 100 orang sampel,
didapatkan hasil :
Scatter plot --- regresi linier
Data dikelompokkan
Fungsi Regresi Logistik
Persamaan garis regresi logistik
Contoh Kasus
Risiko PJK
Perbandingan Risiko PJK
Cros sectional : OR
REGRESI LOGISTIK GANDA

 Regresi Logistik:
Model matematis untuk menganalisis hubungan
antara satu atau beberapa variabel independent
yang berjenis katagorik atau numerik dengan satu
variabel dependent yang berjenis katagorik
dichotom (sehat/sakit, hidup/mati)
 Regresi Logistik:
- Sederhana  hanya satu variabel independen
- Ganda/multiple  lebih dari satu variabel
independen
REGRESI LOGISTIK

 Persamaan Regresi Logistik:

1 1
P(Y )   (log itY )

1  Exp 1  Exp  ( a  b1 x1 ..... bk xk )

OR  Exp (b )
 Exponensial (b )
e (b )

P = Probabilitas OR = Odds Ratio

FUNGSI REGRESI LOGISTIK GANDA

Fungsi Regresi logistik ganda:

1. Menetapkan model matematik yang paling baik utk
menggambarkan hubungan var. indep dan var dep.
2. Menggambarkan hubungan kuantitatif antara var. indep (x)
dng var dep (y) setlah dikontrol var. lain
3. Mengetahui variabel x mana yang penting/dominan dlm
memprediksi var. dep
4. Mengetahui adanya interaksi pada dua/lebih var. independen
thd variabel dependen
Jenis Regresi logistik

1, Regresi Logistik Model Prediksi (model determinan)

Model yg terdiri beberapa variabel independen yg dianggap terbaik
untuk memprediksi kejadian variabel dependen

X1
y
X2
X3

Mis judul penelitian:

Faktor-faktor yang berhubungan dengan kejadian BBLR di Kab X tahun 2006
Jenis Regresi logistik
2. Regresi Logistik Model Faktor Risiko
Model dng tujuan mengetahui hubungan satu/beberapa variabel
independen dengan kejadian variabel dependen dengan
mengontrol beberapa variabel konfounding

x1 y

X2
X3
X4
Mis judul penelitian:
Analisis hubungan Berat Badan dengan Tekanan darah di Kab X th 2008
A. Model Prediksi
Langkah Pemodelan
1. Seleksi bivariat; variabel independen p value < 0,25 atau walaupun > 0,25
boleh masuk multivariat kalau secara substansi merupakan variabel yg
sangat penting

2. Melakukan pemodelan multivariat dengan metode Best Subset, yaitu

membuat semua kombinasi persamaan yang mungkin terjadi dari
sejumlah variabel independennya. Persamaan yang terbaik adalah
persamaan yang mempunyai kemampuan prediksi yang tinggi, tercermin
dari nilai Negelkerte R Square yang tertinggi atau Cp Mallow yang
terendah. Dalam SPSS Cp Mallow tidak tersedia faslitasnya shg hanya
digunakan Negelkerte R Square

1. Uji interaksi sesama variabel indpenden yg secara substansi diduga ada

interaksi
CONTOH Model prediksi
Suatu penelitian ingin mengetahui hubungan antara umur (tidak
beresiko, beresiko), pendidikan (SD, SMP, SMA), Hb, hipertensi
(tidak hipertensi, hipertensi), merokok (tdk merokok, merokok), dan
berat badan ibu saat hamil.

Umur
Pendidikan
Hb
Hipertensi BBLR
Merokok
BB ibu
Langkah Analisis Seleksi Bivariat

 Data yang digunakan adalah data BBLR

 Lakukan analisis bivariat uji kai kuadrat untuk
umur, hipertensi, pendidikan, merokok
terhadap BBLR
 Lakukan analisis bivariat uji untuk kadar Hb
dan berat badan ibu terhadap BBLR
1. Umur

Hasil uji didapatkan p value = 0,263 (p value < 0,25) berarti variabel
umur tidak masuk dalam multivariat
2. Pendidikan

Hasil analisis bivariat didapatkan p value = 0,012 (< 0,25) dengan

demikian variabel pendidikan dapat masuk ke multivariat.
3. Hb

Hasil uji p value = 0,006 (p value < 0,25) maka variabel Hb lanjut
ke dalam model multivariat
4. Hipertensi

Hasil uji didapatkan p value 0,000 berarti p value < 0,25, sehingga variabel
hipertensi dapat lanjut ke multivariat.
5. Merokok

Hasil uji didapatkan p value 0,005 berarti p value < 0,25, sehingga variabel
merokok dapat lanjut ke multivariat.
6. Berat Badan Ibu

Hasil uji didapatkan p value 0,047 berarti p value < 0,25, sehingga variabel
berat badan ibu dapat lanjut ke multivariat.
 Hasil seleksi bivariat
Setelah masing-masing variabel independen dilakukan analisis bivariat,
hasilnya:

Variabel P value
Umur 0,263
Pendidikan 0,012
Hb 0,006
Hipertensi 0,000
Merokok 0,005
Berat badan Ibu 0,047

Hasil seleksi bivariat terdapat 5 variabel yang menghasilkan p value < 0,25, hanya variabel
umur yang p valuenya > 0,25. sehingga variabel umur tidak masuk dalam analisis
multivariat.
Pemodelan Multivariat
 Selanjutnya dilakukan analisis multivariat dari
kelima variabel tersebut dengan kejadian
BBLR
 Langkah-langkahnya:
 Pilih ‘Analyze’  ‘Regression’  ‘Binary logistic’
 Muncul menu dialog yang berisi kotak dependen
dan covariat. Pada dependen masukan variabel
BBLR pada covariat masukan variabel
independen yaitu pendidikan, hipertensi, Hb,
rokok, berat badan ibu1
 Klik Option, pilih ‘CI for exp(B)’
 Klik ‘OK’
Pemodelan lengkap

 Dari hasil analisis ada ada 3 variabel yang p valuenya >

0,05 yaitu didik, hb, dan bbibbu1, yang terbesar adalah
hb yaitu 0,566 sehingga pemodelan berikutnya variabel
hb dikeluarkan
Pemodelan dengan hb dieliminasi

 Setelah hb dieliminasi tampak terjadi

perubahan pada nilai OR untuk variabel
didik, hipertensi, rokok dan bbibu1.
Perubahan nilai OR
Variabel OR hb ada OR hb tdk ada Perubahan OR
Didik 1,644 1,688 2,68%
Hipertensi 7,830 9,124 16,52%
Rokok 4,683 4,470 4,55%
BBibu1 0,900 0,895 0,77%

 Perbandingan OR sebleum dan sesudah hb

dieliminasi ternyata variabel hipertensi berubah
>10% dengan demikian variabel hb dimasukkan
kembali.
 Variabel yang dieliminasi selanjutnya adalah
variabel didik dengan p value 0,092 (lihat
pemodelan lengkap)
Pemodelan didik dieliminasi

 Setelah didik dieliminasi tampak terjadi

perubahan pada nilai OR untuk variabel hb,
hipertensi, rokok dan bbibu1.
Perubahan nilai OR
Variabel OR didik ada OR didik tdk ada Perubahan OR
Hb 0,871 0,821 5,74 %
Hipertensi 7,830 7,529 3,60 %
Rokok 4,683 5,467 16,74 %
BBibu1 0,900 0,897 0,33 %

 Setelah dilakukan perbandingan OR ternyata

variabel rokok berubah >10% dengan demikian
variabel didik dimasukkan kembali.
 Variabel yang dieliminasi selanjutnya adalah
variabel bbibu dengan p value 0,082 (lihat
pemodelan lengkap)
Pemodelan bbibu dieliminasi

 Setelah bbibu dieliminasi tampak terjadi

perubahan pada nilai OR untuk variabel
didik, hb, hipertensi, dan rokok.
Perubahan nilai OR
Variabel bbibu didik ada bbibu tdk ada Perubahan OR
Didik 1,644 1,670 1,56 %
Hb 0,871 0,809 7,11 %
Hipertensi 7,830 6,281 19,78%
Rokok 4,683 5,181

 Setelah dilakukan perbandingan OR ternyata variabel

hipertensi berubah >10% dengan demikian variabel bbibu
dimasukkan kembali.
 Karena pada saat variabel hb, didik, dan bbibu dieliminasi
terjadi perubahan OR >10% maka tidak dilakukan
eliminasi
Pemodelan Multivariat
 Interpretasi
• Dari analisis multivariat ternyata variabel yang berhubungan
bermakna dengan kejadian BBLR adalah variabel pendidikan, hb,
hipertensi, merokok dan bbibu..
• Hasil analisis didapatkan Odds Ratio (OR) dari variabel hipertensi
adalah 7,8, artinya Ibu yang menderita hipertensi akan melahirkan
bayi BBLR sebesar 7,8 kali lebih tinggi dibandingkan ibu yang
tidak menderita hipertensi setelah dikontrol variabel pendidikan,
hb, merokok, dan bbibu.
• Dengan cara yang sama dapat diinterpretasikan untuk variabel
yang lain.
• Faktor yang paling dominan yg berhubungan dengan BBLR
adalah riwayat hipertensi (nilai OR paling besar
B. Model Faktor Risiko
Langkah Pemodelan
1. Melakukan analisis bivariat antara masing2 variabel konfounding dng
dependen, bila hasil p value < 0,25 maka var tsb dpt masuk multivariat,
atau walaupun p value > 0,25 boleh masuk multivariat kalau secara
substansi merupakan variabel yg sangat penting (langkah ini bisa
diabaikan)
2. Lakukan pemodelan lengkap, mencakup: var utama, var konfounding dan
var interaksi.
3. Langkah pertama, lakukan penilaian interaksi dng cara melihat nilai p.
Bilai p value > 0,05 var interaksi dikeluarkan dari model secara bertahap
dimulai dari p value terbesar.
4. Lakukan penilaian konfounding dng cara mengeluarkan var konfounding
satu persatu dimulai dari p value terbesar. Bila setelah dikeluarkan
diperoleh selisih OR var Utama lebih besar dari 10 %, maka varibel tsb
dinyatakan sbg konfounding dan var tsb berarti harus tetap berada dalam
model
 CONTOH MODEL FAKTOR RISIKO
“Analisis hubungan pekerjaan dengan menyusui eksklusive di Depok tahun …

Pekerjaan Eksklusive

umur
Sikap

Umur : ≤ 30 th dan > 30 th

Sikap : penjumlahan keempat skor pertanyaan sikap
Terima kasih