Analisis Regresi Logistik Ganda

REGRESI LOGISTIK GANDA
Biostatistik/Karbito/S2 Kesmas 04/03/23

REGRESI LOGISTIK
Pengertian :
04/03/23
Adl salah satu pendekatan model
Biostatistik/Karbito/S2 Kesmas
matematis yg digunakan untuk
menganalisis hub. satu atau beberapa
variabel independen dg satu variabel
dependen kategorik yg bersifat
dikotom/binary.
2
REGRESI LOGISTIK
04/03/23
Var. kategorik dikotom adl var yg
memp. dua nilai variasi, misalnya :
sakit dan tdk sakit, merokok dan
tidak merokok, bblr dan normal dll.
3
REGRESI LOGISTIK
Perbedaan antara regresi linier dg
04/03/23
regresi logistik terletak pd jenis
variabel dependennya, pd regresi
linier var dependennya berbentuk
numerik sedangkan pd regresi logistik
var dependenya berbentuk kategorik
dikotom.
4
REGRESI LOGISTIK
TUJUAN :
1. Untuk mendapatkan model fit dan parsimony
04/03/23
yg dapat menggambarkan hub. antara
variabel independen dg variabel dependen.
2. Untuk menghitung besarnya peluang resiko
individu berdasarkan kondisi variabel
independennya.
5
REGRESI LOGISTIK
Fungsi Logistik
f (Z) = 1
04/03/23
1 + e-z
f (Z) merupakan probabilitas kejadian suatu
penyakit berdasarkan faktor resiko tertentu.
Nilai Z merupakan nilai indeks variabel
independen, nilai Z bervariasi antara –oo
sampai +oo
6
f (Z) dpt diganti dg P(Z). P = Probabilitas
REGRESI LOGISTIK
Bila nilai Z mendekati –oo maka :
f (-oo) = 1 =0
04/03/23
1 + e-(-oo)
Bila nilai Z mendekati +oo maka :
f (+oo) = 1 =1
1 + e-(+oo)
7
Fungsi Logistik dapat digambarkan :
1
P (z) = 1
1 + e-(-z)
04/03/23
½ P (z) = . 1 .
1 + e-z
- 0 
Z
Fungsi logistik berbentuk :
P(z) = . 1 .
1 + e-z
8
REGRESI LOGISTIK
Dari grafik P(Z) atau P(X) yg berbentuk huruf
04/03/23
S mencerminkan ttg pengaruh nilai Z pd
resiko individu yg minimal pd nilai Z rendah,
kemudian seiring dg meningkatnya nilai Z
resiko juga semakin meningkat dan dpt
ketinggian tertentu garisnya akan mendatar
mendekati nilai 1.
9
REGRESI LOGISTIK
Model logistik dari fungsi logistik dikembangkan dg nilai z

merupakan penjumlahan linier konstanta (α) ditambah dg
04/03/23
1X1, ditambah 2X2 sampai iXi, dg variabel X adl
variabel independen, sehingga didapat persamaan sbb :
Z = α + (X) (regresi logistik sederhana)
Z = α + 1(X1) + 2(X2) +…+ i(Xi)
(regresi logistik berganda)
10
PERSAMAAN REGRESI LOGISTIK
Bila nilai Z dimasukkan pd fungsi Z, maka

rumus fungsi Z adalah :
04/03/23
1
P(Z) =
1 + e-(α + X)
P1(X)
RR = dan OR = Expβ atau eβ
P0(X) 11
Fungsi Regresi logistik ganda:

1. Menetapkan model matematik yang paling baik
04/03/23
utk menggambarkan hubungan var. independen
dan var dependen.
2. Menggambarkan hubungan kuantitatif antara var.
indep (x) dg var dep (y) setelah dikontrol var. lain
3. Mengetahui variabel independen (x) mana yang
penting/dominan dlm memprediksi var. dependen.
4. Mengetahui adanya interaksi pada dua/lebih var.
independen thd variabel dependen
12
Jenis Model Regresi Logistik
1. Regresi Logistik Model Prediksi
Model yg terdiri beberapa variabel independen yg dianggap terbaik untuk
04/03/23
memprediksi kejadian variabel dependen
X1
y
X2
X3
Misalnya judul penelitian:

Faktor-faktor yang berhubungan dengan kejadian BBLR di Kab X
tahun 2014
13
Jenis Model Regresi Logistik
2. Regresi Logistik Model Estimasi (Faktor Risiko)
Model dng tujuan mengetahui hubungan satu/beberapa variabel
independen dengan kejadian variabel dependen dengan mengontrol
04/03/23
beberapa variabel konfounding
x1 y
X2
X3
X4
Misalnya judul penelitian:
14
Analisis hubungan Berat Badan dengan Tekanan darah di Kab X th 2014
04/03/23
MODEL PREDIKSI
15
Model Prediksi
Langkah Pemodelan
1. Seleksi bivariat; variabel independen p-value <0,25 atau walaupun
>0,25 boleh masuk multivariat kalau secara substansi merupakan
04/03/23
variabel yg sangat penting
2. Memasukkan secara bersamaan seluruh var indep ke model multivariat.
Variabel yang p-value nya besar dikeluarkan dari model multivariat.
Ketentuannya : variabel yg p valuenya < 0,05 yang dapat tetap di model.
Variabel yg p valuenya > 0,05 dikeluarkan dari model satu persatu
dimulai dari variabel yg p-value nya terbesar. Bila var yg dikeluarkan tsb
mengakibatkan perubahan besar koefisien (nilai OR) variabel2 X yg
masih ada (berubah > 10 %), maka var tsb dimasukkan kembali dlm
model. Pemilihan variabel dng metode ENTER
3. Identifikasi linieritas untuk variabel independen yg berbentuk numerik;
untuk memastikan apakah variabel tsb tetap berbentuk numerik atau
lebih baik dlm bentuk katagorik.
4. Uji interaksi sesama variabel indpenden yg secara substansi diduga ada
interaksi 16
Contoh Logistik Model Prediksi
Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (age) ,
RAS (race), MENDERITA HIPERTENSI (ht), ADA KELAINAN UTERUS
(ui), PERIKSA HAMIL (ftv),merokok, prematur dengan BBLR (low).
04/03/23
Umur(age)
Ras(race)
Hipertensi(ht)
BBLR(low)
Uterus(ui)
Anc(ftv)
Merokok(smoke)
Prematur(ptl)
17
Seleksi bivariat
1. umur Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 2.760 1 .097
04/03/23
Block 2.760 1 .097
Model 2.760 1 .097
Variables in the Equation
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
age -.051 .032 2.635 1 .105 .950 .893 1.011
1 Const
.385 .732 .276 1 .599 1.469
ant
a. Variable(s) entered on step 1: age.
Hasil bivariat menunjukkan , umur mempunyai p value 0,097 (lihat

Di omnibus test bagian block). Dengan demikian p value < 0,25
Jadi umur dapat ke multivariat.
Dari hasil diatas juga dapat diketahui nilai OR, yaitu di kolom
EXP(B) = 0,950 18
2. Race
Categorical Variables Codings Omnibus Tests of Model Coefficients
Parameter coding Chi-square df Sig.

Frequency (1) (2) Step 1 Step 5.010 2 .082
Race White 96 .000 .000 Block 5.010 2 .082
04/03/23
Black 26 1.000 .000 Model 5.010 2 .082
Other 67 .000 1.000
95.0% C.I.for
EXP(B)
Stea race 4.922 2 .085
p1 race(1) .845 .463 3.323 1 .068 2.328 .939 5.772
race(2) .636 .348 3.345 1 .067 1.889 .955 3.736
Constant -1.155 .239 23.330 1 .000 .315
a. Variable(s) entered on step 1: race.
Hasil uji didapatkan p value 0,082 berarti p value < 0,25, sehingga variabel ras
dapt lanjut ke multivariat. Dari output dapat diketahui juga nilai OR dummy,
terlihat ada dua nilai OR yaitu OR untuk race(1) 2,328 artinya ras kuliat hitam akan berisiko
bayinya bblr sebesar 2,3 kali lebih tinggi dibandingkan ras kulit putih. OR untuk race(2) 19
besarnya 1,89
artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1,89 kali lebi tinggi
dibandingkan ras kulit putih.
3. Hipertensi
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 4.022 1 .045
04/03/23
Block 4.022 1 .045
Model 4.022 1 .045
95.0% C.I.for
EXP(B)
Step
a
ht 1.214 .608 3.979 1 .046 3.365 1.021 11.088
1 Constant -.877 .165 28.249 1 .000 .416
a. Variable(s) entered on step 1: ht.
Hasil uji didapatkan p value = 0,045 (p value < 0,25) berarti

masuk dalam multivariat
20
4. Kelainan Uterus
Chi-square df Sig.
Step 1 Step 5.076 1 .024
04/03/23
Block 5.076 1 .024
Model 5.076 1 .024
95.0% C.I.for
EXP(B)
Step
a
ui .947 .417 5.162 1 .023 2.578 1.139 5.834
1 Constant -.947 .176 29.072 1 .000 .388
a. Variable(s) entered on step 1: ui.
Hasil p value 0,024 (p value < 0,25), maka variabel kelainan uterus
dapat lanjut ke multivariat
21
5. ANC
Chi-square df Sig.
Step 1 Step .773 1 .379
04/03/23
Block .773 1 .379
Model .773 1 .379
95.0% C.I.for EXP(B)
Step
a
ftv -.135 .157 .744 1 .389 .874 .643 1.188
1 Constant -.687 .195 12.427 1 .000 .503
a. Variable(s) entered on step 1: ftv.
Hasil uji p value = 0,379 (p value > 0,25) sehingga secara statistik tidak
dapat lanjut ke multivariat, namun karena secara substansi variabel
periksa hamil sangat penting, maka variabel ini dapat dianalisis
multivariat. 22
6. Merokok
Chi-square df Sig.
Step 1 Step 4.867 1 .027
04/03/23
Block 4.867 1 .027
Model 4.867 1 .027
95.0% C.I.for
EXP(B)
Step
a
smoke .704 .320 4.852 1 .028 2.022 1.081 3.783
1 Constant -1.087 .215 25.627 1 .000 .337
a. Variable(s) entered on step 1: smoke.
Hasil analisis bivariat didapatkan p value = 0,027 (< 0,25) dengan

demikian variabel merokok dapat masuk ke multivariat.
23
7. Prematur
Chi-square df Sig.
Step 1 Step 6.779 1 .009
04/03/23
Block 6.779 1 .009
Model 6.779 1 .009
95.0% C.I.for
EXP(B)
Step
a
ptl .802 .317 6.391 1 .011 2.230 1.197 4.151
1 Constant -.964 .175 30.370 1 .000 .381
a. Variable(s) entered on step 1: ptl.
Hasil analisis didapatkan p value sebesar 0,009 berarti < 0,25

sehingga variabel riwayat adanya prematur dapat masuk ke
multivariat
24
Hasil seleksi bivariat
Setelah masing-masing variabel independen dilakukan analisis bivariat,
hasilnya:
Variabel P value
04/03/23
Umur 0,097
Ras 0,082
Hipertensi 0,045
Kelainan uterus 0,024
Periksa hamil 0,379
Merokok 0,027
Prematur 0,009
Hasil seleksi bivariat semua variabel menghasilkan p value < 0,25, hanya
periksa hamil yang p valuenya > 0,25, namun variabel periksa hamil tetap
dianalisis multivariat oleh karena secara substansi periksa hamil merupakan
variabel yang sangat penting berhubungan dengan kejadian bblr.
25
Pemodelan Multivariat
95.0% C.I.for
EXP(B)
04/03/23
Step
a
age -.041 .036 1.249 1 .264 .960 .894 1.031
1 race 6.783 2 .034
race(1) 1.009 .502 4.034 1 .045 2.743 1.025 7.345
race(2) 1.003 .426 5.560 1 .018 2.727 1.185 6.280
smoke .964 .391 6.090 1 .014 2.622 1.219 5.639
ptl .630 .340 3.429 1 .064 1.877 .964 3.654
ht 1.361 .631 4.648 1 .031 3.902 1.132 13.451
ui .802 .458 3.066 1 .080 2.229 .909 5.468
ftv .009 .161 .003 1 .954 1.009 .736 1.384
Constant -1.183 .919 1.659 1 .198 .306
a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui, ftv.
Dari hasil analisis terlihat ada 4 variabel yang p valuenya > 0,05 yaitu
age, ptl, ui dan ftv, yang terbesar adalah ftv, sehingga pemodelan
selanjutnya variabel ftv dikeluarkan dari model.
26
Model tanpa FTV
95.0% C.I.for
04/03/23
EXP(B)
Step
a
age -.040 .036 1.275 1 .259 .960 .896 1.030
1 race 6.781 2 .034
race(1) 1.009 .503 4.035 1 .045 2.744 1.025 7.347
race(2) 1.002 .425 5.562 1 .018 2.723 1.184 6.262
smoke .963 .390 6.086 1 .014 2.620 1.219 5.632
ptl .629 .340 3.423 1 .064 1.875 .963 3.651
ht 1.358 .629 4.663 1 .031 3.889 1.134 13.341
ui .800 .457 3.063 1 .080 2.226 .908 5.454
Constant -1.184 .919 1.661 1 .197 .306
a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui.
Setelah ftv keluar, kita lihat perubahan OR untuk masing-

masing variabel
27
Perubahan nilai OR
Variabel OR ftv ada OR ftv tak ada perubahan OR
04/03/23
Age 0.960 0.960 0%
Race(1) 2.743 2.744 0%
Race(2) 2.727 2.723 0%
Smoke 2.622 2.620 0%
Ptl 1.877 1.875 0,1 %
Ht 3.902 3.889 0.3 %
ui 2.229 2.226 0,1 %
ftv 1.009
Ternyata setelah ftv keluar, perubahan OR untuk semua variabel yg

Tersisa tidak ada yang > 10 %. Dengan demikian ftv dikeluarkan dari
Model. Selanjutnya variabel umur dicoba dikeluarkan dari model
28
Model tanpa Umur
95.0% C.I.for
EXP(B)
04/03/23
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.
Setelah umur dikeluarkan kita lihat perubahan nilai OR untuk variabel

yang tersisa sbb :
29
Perubahan nilai OR
Variabel OR age ada OR age tak ada perubahan OR
Age 0.960 -
Race(1) 2.743 2.968 8,2 %
04/03/23
Race(2) 2.727 2.883 5,7 %
Smoke 2.622 2.694 2,7 %
Ptl 1.877 1.779 5,2 %
Ht 3.902 3.912 0.3 %
ui 2.229 2.350 5,4 %
ftv 1.009
Setelah umur keluar, perubahan nilai OR nya tidak ada yang

>10%, berarti Variabel umur dikeluarkan dari model
Selanjutnya variabel variabel prematur dicoba dikeluarkan
30
Model tanpa prematur
95.0% C.I.for
04/03/23
EXP(B)
Step
a
race 8.245 2 .016
1 race(1) 1.064 .499 4.545 1 .033 2.897 1.090 7.704
race(2) 1.083 .413 6.877 1 .009 2.955 1.315 6.640
smoke 1.094 .380 8.299 1 .004 2.986 1.419 6.286
ht 1.359 .630 4.660 1 .031 3.894 1.133 13.379
ui 1.006 .438 5.262 1 .022 2.734 1.158 6.458
Constant -2.092 .380 30.307 1 .000 .123
a. Variable(s) entered on step 1: race, smoke, ht, ui.
Setelah variabel Prematur dikeluarkan dari model kita lihat perubahan

Nilai OR nya sbb :
31
Perubahan nilai OR
Variabel OR ptl ada OR ptl tak ada perubahan OR
04/03/23
Age 0.960 -
Race(1) 2.743 2.897 5,6 %
Race(2) 2.727 2.955 8,3 %
Smoke 2.622 2.986 13,8 %
Ptl 1.877 - -
Ht 3.902 3.894 0.2 %
ui 2.229 2.734 22,6 %
ftv 1.009 -
Ada perubahan OR > 10 %, jadi prematur dimasukkan kembali dlm model
32
Model prematur masuk lagi
95.0% C.I.for
EXP(B)
04/03/23
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
Model setelah variabel prematur dimasukkan kembali.

Variabel ui p=0,058, dengan demikian variabel ui dicoba dikeluarkan
dari model 33
Model tanpa uterus
04/03/23
95.0% C.I.for
EXP(B)
Step
a
race 8.286 2 .016
1 race(1) 1.062 .500 4.513 1 .034 2.894 1.086 7.712
race(2) 1.085 .411 6.949 1 .008 2.958 1.321 6.626
smoke .996 .382 6.794 1 .009 2.707 1.280 5.726
ht 1.221 .629 3.764 1 .052 3.390 .988 11.640
ptl .696 .325 4.596 1 .032 2.007 1.062 3.793
Constant -2.025 .372 29.586 1 .000 .132
a. Variable(s) entered on step 1: race, smoke, ht, ptl.
34
Perubahan OR tanpa Uterus
Variabel OR ui ada OR ui tak ada perubahan OR
Age 0.960 -
04/03/23
Race(1) 2.743 2.894 5,5 %
Race(2) 2.727 2.958 8,4 %
Smoke 2.622 2.707 3,2 %
Ptl 1.877 2.007 6,9 %
Ht 3.902 3.390 13.1 %
ui 2.229 - -
ftv 1.009 - -
Uterus merubah OR > 10%, dengan demikian variabel uterus

dimasukkan kembali dalam model
Dengan demikian pemodelan selesai

35
Model Terakhir
95.0% C.I.for
04/03/23
EXP(B)
Step race 7.968 2 .019
a
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
36
Uji interaksi Chi-
square df Sig.
Step 1 Step .000 1 .994
Block 2: Method = Enter Block .000 1 .994
Model 26.560 7 .000
04/03/23
95.0% C.I.for
EXP(B)
Step
a
race 7.900 2 .019
1 race(1) 1.088 .502 4.692 1 .030 2.969 1.109 7.946
race(2) 1.059 .419 6.387 1 .011 2.883 1.268 6.555
smoke .990 .397 6.211 1 .013 2.692 1.236 5.865
ptl .576 .336 2.937 1 .087 1.779 .921 3.438
ht 1.360 .831 2.680 1 .102 3.896 .765 19.852
ui .854 .451 3.584 1 .058 2.350 .970 5.693
ht by smoke .010 1.283 .000 1 .994 1.010 .082 12.491
Constant -2.146 .386 30.875 1 .000 .117
a. Variable(s) entered on step 1: ht * smoke .
37
Uji interaksi didapatkan p value pada blok2 bagian step = 0,994, p value
>0,05 berarti tidak ada interaksi.
Model Terakhir
04/03/23
95.0% C.I.for
EXP(B)
Step
a
race 7.968 2 .019
1 race(1) 1.088 .501 4.723 1 .030 2.968 1.113 7.916
race(2) 1.059 .418 6.422 1 .011 2.883 1.271 6.538
smoke .991 .387 6.569 1 .010 2.694 1.263 5.747
ptl .576 .334 2.975 1 .085 1.779 .925 3.422
ht 1.364 .633 4.640 1 .031 3.912 1.131 13.537
ui .855 .451 3.585 1 .058 2.350 .970 5.692
Constant -2.146 .386 30.917 1 .000 .117
38
Interpretasi
Dari analisis multivariat ternyata variabel yang berhubungan
04/03/23
bermakna dengan kejadian BBLR adalah variabel ras, merokok
dan hipertensi. Sedangkan variabel riwayat prematur dan
kelainan uterus sebagai variabel konfounding. Hasil analisis
didapatkan Odds Ratio (OR) dari variabel hipertensi adalah 3,9,
artinya Ibu yang menderita hipertensi akan melahirkan bayi
BBLR sebesar 4 kali lebih tinggi dibandingkan ibu yang tidak
menderita hipertensi setelah dikontrol variabel race, merokok,
prematur dan uterus.
Secara sama dapat diinterpretasikan untuk variabel yang lain.
39
Catatan :
Model regresi logistik hanya dapat digunakan untuk penelitian
yang bersifat Kohort. Sedangkan unutk penelitian yang bersifat
cross sectional atau case control, interpretasi yang dapat
04/03/23
dilakukan hanya menjelaskan nilai OR (Exp B) pada masing-
masing variabel. Oleh karena analisisnya multivariat/ganda
maka nilai OR-nya sudah terkontrol (adjusted) oleh variabel lain
yang ada pada model.
40
04/03/23
MODEL FAKTOR RESIKO
41
Model Faktor Risiko
Langkah Pemodelan
1. Melakukan analisis bivariat antara masing2 variabel
konfounding dng dependen, bila hasil p value < 0,25 maka var
04/03/23
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 berikutnya 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
42
Kerangka Konsep
04/03/23
Pekerjaan Eksklusive
umur1
Sikap
Umur1 : ≤ 30 th dan > 30 th (umur yg dikelompokkan)

Sikap : penjumlahan keempat skor pertanyaan sikap
43
Seleksi Bivariat (Langkah No. 1)
04/03/23
Hasil hasil analisis bivariat variabel pekerjaan (status kerja)
diperoleh nilai p = 0,004 < 0,25  masuk kandidat model 44
Seleksi Bivariat
04/03/23
Hasil analisis bivariat variabel umur kelompok (umur1)
diperoleh nilai p = 0,002 < 0,25  masuk kandidat model 45
Seleksi Bivariat
04/03/23
Hasil analisis bivariat variabel sikap diperoleh nilai p = 0,110
< 0,25  masuk kandidat model
46
)
Pemodelan Lengkap (langkah no. 2

47
Hasil pemodelan lengkap dg UJI INTERAKSI
04/03/23
Hasil analisis pemodelan lengkap : variabel interaksi
umur*kerja dan kerja*sikap nilai p > 0,05  variabel interaksi
48
dikeluarkan dari model.
Seleksi variabel INTERAKSI (langkah No. 3)
04/03/23
Hasil analisis setelah variabel interaksi umur*kerja dikeluarkan
diperoleh nilai p pd variabel interaksi = 0,261 > 0,05  49
variabel kerja*sikap dikeluarkan
50
Penilaian Uji Confounding (Langkah No. 4)
Penilaian Confounding variabel sikap
04/03/23
51
Penilaian Confounding variabel umur

52
53
SEKIAN TERIMA KASIH

54
LATIHAN
Suatu penelitian ingin mengetahui hubungan antara
status bekerja (0=tidak bekerja, 1=bekerja), tingkat
04/03/23
pendidikan (1=SD, 2=SMP, 3=SMA, 4=PT), umur1 (0=<30
th, 1=30 th) dan jumlah anak (anak) dengan menyusui
eksklusif (0=ya, 1=tidak).
Gunakan Data Menyusui Eksklusif (Data Eksklusif)
Gunakan Model Prediksi
Lakukan langkah2 sesuai prosedur model prediksi

Buatkan tabel dan intepreasi hasilnya.
55

Analisis Regresi Logistik Ganda

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Regresi Logistik Ganda

Diunggah oleh

Hak Cipta:

Format Tersedia

REGRESI LOGISTIK GANDA

Biostatistik/Karbito/S2 Kesmas 04/03/23

Perbedaan antara regresi linier dg

1. Untuk mendapatkan model fit dan parsimony

Fungsi logistik berbentuk :

Dari grafik P(Z) atau P(X) yg berbentuk huruf

Model logistik dari fungsi logistik dikembangkan dg nilai z

Bila nilai Z dimasukkan pd fungsi Z, maka

Fungsi Regresi logistik ganda:

Misalnya judul penelitian:

Hasil bivariat menunjukkan , umur mempunyai p value 0,097 (lihat

Parameter coding Chi-square df Sig.

Hasil uji didapatkan p value = 0,045 (p value < 0,25) berarti

Variables in the Equation

Variables in the Equation

Variables in the Equation

Hasil analisis bivariat didapatkan p value = 0,027 (< 0,25) dengan

Hasil analisis didapatkan p value sebesar 0,009 berarti < 0,25

Setelah ftv keluar, kita lihat perubahan OR untuk masing-

Ternyata setelah ftv keluar, perubahan OR untuk semua variabel yg

Setelah umur dikeluarkan kita lihat perubahan nilai OR untuk variabel

Setelah umur keluar, perubahan nilai OR nya tidak ada yang

Setelah variabel Prematur dikeluarkan dari model kita lihat perubahan

Ada perubahan OR > 10 %, jadi prematur dimasukkan kembali dlm model

Model setelah variabel prematur dimasukkan kembali.

Uterus merubah OR > 10%, dengan demikian variabel uterus

Dengan demikian pemodelan selesai

Umur1 : ≤ 30 th dan > 30 th (umur yg dikelompokkan)

Biostatistik/Karbito/S2 Kesmas 04/03/23

Penilaian Confounding variabel sikap

Biostatistik/Karbito/S2 Kesmas 04/03/23

Biostatistik/Karbito/S2 Kesmas 04/03/23

Gunakan Data Menyusui Eksklusif (Data Eksklusif)

Gunakan Model Prediksi

Lakukan langkah2 sesuai prosedur model prediksi

Anda mungkin juga menyukai