UJI REGRESI LOGISTIK

MENGGUNAKAN SPSS
Indri Mulyasari
 REGRESI LOGISTIK
• Jika variabel terikat berskala nominal
• Terdapat 2 jenis :
1. Regresi logistik sederhana:
jika hanya ada satu variabel bebas dengan skala data
rasio/interval atau nominal (dummy), sedang skala data
variabel terikat adalah: nominal
2. Regresi logistik berganda:
jika hanya dua atau lebih variabel bebas dengan skala
data rasio/interval atau nominal (dummy), sedang skala
data variabel terikat adalah: nominal
 Model Matematis Regresi Logistik
Rumus:
1
f (Z) = ----------------
-z
1+ e

Regresi Logistik Sederhana  Z = b0 + b1 X1

Regresi Logistik Ganda  Z = b0 + b1 X1 + b2 X2 + … + bp Xp

Dimana:
• X = paparan, faktor resiko, variabel bebas
• f (z ) = probabilitas resiko terjadinya outcome yang diamati
• Berapapun nilai z  f ( Z ) = berharga antara 0 dan 1
Regresi Logistik Model Prediktif:
• untuk memperoleh model atau kumpulan variabel bebas yg
dianggap terbaik untuk memprediksi kejadian variabel
dependen (outcome ).
• difokuskan pada pertimbangan nilai statistik biasanya dengan
metode stepwise dan nilai koefisien regresi b harus significant
(melalui Uji Wald, p < 0,05).

Regresi Model Faktor:

• Difokuskan pada Exp ( b ), meskipun uji Wald tidak bermakna
dapat dimasukkan dalam pemodelan.
• Dapat menghitung Besar Resiko OR/RR (dengan syarat skala
data variabel bebas nominal):
bi
OR / RR = Exp (bi) = e
• Caranya analysis:
– Buka file: regresi_binary
– klik Analyze > regression > binary logistic
– Masukkan variabel independent dan dependent
– method pilih salah satu:
(1) Regresi Logistik Model Prediktif: pilih Stepwise
(2) Regresi Logistik Model Faktor : pilih Enter
– OK
Cara penafsiran:

• Menggunakan pendekatan probabilitas:

– Angka negatif dianggap probabilitas 0
– Angka positif lebih dari satu dianggap probabilitas 1
– Angka positif antara 0 sampai 1 maka probabilitas sesuai dengan
angka yang tertera.
Note:
Pemilihan variabel yang boleh masuk dalam Uji Log-reg

• Dilakukan analisis hub antara var bebas dan terikat

• Uji hubungan (tabulasi silang/Uji Chi-Square ) --- batas sig p
< 0,05
• Uji pengaruh Bivariat --- batas sig p < 0,25
• Uji pengaruh multivariat --- batas sig p < 0,05
 CONTOH OUTPUT :

(1)

Output:
(2)

Output:

Sig p > 0,05,

tidak beda, shg model baik

Setiap kenaikan LILA cm

maka proporsi BBLR
turun 18,4 %

Jika var LILA dikotomi = OR

Signifikan (p<0,05)
MENGGUNAKAN METODE BACKWARD

LANGKAH-LANGKAH ANALISIS REGRESI LOGISTIK:

• Analyzeregressionbinary logistic
• Variabel dependen : syok_reg
• Masukkan variabel independen ke kotak covariates
• Pilih metode Backward LR
• Optionspilih CI for exp (B) dan Hosmer-Lameshow
goodness-of fitcontinue
• Klik saveprobabilitiescontinue
• Klik categoricalpindah semua variabel covariates ke
categorical covariatescontinueOK
 Omnibus Tests of Model Coefficients

Chi-square Df Sig.
Step 1 Step 24.618 5 .000
Block 24.618 5 .000
Model 24.618 5 .000
Step 2a Step -.007 1 .932
Block 24.611 4 .000
Model 24.611 4 .000
Step 3a Step -.031 1 .861
Block 24.580 3 .000
Model 24.580 3 .000
a. A negative Chi-squares value indicates that the Chi-
squares value has decreased from the previous
step.
 Variables in the Equation
95.0% C.I.for
EXP(B
)

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

Step 1a sex(1) .038 .443 .007 1 .932 1.039 .436 2.474
perdarahan(1) 1.187 .491 5.849 1 .016 3.279 1.252 8.582
hepatomegali(1) 1.269 .492 6.656 1 .010 3.556 1.356 9.322
trombosit(1) -.092 .529 .030 1 .862 .912 .324 2.571
hematokrit(1) 1.169 .468 6.242 1 .012 3.219 1.287 8.055
Constant -2.689 .468 32.989 1 .000 .068
Step 2a perdarahan(1) 1.180 .483 5.959 1 .015 3.255 1.262 8.397
hepatomegali(1) 1.272 .490 6.739 1 .009 3.569 1.366 9.325
trombosit(1) -.092 .529 .031 1 .861 .912 .324 2.569
hematokrit(1) 1.167 .467 6.236 1 .013 3.213 1.285 8.031
Constant -2.669 .403 43.916 1 .000 .069
Step 3a perdarahan(1) 1.189 .481 6.114 1 .013 3.285 1.280 8.434
hepatomegali(1) 1.233 .435 8.019 1 .005 3.432 1.462 8.057
hematokrit(1) 1.137 .434 6.870 1 .009 3.117 1.332 7.295
Constant -2.675 .401 44.602 1 .000 .069
a. Variable(s) entered on step 1: sex, perdarahan, hepatomegali, trombosit, hematokrit.
• Variabel yang berpengaruh terhadap syok adalah perdarahan,
hepatomegali, hematokrit. Kekuatan hubungan dapat dilihat dari nilai
OR [EXP(B)]. Kekuatan hubungan dari yang terbesar ke yang terkecil
adalah hepatomegali (OR=3,43), perdarahan (OR=3,28), dan hematokrit
(OR=3,11).

• Persamaan yang didapatkan :

Syok = -2,675 + 1,189 perdarahan +1,233 hepatomegali + 1,137
hematokrit

• Aplikasi persamaan yang diperoleh adalah untuk memprediksi

probabilitas seorang pasien untuk mengalami syok menggunakan rumus:
p= 1/ (1+e-y)

p = probabilitas
e = bilangan natural = 2.7
y = persamaan
• contoh:
seorang penderita DBD dirawat dengan pendarahan, mengalami
hepatomegali, hematokrit >42%. Berapakah probabilitas pasien
untuk mengalami syok?

Jawab:
y = -2,675+1.189 (1) + 1.233 (1) + 1.137 (1)
y = 0.884

p= 1/ (1+e-y)
p= 1/ (1+2.7-(0.884))
p= 0.706
dengan demikian, probabilitas pasien untuk menderita syok
adalah 70.6%
• Stunting = 2 asi eksklusif + 1
= 2 (0) + 1
=1
Asi eksklusif = 0
Tidak asi eksklusif = 1
p= 1/ (1+2.7-(1))
P= 0.7299
P=72,99%