2. regresi.logistik+multivariat

Regresi Logistik & Multivariat

BESRAL:Departemen BiostatistikaFKM UI, 2012

1

Jur. Biostatistika, FKM UI, 2006

Binary Regresi Logistik

Regresi Logistik: Model matematis untuk menganalisis hubungan antara satu atau beberapa variabel independen yang bersifat kontinu maupun binary dengan satu variabel dependen yang bersifat binary/binomial atau dikotom (sehat/sakit, hidup/mati)

Regresi Logistik: - Sederhana (simple) hanya satu variabel

independen - Ganda (multiple) lebih dari satu variabel

independen

Jur. Biostatistika, FKM UI

Persamaan Garis Regresi Logistik Persamaan Regresi Logistik:

).....()(log)(111

1

1

1kk xbxbaitYY

ExpExpP

)()()( bbb elExponensiaExpOR

P(Y) = Probabilitas seorang individu untuk mengalami Y=1

OR = Odds Ratio = Risiko kelompok X=1 untuk mengalami Y=1 dibandingkan dengan kelompok X=0

kk xbxbaYLogit ....)( 11


Interpretasi koefisien beta pada Regresi Logistik

Tabel Silang:

Regresi Logistik Sederhana:

--------------------- Variables in the Equation ----------------Variable B S.E. Wald df Sig Exp(B)EXPOSED .5721 .1487 14.8058 1 .0001 1.7719Constant -.8437 .1092 59.7323 1 .0000

OR exposed untuk sakit dibandingkan dengan non exposed:OR = e () =e (0.5721) = 1.7719

Count

173 227 400

120 279 399

293 506 799

1=Ya

0=Tdk

EXPOSED

Total

1=Ya 0=Tdk

DISEASES

Total

OR = 173*279/227*120 = 1.77

RR = (173/400) / (120/399) = 1.44



Analisis berikut melihat faktor yang berhubungan dengan kejadian sakit (0=Tidak,1=Sakit)Age : ContinuEksposed : 0=No, 1=YesEduc : 0=Lo, 1=Med, 2=Hi

------------------ Variables in the Equation ------------------ Variable B S.E. Wald df Sig Exp(B) AGE .0108 .0134 .6593 1 .4168 1.0109EXPOSED .6165 .1616 14.5530 1 .0001 1.8525EDU_G 8.2514 2 .0162 EDU_G(1) .4443 .1981 5.0283 1 .0249 1.5594 EDU_G(2) .5704 .2073 7.5705 1 .0059 1.7690Constant -1.5700 .4750 10.9236 1 .0009



a. varibel independen 2-KATEGORI (0,1)Mis: Eksposed(0=No, 1=Yes)OR eksposed dibandingkan dengan tidak eksposed:OR = e () =e (0.6165) = 1.8525

b. varibel independen >2-KATEGORI (0,1,2,…)Mis: Education (O=Low, 1=Moderate, 2=High)OR Moderate education dibandingkan dengan Low education:OR = e () =e (0.4443) = 1.5594

OR High education dibandingkan dengan Low education: OR = e () =e (0.5704) = 1.7690

c. varibel independen NUMERIK OR untuk setiap perubahan c unit pada x adalah sebesar = e c() Mis: Age OR pada setiap kenaikan usia 10 th adalah: OR = e c() =e 10(0.0108) = 1.1140



Regresi Logistik Sederhana:

--------------------- Variables in the Equation ---------------

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

EXPOSED .5721 .1487 14.8058 1 .0001 1.7719

Constant -.8437 .1092 59.7323 1 .0000

RR exposed dibandingkan dengan tidak exposed:

)(

)(

0

1

YP

YPRR Probabilitas sakit pada exposed

Probabilitas sakit pada tidak exposed

4325.01

1

1

1))1(5721.8437.()()(1 11

ExpExpP xbaY

3007.01

1

1

1))0(5721.8437.()()(0 11

ExpExpP xbaY

44.13007.0

4325.0

)(

)(

0

1 YP

YPRR


Aplikasi Regresi Logistik

Aplikasi pada desain studi Cohort Dapat menghitung Resiko Individu (probabilitas)

Menghitung Resiko Relatif (RR)

Desain studi Case-control/Cross-Sectional Tdk bisa menghitung resiko individu Hanya bisa menghitung Odds Ratio (OR)

)(

)(

0

1

YP

YPRR

)....()( 111

1kk xbxbaY Exp

P

)(bExpOR

kk xbxbaYLogit ....)( 11


Aplikasi Regresi LogistikContoh Soal: Studi Cohort dilakukan 10 tahun untuk melihat kejadian serangan jantung

(0=Tidak, 1=Ya). Sebagai variabel independennya adalah kadar katekolamin (KAT), EKG, dan Umur. Dengan persamaan logistik sbb:

x1 : KAT (0=rendah, 1=tinggi)x2 : Usia (kontinu dalam tahun)x3 : EKG (0=normal, 1=tdk normal

Berapa probabilitas seseorang untuk mendapatkan serangan jantung apabila usia=40, EKG=normal, dan KAT=Tinggi

Berapa probabilitas seseorang untuk mendapatkan serangan jantung apabila usia=40, EKG=normal, dan KAT=Rendah

Berapa resiko untuk terjadinya serangan jantung pada kelompok KAT=Tinggi dibandingkan dengan KAT=Rendah pada usia=40 dan EKG=Normal

321 342.0029.0652.0911.3)( xxxYLogit


Aplikasi Regresi LogistikJawab:

Berapa probabilitas seseorang untuk mendapatkan serangan jantung apabila usia=40, EKG=normal, dan KAT=Tinggi

Berapa probabilitas seseorang untuk mendapatkan serangan jantung apabila usia=40, EKG=normal, dan KAT=Rendah

Berapa resiko untuk terjadinya serangan jantung pada kelompok KAT=Tinggi dibandingkan dengan KAT=Rendah pada usia=40, EKG=Normal

321 342.0029.0652.0911.3)( xxxYLogit

P Ye

( ) .[ . . ( ) . ( ) . ( )

1

10 1 0 9 11 %3 9 11 0 6 5 2 1 0 0 2 9 4 0 0 3 4 2 0

P Ye

( ) .[ . . ( ) . ( ) . ( )

1

10 0 6 6 %3 9 11 0 6 5 2 0 0 0 2 9 4 0 0 3 4 2 0

P Y

P YRR

Kat T ingg i U sia EKG norm al

K a t ndah U sia EKG norm al

( )

( )

.

..

( , , )

( R e , , )

4 0

4 0

0 1 0 9

0 0 61 8 2


Modeling Regresi Logistik Model yang fit (cocok):

Model yang hanya terdiri dari variabel independen yang berkontribusi pada model atau benar-benar berhubungan dengan dependen variabel Metode Maximum-Likelihood

Uji hipotesis (=0):1. Likelihood Ratio Test (LRT) Pendekatan distribusi X2

Full model Logit (y) = + 1x1 ……… L1Reduce model Logit (y) = ……………… L2

G = -2 {ln L2 – ln L1} Critical Region: G > X2 tabel (, df= jumlah var x yang diuji)

atau p-value <

2. Wald Test Pendekatan distribusi Z2=X2

Wald = (/SE )2

Critical Region: Wald > Z (/2) atau p-value <


Modeling Regresi Logistik Full model (AGE, Exposed, EDU)

- 2 log likelihood = 981.324 ……. L1 Recude model (Exposed, EDU)

- 2 log likelihood = 981.983 ……. L2 Likelihood Ratio Test

G = L2 – L1 = 981.983 – 981.324 = 0.659X2 tabel (0.05, df=1) = 3.84

Karena 0.659 < 3.81 maka variabel AGE tidak punya kontribusi pada model

Hasil tsb sama dengan hasil Wald test dengan p-value yang tidak signifikan untuk AGE = 0.4168


Modeling Regresi Logistik Perbandingan Likelihood Ratio Test (LRT) dengan

Wald Test:

Secara umum hasil LRT sama dengan Wald Pada keadaan tertentu jumlah sampel (n) kecil, bisa

saja Wald tidak signifikan tetapi LRT signifikan. Hal ini disebabkan oleh perhitungan Wald didasarkan SE, sedangkan SE meningkat dengan semakin kecilnya jumlah sampel

Jadi untuk jumlah sampel yang kecil LRT lebih sensitif

Definisi= Menghubungkan beberapa var independen dengan satu var dependen

Kenapa Perlu Multivariat ?Pada bidang kesmas:● outcome/akibat --- tak mungkin penyebab tunggal● outcome/akibat ---multi faktor

Mis: agent, host & lingkKontribusi murni masing-masing faktor setelah

mempertimbangkan faktor laindigunakan analis multivariat

Kegunaan multivariat:1.Mengetahui pengaruh murni/efek bersih masing-masing variabel2.Mengetahui faktor yang paling dominan

ANALISIS MULTIVARIAT

Untuk mengetahui pengaruh murni/efek bersih :a. Rancangan Eksperimen: variabel lain dikontrol

(misal: subjeknya tikus dari induk yg sama)

b. Rancangan studi: responden dipilih dengan cara Matching (misal: subjeknya dari umur yg sama, sex sama, pendidikan sama, pekerjaan sama, ekonomi sama, tempat tinggal sama)

c. Pengontrol pada tahap analisis statistik: Analisis Stratifikasi dan Analisis MULTIVARIAT

Syarat kecukupan sampel multivariat:Satu variabel = 15 sampel 10 variabel = 150 sampel


Jenis Analisis Multivariat

1. Metode Dependensi: (independen dependen)A. dependen satu variabel

- numerik : regresi linier ganda- katagorik : regresi Logistik ganda

B. dependen beberapa variabel- numerik : Manova, GLM-repeated- kategorik : Kanonikal

2. Metode Interdependensi: tidak ada var independen dan dependen : pemetaan/pengelompokan variabel- numerik : cluster, faktor analisis- katagorik : Multi dimensional scaling

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 (xi) dng var dep (y) setelah dikontrol var. lain

3. Mengetahui variabel (xi) mana yang penting/dominan dalam memprediksi var. dep (y)

4. Mengetahui adanya interaksi pada var. independen (xi)

1. Regresi linier Ganda

var dependen = numerik

var independen = numerik dan katagorik (numerik > kategorik)

2. Regresi logistik Ganda

var dependen = katagorik

var independen = katagorik dan numerik

(kategorik > numerik )


Jenis Pemodelan Regresi logistik

1. Regresi Logistik Model PrediksiModel yg terdiri beberapa variabel independen yg dianggap terbaik untuk

memprediksi kejadian variabel dependen

X1X2X3

Y

Misalnya pada penelitian yang bertujuan untuk:

Mengetahui faktor-faktor yang berhubungan dengan kejadian BBLR di Kab X tahun 2012

Regresi logistik model prediksi BBLR

Age (….yrs)Lwt (..pounds)Race (1,2,3)Smoke (0,1)Ptl (…times)Ht (0,1)Ui (0,1)Ftv (…times)

BBLR (low)

Mengetahui faktor-faktor yang berhubungan dengan kejadian BBLR di Kab X tahun 2012

Model Prediksi BBLR (Data BAYI.189.SAV)

Langkah Pemodelan1. Seleksi bivariat; mengunakan uji-statistik bivariat seperti

biasa:- uji-t- uji-Anova- Uji korelasi/regresi linier sederhana- Uji chi-square- Uji regresi logistik sederhana

Langkah Pemodelan1. Seleksi bivariat: 2. Pembuatan model: Backward;

1. Full model: Masukkan secara bersamaan seluruh var indep ke model multivariat.

2. Uji konfounding: Variabel yang nilai-p besar dikeluarkan dari model multivariat. variabel yg p valuenya < 0,05 tetap dalam model. Variabel yg p valuenya > 0,05 dikeluarkan dari model satu persatu dimulai dari variabel sig terbesar. Bila var yg dikeluarkan tsb mengakibatkan perubahan OR variabel2 yg masih ada (berubah > 10 %), maka var tsb adalah konfounding dan dimasukkan kembali dlm model.

3. Uji interaksi: tambahkan interaksi antar var independen. Interaksi exist jika nilai sig < 0,05

Model Prediksi BBLR (Data LBW.SAV)

Jenis Regresi logistik2. 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

X2X3X4

Mis judul penelitian:Analisis hubungan Berat Badan dengan Tekanan darah di Kab X th 2012

Model Faktor RisikoLangkah Pemodelan1. Seleksi bivariat: bila sig < 0,25 maka var tsb kandidat

multivariat. Walaupun sig > 0,25 boleh masuk multivariat kalau secara substansi merupakan variabel penting

2. Pembuatan model: Backward: 1. Full Model: masukkan semua variabel mencakup: var

utama, var konfounding.2. Uji Interaksi: tambahkan interaksi var utama dengan var

lainnya dan lakukan penilaian interaksi dng cara melihat nilai sig. Bila sig > 0,05 var interaksi dikeluarkan dari model. (lakukan penilaian interaksi satu per satu).

3. Uji konfounding: dng cara melihat perubahan OR ketika dikeluarkan var konfounding satu persatu dimulai dari p value terbesar. Bila setelah dikeluarkan diperoleh selisih OR var Utama lebih besar dari 10 %, maka variabel tsb adalah konfounding dan dimasukkan kembali kedalam model

Regresi logistik model Faktor Risiko Rokok BBLR

1, Regresi Logistik Model Prediksi

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

Smoke (0,1) BBLR (low)

Mis judul penelitian:Risiko perokok untuk melahirkan bayi BBLR di Kab X tahun 2006

Age (….yrs)Lwt (..pounds)Race (1,2,3)Ptl (…times)Ht (0,1)Ui (0,1)Ftv (…times)

Contoh Aplikasi:Regresi Logistik Model Prediksi

27

Logistik Model prediksi

Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (age) , RAS (race), HIPERTENSI (ht), ADA KELAINAN UTERUS (ui), ANC (ftv),merokok (smoke), prematur (ptl) dengan kejadian BBLR (low).

Umur(age)Ras(race)Hipertensi(ht)Uterus(ui)Anc(ftv)Merokok(smoke)Prematur(ptl)

BBLR(low)

Seleksi bivariat

Omnibus Tests of Model Coefficients

2.760 1 .097

2.760 1 .097

2.760 1 .097

Step

Block

Model

Step 1Chi-square df Sig.

Variables in the Equation

-.051 .032 2.635 1 .105 .950 .893 1.011

.385 .732 .276 1 .599 1.469

age

Constant

Step1

a

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

95.0% C.I.forEXP(B)

Variable(s) entered on step 1: age.a.

1. umur

Hasil bivariat menunjukkan , umur mempunyai p value 0,097 (lihatDi omnibus test bagian block). Dengan demikian p value < 0,25Jadi umur dapat ke multivariat.Dari hasil diatas juga dapat diketahui nilai OR, yaitu di kolomEXP(B) = 0,950

2. Race

Categorical Variables Codings

96 .000 .000

26 1.000 .000

67 .000 1.000

White

Black

Other

RaceFrequency (1) (2)

Parameter codingOmnibus Tests of Model Coefficients

5.010 2 .082

5.010 2 .082

5.010 2 .082

Step

Block

Model



4.922 2 .085

.845 .463 3.323 1 .068 2.328 .939 5.772

.636 .348 3.345 1 .067 1.889 .955 3.736

-1.155 .239 23.330 1 .000 .315

race

race(1)

race(2)

Constant

Step 1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: race.a.

Hasil uji didapatkan p value 0,087 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) besarnya 1,89 artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1,89 kali lebi tinggi dibandingkan ras kulit putih.

3. hipertensi


4.022 1 .045

4.022 1 .045

4.022 1 .045

Step

Block

Model



1.214 .608 3.979 1 .046 3.365 1.021 11.088

-.877 .165 28.249 1 .000 .416

ht

Constant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: ht.a.

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

4. Kelainan uterus


5.076 1 .024

5.076 1 .024

5.076 1 .024

Step

Block

Model



.947 .417 5.162 1 .023 2.578 1.139 5.834

-.947 .176 29.072 1 .000 .388

ui

Constant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: ui.a.

Hasil p value 0,024 (p value < 0,25), maka variabel kelainan uterus dapat lanjut ke multivariat

5. ANC


.773 1 .379

.773 1 .379

.773 1 .379

Step

Block

Model



-.135 .157 .744 1 .389 .874 .643 1.188

-.687 .195 12.427 1 .000 .503

ftv

Constant

Step1

a


95.0% C.I.for EXP(B)

Variable(s) entered on step 1: ftv.a.

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.

6. merokok


4.867 1 .027

4.867 1 .027

4.867 1 .027

Step

Block

Model



.704 .320 4.852 1 .028 2.022 1.081 3.783

-1.087 .215 25.627 1 .000 .337

smoke

Constant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: smoke.a.

Hasil analisis bivariat didapatkan p value = 0,027 ( < 0,25) dengan demikian variabel merokok dapat masuk ke multivariat.

7. prematur


6.779 1 .009

6.779 1 .009

6.779 1 .009

Step

Block

Model



.802 .317 6.391 1 .011 2.230 1.197 4.151

-.964 .175 30.370 1 .000 .381

ptl

Constant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: ptl.a.

Hasil analisis didapatkan p value sebesar 0,009 berarti < 0,25 sehingga variabel riwayat adanya prematur dapat masuk ke multivariat

Hasil seleksi bivariat

Variabel P value

UmurRasHipertensiKelainan uterusPeriksa hamilMerokokPrematur

0,0970,0820,0450,0240,3790,0270,009

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.

Setelah masing-masing variabel independen dilakukan analisis bivariat, hasilnya:

Pemodelan Multivariat


-.041 .036 1.249 1 .264 .960 .894 1.031

6.783 2 .034

1.009 .502 4.034 1 .045 2.743 1.025 7.345

1.003 .426 5.560 1 .018 2.727 1.185 6.280

.964 .391 6.090 1 .014 2.622 1.219 5.639

.630 .340 3.429 1 .064 1.877 .964 3.654

1.361 .631 4.648 1 .031 3.902 1.132 13.451

.802 .458 3.066 1 .080 2.229 .909 5.468

.009 .161 .003 1 .954 1.009 .736 1.384

-1.183 .919 1.659 1 .198 .306

age

race

race(1)

race(2)

smoke

ptl

ht

ui

ftv

Constant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui, ftv.a.

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.

Model tanpa FTVVariables in the Equation

-.040 .036 1.275 1 .259 .960 .896 1.030

6.781 2 .034

1.009 .503 4.035 1 .045 2.744 1.025 7.347

1.002 .425 5.562 1 .018 2.723 1.184 6.262

.963 .390 6.086 1 .014 2.620 1.219 5.632

.629 .340 3.423 1 .064 1.875 .963 3.651

1.358 .629 4.663 1 .031 3.889 1.134 13.341

.800 .457 3.063 1 .080 2.226 .908 5.454

-1.184 .919 1.661 1 .197 .306

age

race

race(1)

race(2)

smoke

ptl

ht

ui

Constant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui.a.

Setelah ftv keluar, kita lihat perubahan OR untuk masing-masingvariabel

Perubahan nilai OR

Variabel OR ftv ada OR ftv tak ada perubahan OR

AgeRace(1)Race(2)Smoke

PtlHtuiftv

0.9602.7432.7272.6221.8773.9022.2291.009

0.9602.7442.7232.6201.8753.8892.226

0 %0 %0 %0 %

0,1 %0.3 %0,1 %

Ternyata setelah ftv keluar, perubahan OR untuk semua variabel ygTersisa tidak ada yang > 10 %. Dengan demikian ftv dikeluarkan dariModel.Selanjutnya variabel umur dicoba dikeluarkan dari model

Model tanpa umur


7.968 2 .019

1.088 .501 4.723 1 .030 2.968 1.113 7.916

1.059 .418 6.422 1 .011 2.883 1.271 6.538

.991 .387 6.569 1 .010 2.694 1.263 5.747

.576 .334 2.975 1 .085 1.779 .925 3.422

1.364 .633 4.640 1 .031 3.912 1.131 13.537

.855 .451 3.585 1 .058 2.350 .970 5.692

-2.146 .386 30.917 1 .000 .117

race

race(1)

race(2)

smoke

ptl

ht

ui

Constant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: race, smoke, ptl, ht, ui.a.

Setelah umur dikeluarkan kita lihat perubahan nilai OR untuk variabelYang tersisa

Perubahan nilai ORVariabel OR age ada OR age tak ada perubahan OR


PtlHtuiftv

0.9602.7432.7272.6221.8773.9022.2291.009

-2.9682.8832.6941.7793.9122.350

8,2 %5,7 %2,7 %5,2 %0.3 %5,4 %

Setelah umur keluar, perubahan nilai OR nya tidak ada yang > 10%, berartiVariabel umur dikeluarkan dari modelSelanjutnya variabel variabel prematur dicoba dikeluarkan

Model tanpa prematurVariables in the Equation

8.245 2 .016

1.064 .499 4.545 1 .033 2.897 1.090 7.704

1.083 .413 6.877 1 .009 2.955 1.315 6.640

1.094 .380 8.299 1 .004 2.986 1.419 6.286

1.359 .630 4.660 1 .031 3.894 1.133 13.379

1.006 .438 5.262 1 .022 2.734 1.158 6.458

-2.092 .380 30.307 1 .000 .123

race

race(1)

race(2)

smoke

ht

ui

Constant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: race, smoke, ht, ui.a.

Variabel OR ptl ada OR ptl tak ada perubahan OR


PtlHtuiftv

0.9602.7432.7272.6221.8773.9022.2291.009

-2.8972.9552.986

-3.8942.734

-

5,6 %8,3 %

13,8 %-

0.2 %22,6 %

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

Model prematur masuk lagi


7.968 2 .019

1.088 .501 4.723 1 .030 2.968 1.113 7.916

1.059 .418 6.422 1 .011 2.883 1.271 6.538

.991 .387 6.569 1 .010 2.694 1.263 5.747

.576 .334 2.975 1 .085 1.779 .925 3.422

1.364 .633 4.640 1 .031 3.912 1.131 13.537

.855 .451 3.585 1 .058 2.350 .970 5.692

-2.146 .386 30.917 1 .000 .117

race

race(1)

race(2)

smoke

ptl

ht

ui

Constant

Step1

a


95.0% C.I.forEXP(B)


Model setelah variabel prematur dimasukkan kembali.Variabel ui p=0,058, dengan demikian variabel ui dicoba dikeluarkandari model

Model tanpa uterus


8.286 2 .016

1.062 .500 4.513 1 .034 2.894 1.086 7.712

1.085 .411 6.949 1 .008 2.958 1.321 6.626

.996 .382 6.794 1 .009 2.707 1.280 5.726

1.221 .629 3.764 1 .052 3.390 .988 11.640

.696 .325 4.596 1 .032 2.007 1.062 3.793

-2.025 .372 29.586 1 .000 .132

race

race(1)

race(2)

smoke

ht

ptl

Constant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: race, smoke, ht, ptl.a.

Perubahan OR tanpa Uterus

Variabel OR ui ada OR ui tak ada perubahan OR


PtlHtuiftv

0.9602.7432.7272.6221.8773.9022.2291.009

-2.8942.9582.707

2.0073.390

--

5,5 %8,4 %3,2 %6,9 %

13.1 %--

Uterus merubah OR > 10%, dengan demikian variabel uterus dimasukkanKembali dalam model

Dengan demikian pemodelan selesai

Model AkhirVariables in the Equation

7.968 2 .019

1.088 .501 4.723 1 .030 2.968 1.113 7.916

1.059 .418 6.422 1 .011 2.883 1.271 6.538

.991 .387 6.569 1 .010 2.694 1.263 5.747

.576 .334 2.975 1 .085 1.779 .925 3.422

1.364 .633 4.640 1 .031 3.912 1.131 13.537

.855 .451 3.585 1 .058 2.350 .970 5.692

-2.146 .386 30.917 1 .000 .117

race

race(1)

race(2)

smoke

ptl

ht

ui

Constant

Step1

a


95.0% C.I.forEXP(B)


Interpretasi Model Akhir

Interpretasi:Model persamaan regresi logistik hanya dapat digunakan pada disain penelitian Kohor dan Eksperimen.

Sedangkan pd disain penelitian cross sectional atau case control, interpretasi hanya sebatas nilai OR (Exp B).

Nilai OR pada multivariat sudah terkontrol (adjusted) oleh variabel lain yang ada pada model.

Interpretasi

Interpretasi model:Variabel yang berhubungan 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 3,9, artinya Ibu yang menderita hipertensi akan melahirkan bayi BBLR sebesar 3,9 kali lebih tinggi dibandingkan ibu yang tidak menderita hipertensi setelah dikontrol variabel ras, merokok, prematur dan uterus.

…..idem interpretasi untuk variabel yang lain….

Uji interaksi

Block 2: Method = EnterOmnibus Tests of Model Coefficients

Chi-

square df Sig.

Step 1

Step.000 1 .994

Block .000 1 .994

Model

26.560 7 .000


7.900 2 .019

1.088 .502 4.692 1 .030 2.969 1.109 7.946

1.059 .419 6.387 1 .011 2.883 1.268 6.555

.990 .397 6.211 1 .013 2.692 1.236 5.865

.576 .336 2.937 1 .087 1.779 .921 3.438

1.360 .831 2.680 1 .102 3.896 .765 19.852

.854 .451 3.584 1 .058 2.350 .970 5.693

.010 1.283 .000 1 .994 1.010 .082 12.491

-2.146 .386 30.875 1 .000 .117

race

race(1)

race(2)

smoke

ptl

ht

ui

ht by smoke

Constant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: ht * smoke .a.

Uji interaksi didapatkan p value pada blok2 bagian step = 0,994, p value >0,05 berarti tidak ada interaksi.


7.968 2 .019

1.088 .501 4.723 1 .030 2.968 1.113 7.916

1.059 .418 6.422 1 .011 2.883 1.271 6.538

.991 .387 6.569 1 .010 2.694 1.263 5.747

.576 .334 2.975 1 .085 1.779 .925 3.422

1.364 .633 4.640 1 .031 3.912 1.131 13.537

.855 .451 3.585 1 .058 2.350 .970 5.692

-2.146 .386 30.917 1 .000 .117

race

race(1)

race(2)

smoke

ptl

ht

ui

Constant

Step1

a


95.0% C.I.forEXP(B)


Interpretasi Model Akhir

Perhatikan var UI, nilai Exp(B) atau OR 2,3 tetapi nilai sig 0,058.Secara substansi 2,3 bermakna tetapi secara statistik tidak sig, mengapa?

Karena jumlah responden yang mengalami UI sangat sedikit, hanya …. OrangMultivariat membutuhkan jumlah sampel yang lebih besar dibanding bivariat

51

Selamat Berlatih….

Contoh Aplikasi:Regresi Logistik Faktor Risiko

52

Regresi logistik model Faktor Risiko Rokok BBLR

1, Regresi Logistik Model Prediksi

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

Smoke (0,1) BBLR (low)

Mis judul penelitian:Risiko perokok untuk melahirkan bayi BBLR di Kab X tahun 2006

Age (….yrs)Lwt (..pounds)Race (1,2,3)Ptl (…times)Ht (0,1)Ui (0,1)Ftv (…times)

2. regresi.logistik+multivariat

Documents