VARIABEL PENGGANGGU DAN INTERAKSI PADA ANALISIS REGRESI

VARIABEL PENGGANGGU DAN INTERAKSI PADA ANALISIS REGRESIL/O/G/O

PENDAHULUANTujuan dari sebuah analisis regresi ganda : Memprediksi variabel dependen Menghitung hubungan antara satu atau lebih variabel independen dgn variabel dependen Dlm Bab ini akan menerangkan tentang : Regresi prosedur yg populer Analisis covariance (ANACOVA)

GAMBARAN UMUMConfounding & interaksi, meskipun berbeda konsep, namun keduanya sama-sama memperhitungkan efek dari variabel tambahan yg dpt mempengaruhi hubungan antara dua atau lebih variabelPertanyaan mendasarnya adalah : Apakah dan Bagaimana variabel-variabel ini harus dimasukkan ke dalam sebuah model yg berhubungan sehingga dpt diperhitungkan ?

CONTOHMembandingkan hubungan aktivitas fisik dgn tekanan darah sistolik.

Dgn metode mengendalikan variabel UMUR (Variabel perancu).

Dgn perlu mempertimbangkan kapan kita hrs mengabaikan variabel UMUR dlm proses analisis & masih beranggapan bahwa aktivitas fisik dgn tekanan darah memiliki hubungan asosiasi

Lanjutan ..

Secara umum, counfounding ada jika hasil interpretasinya berbeda makna dari suatu hubungan ketika variabel pengganggu diabaikan atau termasuk dalam analisis data

Contoh : perkiraan kasar dari hubungan antara aktivitas fisik dgn tekanan darah sistolik dgn mengabaikan usia (variabel perancu)

Interaksi adalah kondisi dimana hubungankepentingan yg berbeda pada tingkat yg berbeda darivariabel asing yg menggambarkan hubungankepentingan di nilai yg berbeda dari variabel asing

Sehingga dpt dikatakan bahwa, pengganggu & interaksi adalah fenomena yg berbeda. Sebuah variabel dpt memanifestasikan baik pengganggu & interaksi atau hanya salah satu dari dua. Namun demikian, jika interaksi yang kuat ditemukan, penyesuaian untuk pembaur yg tidak pantas.

Lanjutan ..

INTERAKSI DLM REGRESIAkan menjelaskan : 1.Bagaimana 2 variabel independen dpt berinteraksi untuk mempengaruhi variabel dependen

2.Bagaimana interaksi trsbt dpt diwakili oleh model regresi yg sesuai

Contoh : Bagaimana 2 variabel independen, yaitu suhu (T) dan konsentrasi katalis (C), bersama-sama mempengaruhi tingkat pertumbuhan (Y) organisme dlm sistem biologis tertentu. Lebih lanjut, anggaplah bahwa dua tingkat suhu tertentu (To dan TJ) dan dua tingkat tertentu konsentrasi katalis (Co dan C1) harus diperiksa & bahwa sebuah eksperimen dilakukan di mana pengamatan atas Y diperoleh untuk masing-masing dari empat kombinasi temperatur tingkat konsentrasi katalis :(To, Co) (To, C1)(T1, Co) (T1, C1)

Lanjutan ..

Keterangan :T (suhu)C (katalis)Y (pertumbuhan)Gambar diatas (11-1),(a) Tdk ada interaksi dibandingkan (b) interaksi : menunjukkan bhwa tingkat perubahan dlm tingkat pertumbuhan sbgai fungsi temperatur adlh sama terlepas dari tingkat konsentrasi katalis, dgn kata lain, hubungan antara Y dan T tdk dgn cara apapun tergantung dari C.

Lanjutan ..

Keterangan :T (suhu)C (katalis)Y (pertumbuhan)Lanjutan ..

Model gambar (11.2) dpt ditulis sebagai :YIT,C = (0 + 2C0) + (1 + 12C0) Tdan ketika C = C1, model (11.2) menjadi YIT,C = (0 + 2C1) + (1 + 12C1) TSecara umum, dpt dikatakan bahwa tdk ada interaksi ini identik dgn paralelisme dlm arti bhwa kurva respon Y terhadap T untuk nilai tetap dari C sejajar

ATAU

kurva-kurva respons (yg mungkin linear atau nonlinear) semua memiliki bentuk umum yg sama, berbeda satu sama lain hanya dgn konstanta aditif independen misalnya, lihat pd Gambar 11-2.

CONFOUNDING DALAM REGRESIMari kita menggambarkan hubungan antara variabel independen (T) & variabel dependen (Y) dengan mempertimbangkan dampak pengganggu yg mungkin dari variabel ketiga (C). Seperti dijelaskan sebelumnya, penilaian pengganggu (C) membutuhkan perbandingan perkiraan kasar dari hubungan T-Y, yg mengabaikan efek dari variabel kontrol dgn perkiraan hubungan yg menyumbang (atau kontrol) untuk variabel ini.Perbandingan ini dapat dinyatakan dalam dua model regresi berikut : Y = 0 + 1T + 2C + E dan Y = 0 + 1T + 2C + E

aturan umumUntuk menilai keberadaan variabel pengganggu ketika hanya satu variabel independen yang menjadi terkontrol, maka:variabel pengganggu hadir jika estimasi koefisien (l) dari variabel penelitian T berubah secara bermakna ketikavariabel C akan dikeluarkan dari Model yaitu jika, l C lTanda kita perlu menentukan secara subyektif apakah kedua perkiraan masing-masing menggambarkan interpretasi yang berbeda dari asosiasi T-Y dalam pertanyaan.

Mengendalikan Satu Variabel Asing Misalkan, kita ingin menggambarkan hubungan antara T (independen) & Y (dependen), dgn mempertimbangkan beberapa kovariat C1, C2, . . , CP,. Analog dgn prosedur yg dijelaskan untuk satu kovariat, kita dpt menilai confounding dgn membandingkan perkiraan kasar dari hubungan T-Y dgn beberapa perkiraan yg disesuaikan. Seperti sebelumnya, perkiraan kasar dpt didefinisikan dlm hal model regresi yg menggambarkan hubungan antara T dan Y, mengabaikan semua kovariat. Untuk mendapatkan estimasi disesuaikan, namun harus mempertimbangkan model diperpanjang & didefinisikan sebagai berikut : Y = 0 + 1T + 2C1 + 3C2 + + P+1CP + ESebagai contoh hipotesis penelitian menilai hubungan antara tingkat aktivitas fisik (PAL) dan tekanan darah sistolik (SBP) sementara mengontrol kedua AGE dan SEX.Dengan asumsi bahwa tidak ada efek interaksi signifikan yang ditemukan, dihasilkan model yang diturunkan adalah sebagai berikut:

SBP + o + 1 (PAL) + 2 (AGE) + 3 (SEX) + EContoh RevisitedStep berikutnya adalah menilai pengganggu, yaitu, apakah koefisien PAL berubah ketika UMUR dan/atau SEX yang jatuh dari model?

Untuk menjawab ini, kita estimasi koefisien PAL dalam 4 model, yaitu

termasuk UMUR dan SEX , melibatkan baik UMUR atau SEX tetapi tidak keduanya, dan yang melibatkan keduanya. Model standar untuk perbandingan adalah satu berisi variabel kontrol dan PAL.Menilai PenggangguJika estimasi 1 perubahan cukup ketika setidaknya satu variabel kontrol dijatuhkan dari model standar, perlu untuk mengendalikan baik UMUR dan SEX.

Jika memperoleh dasarnya estimasi yang sama pada 1 (menggunakan model standar emas) ketika hanya UMUR adalah dalam model, tidak perlu mempertahankan SEX dalam model untuk mengontrol untuk faktor pembaur.

Masuknya variabel seks selain UMUR meningkatkan atau menurunkan presisi. Keputusan untuk mengendalikan hanya UMUR atau keduanya UMUR dan SEX akan terikat, misalnya, perbandingan interval kepercayaan untuk 1. Jika interval kepercayaan jauh lebih rendah bila hanya UMUR dikendalikan, maka tidak akan mempertahankan SEX dalam model.

LanjutanSetelah keputusan dibuat tentang variabel yang dikendalikan (yang merupakan model terbaik untuk memberikan perkiraan yang valid dan tepat dari koefisien PAL), kemudian membuat kesimpulan statistik tentang hubungan PAL-SBP benar.Mengingat model tanpa interaksi, ini melibatkan pengujian H0 : 1 = 0 dalam model terbaik dan kemudian memperoleh perkiraan interval 1.Pengganggu dan interaksi adalah dua konsep metodologis berkaitan dengan penilaian dari hubungan antara variabel independen dan dependen.Interaksi, yang didahulukan dari pengganggu, terjadi ketika hubungan kepentingan yang berbeda pada tingkat yang berbeda dari variabel asing (kontrol).Pengganggu, yang mana tidak dievaluasi dengan uji statistik, muncul ketika efek kepentingan berbeda terikat pada apakah variabel asing diabaikan atau disimpan dalam analisis.KESIMPULAN19Ketika beberapa pembaur potensial yang sedang dipertimbangkan, mungkin akan bermanfaat untuk mengidentifikasi nonconfounders yang dapat dijatuhkan dari model untuk mendapatkan presisi, ini tidak mungkin (misalnya, presisi mungkin akan hilang dengan menjatuhkan variabel) dalam beberapa situasi.Ketika ada interaksi yang kuat yang melibatkan variabel asing tertentu, penilaian pengganggu untuk variabel asing tidak relevan. Selain itu, dalam situasi seperti penilaian pengganggu yang melibatkan variabel asing lain, meskipun mungkin, cukup kompleks dan sangat subyektif. Akibatnya, penilaian pengganggu biasanya tidak dianjurkan ketika efek interaksi yang penting telah diidentifikasi.

KESIMPULAN

Confounding & interaksi adalah dua konsep metodologis yg berkaitan dgn penilaian hubungan antara variabel terikat dan variabel bebas.Confounding yg tdk dievaluasi dgn uji statistik, hadir ketika efek berbeda-beda, apakah variabel dan kontrol diabaikan atau disimpan dlm istilah analisis regresi.

Confounding dinilai dgn membandingkan koefisien regresi mentah dan disesuaikan dari model yg berbeda.

Interaksi, yg mana mengambil alih faktor Confounding, terjadi ketika hubungan yg berbeda pada tingkat yg berbeda dari kontrol dan variabel.

Dalam regresi linier, interaksi dievaluasi dgn menggunakan teks statistik tentang ketentuan produk melibatkan variabel terikat dasar dlm model. Ketika ada interaksi yg kuat melibatkan variabel dan kontrol tertentu variabel penilaian confounding variabel asing yg relevan. Selain itu, dlm situasi seperti penilaian confounding yg melibatkan variabel dan kontrol, meskipun mungkin, cukup kompleks dan sangat subyektif. Akibatnya, penilaian confounding biasanya tidak dianjurkan ketika efek interaksi yang penting telah diidentifikasi. Make Presentation much more funL/O/G/O