regresi logistik-09
TRANSCRIPT
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 1/32
Atik Mawarni Magister IKM 1
ANALISIS REGRESI
LOGISTIK GANDA
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 2/32
Atik Mawarni Magister IKM 2
TUJUAN ANALISIS REGRESI
LOGISTIK
• Sebuah variabel terikat katagori, dipengaruhi olehvariabel bebas katagori maupun numerikberjumlah ≥ 2
• Menentukan variabel bebas yg berpengaruh pada
respon (var terikat ) pengujian secara individu
• Menghasilkan persamaan regresi logistik gandauntuk memprediksi respon/outcome dalambentuk probabilitas uji model
• Mendeteksi adanya confounding
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 3/32
Atik Mawarni Magister IKM 3
BBL = - RENDAH
- NORMAL
ANC
-Lengkap
-Tdk Lengkap
UMUR IBU
-Beresiko
-Sehat
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 4/32
Atik Mawarni Magister IKM 4
ANALISIS REGRESI LOGISTIK
• Model matematis yang menunjukkanadanya hubungan fungsional antara dua
variabel. Pada umumnya digunakan variabel
Y= Variabel terikat / respon
X= variabel bebas / paparan/ faktor resiko
• Model Regresi Logistik
- Sederhana :
- Ganda
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 5/32
Atik Mawarni Magister IKM 5
PERSAMAAN REGRESI LOGISTIK
• MODEL MATEMATIS1
f (Z) = ----------------
-z1 + e
Z = b0 + b1 X1 ( R. LOG. sederhana )
Z = b0 + b1 X1 + b2 X2 + … + bp Xp ( RL. ganda )
X = paparan, faktor resiko, variabel bebas
f (z ) = outcome
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 6/32
Atik Mawarni Magister IKM 6
FUNGSI LOGISTIK ( Kurva S)
• 1
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 7/32
Atik Mawarni Magister IKM 7
NILAI f (Z )
1f (- ∞ ) = ---------------- = 0
- ( - ∞ )
1 + e
1
f ( ∞ ) = ---------------- = 1
- (∞ )
1 + e
- Berapapun nilai z - f ( Z ) = berharga antara 0 dan 1
-
f (Z) probabilitas resiko terjadinya outcome yang diamati
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 8/32
Atik Mawarni Magister IKM 8
Model Regresi Logistik
pln = ( b
+ b1 X1 + … + bpXp )
1-p
• X = variabel bebas, ( dikotomi, ordinal,nominal, rasio, interval , continuous )
Variabel terikat = data katagori( binomial, multinomial )
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 9/32
Atik Mawarni Magister IKM 9
b0 = konstanta
b1,b2,…, bp : koefisien regresi
X i = variabel bebas ( rasio, interval,
ordinal ,nominal )= 1 : terpapar
0 : tdk terpapar
f (z) = 1 : terjadi peristiwa (sukses)
0 : tdk terjadi peristiwa (gagal)
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 10/32
Atik Mawarni Magister IKM 10
Contoh prediksi :
Untuk ibu umur beresiko tinggi dan
pemeriksaan ANC tidak lengkap hampirdapat dipastikan akan melahirkan BBLrendah. ( misal nilai prob p ( X ) = 0.89 )
Diperoleh dengan model prediksi :
1
p(X) =- ( b
+ b1 X1 + b2X2 )
1 + e
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 11/32
Atik Mawarni Magister IKM 11
PENDUGAAN PARAMETER
• METODE MAXIMUM LIKELIHOOD
Mengestimasi paramater b , sedemikian
hingga memaksimumkan peluang
berdasarkan data yg terobservasi.
Fungsi likelihood adalah :
yi 1-yi
If ( Xi ) = p (Xi ) [ 1 – p (Xi) ]
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 12/32
Atik Mawarni Magister IKM 12
UJI STATISTIK SECARA INDIVIDU
UJI WALD
Ho : bi = 0
- Variabel bebas ke i tidak berpengaruh terhadap
var terikat . ( OR <=1 )
Ha : bi ≠ 0
- Variabel bebas ke i berpengaruh terhadap var
terikat . (OR >1 )
b
Wald =
SE ( b )
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 13/32
Atik Mawarni Magister IKM 13
1
P( Event) =
- ( b
+ b1 X1 + … + bpXp )
1 + e
Perhitungan Besar Resiko :
b
i
OR ( Xi ) = Exp ( bi ) = e
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 14/32
Atik Mawarni Magister IKM 14
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 15/32
• Paritas = 1. Tinggi ; 0 : rendah
•Hb = 1. anemis ; 0 = normal
• Berapa probabilitas seorang ibu akan
melahirkan berat bayi lahir rendah apabila
mempunyai paritas tinggi (1) dan hbanemis (1).
• Berapa probabilitas seorang ibu akan
melahirkan berat bayi lahir rendah apabilamempunyai paritas rendah (0) dan hb
normal (0).
Atik Mawarni Magister IKM 15
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 16/32
• Paritas Uji Wald= 3,050, dengan p =
0,081 > 0,05 tidak ada pengaruh paritasterhadap BBL
• Hb Uji Wald = 9,817 dengan p = 002 ( p
< 0,01 ) - Ada pengaruh Hb terhadapBBL
• Berdasar Exp (B)= Paritas = 2,7, Hb =6,28
• - Pengaruh terbesar HB selanjutnya
diikuti Paritas
Atik Mawarni Magister IKM 16
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 17/32
Atik Mawarni Magister IKM 17
CONFIDENCE INTERVAL DAN UJI
KEMAKNAAN
• Menghasilkab batas bawah dan batas atas dari
Exp ( bi )
• Konfiden interval menunjukkan kemaknaan dari faktor
resiko
• Apabila dalam interval yang terbentuk memuat nilai 1
uji Wald tidak bermakna p > 0,05
• Uji Wald = 3,050 , p = 0,081
Exp ( b )= 2,770
Lower = 0,883, Upper = 8,694
( 0,883 < Exp ( b ) < 8,694 )
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 18/32
Atik Mawarni Magister IKM 18
UJI GOODNESS OF FIT
1.Uji Hosmer and Lemeshow• Merupakan uji goodnes of fit : data cocok
dengan model
•
Ho: data empiris sesuai modelHa : data empiris tdk sesuai model
p > 0,05 Ho diterima data sesuai model
2. Tabel klasifikasi : model yg sempurna , semuakasus berada pd diagonal dng ketepatan
peramalan 100 %
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 19/32
Atik Mawarni Magister IKM 19
Uji Likelihood Ratio
• Membandingkan dua model
Log(odds) = b0 + b1x1 + b2x2 + b3x3 (model 1)
Log(odds) = b0 + b1x1 + b2x2 (model 2)
• LR statistic
-2 log (likelihood model 2 / likelihood model 1) =
-2 log (likelihood model 2) minus -2log (likelihood model 1)
LR statistic mengikuti distribusi 2
in model
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 20/32
Atik Mawarni Magister IKM 20
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 21/32
Atik Mawarni Magister IKM 21
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 22/32
Atik Mawarni Magister IKM 22
Pemodelan Pada Regresi LogistikMODEL PREDIKSI
• Bertujuan memperoleh model atau kumpulan variabel bebas yg dianggapterbaik untuk memprediksi kejadian variabel dependen ( outcome ).
• Prediksi dilakukan berdasarkan persamaan regresi logistik.
• Pemodelan menganggap semua variabel dianggap sama penting.
difokuskan pada pertimbangan nilai statistik / metode stepwise .
MODEL FAKTOR RESIKO
• Mengestimasi asosiasi antara suatu faktor resiko dengan suatu
outcome. Diutamakan suatu determinan yg ingin dipelajari,mempertimbangkan confounding .
Digunakan metode enter
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 23/32
Atik Mawarni Magister IKM 23
Langkah-Langkah Pemilihan Variabel
•
Lakukan analisis hubungan variabel bebas dng terikat.
• Lakukan analisis bivariat untuk semua variabel bebas
terhadap variabel terikat , amati nilai p . Variabel yg
potensial masuk pada multivariat uji Wald : p < 0,25
• Lakukan analisis multivariat untuk semua variabel
bebas dengan p < 0,25 . Lakukan berulang ulang
sampai diperoleh semua variabel mempunyai nilai
p < 0,05 pada uji Wald.
• Perhatikan untuk variabel confounding.
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 24/32
Atik Mawarni Magister IKM 24
• Contoh : Langkah-2 Pemilihan Variabel
- 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
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 25/32
Atik Mawarni Magister IKM 25
Hipotesis :
- Ada hubungan persepsi ketrampilan petugas
terhadap kepuasan pasien
- Ada hubungan persepsi keramahan petugas
terhadap kepuasan pasien
- Ada hubungan persepsi fasilitas terhadapkepuasan pasien
- Ada pengaruh persepsi ketrampilan, persepsi
keramahan, persepsi fasilitas terhadap
kepuasan pasien
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 26/32
Atik Mawarni Magister IKM 26
Ketrampilan Keramahan Fasilitas Kepuasan
Tidak (1)
Ya (0)
Tidak (1)
Tidak (1)
Ya (0)
...
...
Ya (0)
Tidak (1)
Ya (0)
Ya (0)
Tidak (1)
Ya (0)
...
...
Ya (0)
Tidak (1)
Ya (0)
Tidak (1)
Tidak (1)
Ya (0)
...
...
Tidak (1)
Tidak (1)
Ya (0)
Ya (0)
Tidak (1)
Ya (0)
...
...
Ya (0)
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 27/32
Atik Mawarni Magister IKM 27
Uji Hubungan ( Uji Chi Square)
Variabel 2
C
Nilai p
Ketrampilan
Keramahan
Fasilitas
9,470
25,25
0,932
0,002
0,001
0,334
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 28/32
Atik Mawarni Magister IKM 28
Uji Pengaruh ( Regresi Logistik Bivariat)
Var Wald p OR CI
95 %Ketrampilan
Keramahan
6,0660
22,652
0,014
0,000
13,82
9,33
1,71 <OR<111,7
3,72<OR<23,4
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 29/32
Atik Mawarni Magister IKM 29
Uji Pengaruh ( Regresi Logistik Multivariat)
VARIABEL b WALD SIG EXP b CI
95 %
Ketrampilan
Keramahan
2,22
1,91
3,69
14,30
0,005
0,001
9,26
6,80
0,96<OR<89
2,52<OR<8,7
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 30/32
Atik Mawarni Magister IKM 30
Variabel Confounding
Variabel luar yang tidak diamati akan
tetapi mempengaruhi hasil pada respon. Dapat memperkecil atau memperbesar
pengaruh paparan terhadap respon
terjadi distorsi hubungan (underestimateatau overestimate ).
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 31/32
Atik Mawarni Magister IKM 31
• KRITERIA COUNFOUNDING
– Mempunyai hubungan dengan respon
maupun paparan
Paparan Respon
Counfounding
7/26/2019 REGRESI LOGISTIK-09
http://slidepdf.com/reader/full/regresi-logistik-09 32/32
Atik Mawarni Magister IKM 32
Reference
• Hosmer DW, Lemeshow S. Applied logistic
regression. Wiley & Sons, New York, 1989