Aplikasi regresi logistik

1. Aplikasi
Regresi Logistik
Praktikum Biostatistik Lanjut I
Sabtu, 20 Desember 2008

2. Model Prediksi
 Tujuan: u/ mengetahui faktor-faktor yg
berhubungan terhadap kinerja petugas UKGS
Cakupan SD UKGS
Cakupan sikat gigi
Cakupan selektif
Frekuensi pembinaan
Umur
Masa kerja
Sex
Pendidikan
Kinerja Petugas
UKGS

3. Data
Kinerja petugas UKGS 1=kinerja baik
0=kinerja kurang baik
kinerja2
Cakupan SD UKGS 1: ≥80%
0: <80%
caksdgr
Cakupan sikat gigi 1: ≥80%
0: <80%
cakskggr
Cakupan selektif 1: ≥30%
0: <30%
cakslkgr
Frekuensi pembinaan 1: ≥2x/th
0: <2x/th
binagrp
Umur tahun umur
Masa kerja tahun mskerja
Sex 1=laki-laki
2=perempuan
sex

4. Tahapan
 Tahap 1: seleksi kandidat variabel independen
(p≤0,250)
• Katagorik  x2
• Numerik  pemeriksaan linieritas OR kuartil
• Numerik  uji t
 Tahap 2: regresi logistik ganda
 Metode estimasi: enter
 Secara bertahap dg signifikan parsial<0,100
 Tahap 3: uji interaksi & konfounding

5. Pemeriksaan Linieritas OR Kuartil
 Bila terdapat variabel independen dg tipe
numerik (scr substansi tdk diperoleh nilai cut-
off untuk mengelompokkan)
 Tujuan: mempermudah interpretasi OR hasil
regresi logistik
 Bila OR kuartil yg dihasilkan membentuk linier
maka disarankan untuk tetap numerik, namun
jika tidak menunjukkan linier mk disarankan
untuk dikelompokkan.

6. Pemeriksaan Linieritas OR Kuartil
 Carilah nilai statistik kuartil 1, 2 & 3 dr variabel
numerik
 Buatlah variabel baru yg dikelompokkan bdskn
nilai kuartil tsb
 Lakukan regresi logistik sederhana variabel baru
tsb terhdp variabel dependen
 Buatlah grafil line dg menggunakan OR yg
dihasilkan regresi logistik tsb

7. 1. Deskripsi kuartil
 Contoh: umur & masa kerja
hilangkan tanda √ pd Display frequency tables  klik button Statistics  klik
pd kotak Quartiles  Continue  OK
Pindahkan variabel numerik
pd kotak Variable(s)

8. 1. Deskripsi Kuartil
 Hasil output:
 Umur  1: <29,00; 2: 29,00 - 31,49;
3: 31,50 - 36,99; 4: ≥37,00
 Masa kerja  1: <4,00 2: 4,00 – 8,99
3: 9 – 14,49 4: ≥14,50

9. 2. Buat Variabel Baru
Pindahkan variabel UMUR  tuliskan nama baru UMUR4  klik Change & klik
Old and New Values  tuliskan nilai kuartil & klik add  Continue  OK

10. 3. Regresi Logistik Sederhana
 Pindahkn variabel dependen k kotak Dependent &
variabel baru pd kotak Covariate  kilik Categorical
Pindahkan VAR BARU ke kotak
Categorical Covariates  pilih FIRST
klik button Change

11. 3. Regresi Logistik Sederhana
 Pada SPSS, yg harus diperhatikan adalah KODE, baik
variabel DEPENDEN maupn INDEPENDEN.
 Kode sebaiknya konsisten atau jika kode Y (1 & 0) maka kode
pd X sebaiknya menyertai.
 Contoh: Y=kejadian diare (1=ya, 0=tidak)
X=cuci tangan dg sabun (1=tidak, 0=ya)
 Pada menu regresi logistik dihasilkan OR atau rasio odd
X=1 terhadap X=0 untuk kejadian Y=1
 Perhatikan kode pd X untuk pembanding  indikator
refference pd menu Categorical

12. 3b. Hasil Regresi Logistik Sederhana
 Tabel Categorical Variables Codings 
pembentukan variabel DUMMY untuk UMUR4
 UMUR(1)  kelompok umur=2 dibandingkan umur=1
 UMUR(1)  kelompok umur=3 dibandingkan umur=1
 UMUR(1)  kelompok umur=4 dibandingkan umur=1
 Tabel Variables in the Equation  OR pd DUMMY
UMUR4

13. 4. Grafik Garis
 Copy tabel Variables in the Equation
 Buka prog EXCEL  paste special & text  OK

14. 4. Grafik Garis
 Blok ketiga nilai OR  klik Chart Wizard  pilih
LINE  Next  OK
Grafik Line  adanya patahan OR
(tidak linier)  UMUR4 tidak bisa
NUMERIK tp KATEGORIK

15. Pemeriksaan Linieritas OR Kuartil
 OR kuartal tdk menunjukkan adanya linieritas
maka VAR NUMERIK dikelompokkan
 Tetap 4 kelompok sesuai kuartal,
 atau dikelompokkan menjadi lebih sedikit
 UMUR dg 3 kelompok
 Kelompok 1=kuartal 1; kelompok 2=kuartal 2 & 3;
kelompok 3=kuartal4
 Untuk lanjut pada seleksi indep var  gunakan
UMUR4 & MSKERJA4

16. Seleksi Kandidat Independen Var
 Screaning dg batasan p≤0,250
 Teknik Chi-Square
 Pendekatan bivariat antar variabel katagorik & proses
belajar
 Uji t  bila independen numerik
 Dianjurkan untuk regresi logistik sederhana pd
penelitian anda

17. Chi-Square
 Pada SPSS: Analyze-Descriptive Statistics-Crosstabs
 Pindahkan DEPENDEN pd kotak COLUMN &
seluruh INDEPENDEN pd kotak ROW.
 Klik button STATISTICS  klik CHI-SQUARE 
CONTINUE  OK

18. Output Chi-Square
 Perhatikan catatan kaki
pd tabel CHI-SQUARE
TESTS
Nilai
expected <5
pd cell
Tabel
2 x 2 >2 x 2
≤20% CC Pearson
>20% Fisher LLR

19. Uji t
 Pindahkan variabel independen
numerik pd kotak Test Variable(s)
& variabel dependen pd kotak
Grouping Variable  klik Define
Groups & masukkan kode 1 – 0
 continue & OK

20. Output Uji t
 Tabel Group Statistics  nilai rata-rata veriabel
independen numerik antar kelompok dependen
Group Statistics
40 31,90 6,617 1,046
48 34,17 6,275 ,906
40 9,55 5,697 ,901
48 9,21 7,068 1,020
kinerja petugas UKGS
kurang baik
baik
kurang baik
baik
umur responden
masa kerja
N Mean Std. Deviation
Std. Error
Mean

21. Output Uji t
Independent Samples Test
,202 ,654 -1,646 86 ,103 -2,267 1,377 -5,004 ,471
-1,638 81,416 ,105 -2,267 1,384 -5,020 ,486
3,379 ,069 ,246 86 ,806 ,342 1,388 -2,417 3,101
,251 85,918 ,802 ,342 1,361 -2,364 3,047
Equal variances
assumed
Equal variances
not assumed
Equal variances
assumed
Equal variances
not assumed
umur responden
masa kerja
F Sig.
Levene's Test for
Equality of Variances
t df Sig. (2-tailed)
Mean
Difference
Std. Error
Difference Lower Upper
95% Confidence
Interval of the
Difference
t-test for Equality of Means
• Uji Homogenitas Varian
Ho: varian numerik antar kelompok dependen adl
homogen
p>  Ho gatol atau Ho diterima
Kesimpuulan: Varian numerik antar kelompok
dependen adl homogen
• Uji t (hasil berdasarkan Uji Levene)

22. Seleksi Kandidat Independen Var
 Cakupan SD UKGS p=0,168 (CC)
 Cakupan sikat gigi p=0,759 (CC)
 Cakupan selektif p=0,000 (CC)
 Frekuensi pembinaan p=0,026 (CC)
 Umur p=0,103 (homogen)
 Masa kerja p=0,806 (homogen)
 Sex p=0,000 (CC)
 Pendidikan p=0,034 (CC)

23. Regresi Logistik Ganda
 Kandidat variabel independen (p≤0,250):
Cakupan SD UKGS, Cakupan selektif, Frekuensi
pembinaan, Umur, Sex, Pendidikan.
 Regresi Logistik keenam var independen tsb
terhadap KINERJA2.
 Estimasi  Enter
 Pengeluaran dg sign parsial >0,100 & scr bertahap,
dimulai dg sign terbesar

24. Regresi Logistik Ganda
 Pd SPSS: Analyze-Regression-Binary Logistic
 Pindahkan variabel DEPENDEN k kotak Dependent
& KANDIDAT k kotak Covariate  Method: ENTER
 kilik Categorical

25. Regresi Logistik Ganda
 Pd button CATEGORICAL:
 Pindahkan KANDIDAT KATEGORIK ke kotak
Categorical Covariates  pilih FIRST klik button
Change  Continue  OK
Perhatikan kode &
pembanding yg akan
digunakan pd value label

26. Regresi Logistik Ganda
 Hasil model1 tidak menhasilkan model yg baik
shg dicoba untuk mengeluarkan Cakupan
selektif
 Tabel
 Analyze – Regression – Binary logistic
 Keluarkan Cakupan selektif  OK
Categorical Variables Codings
62 ,000
24 1,000
66 ,000
20 1,000
24 ,000
62 1,000
12 ,000
74 1,000
SPRG dan D3
Drg
pendidikan terakhir
<2x/th
>=2x/th
Frekuensi pembinan
laki-laki
perempuan
jenis kelamin
<80%
>=80%
prosentase cak sd
ukgs
Frequency (1)
Paramete
r coding
Tabel disamping menujukkan
risiko + dan –(sbg pembanding)

27. Regresi Logistik Ganda
 Hasil model2  Output
(Block 1)
 Model dg 5 kandidat  signifikan
 Kemampuan prediksi= 67,4%
 Masih ada kandidat yg memiliki
signifikan parsial >0,100  masa
kerja & pendidikan
 Masa kerja ada dummy
1 & 2 <0,100  tetap
dalam model
 Pendidikan dikeluarkan

28. Regresi Logistik Ganda
 Lanjutan: (model3)
Analyze – Regression – Binary Logistic
Pendidikan dikeluarkan  klik button OPTION
Klik CI for exp(B) 
selang estimasi OR

29. Regresi Logistik Ganda
 Hasil model 4
 Signifikan model = 0,000
 Kemampuan prediksi=
72,1% (> dibandingkan
model seblmnya)
 Signifikan parsial masih
ada >0,100
tp pd dummy
Omnibus Tests of Model Coefficients
31,109 6 ,000
31,109 6 ,000
31,109 6 ,000
Step
Block
Model
Step 1
Chi-square df Sig.
Variables in the Equation
1,595 ,861 3,432 1 ,064 4,931 ,912 26,665
2,093 ,853 6,021 1 ,014 8,107 1,524 43,139
4,762 3 ,190
-1,429 ,870 2,697 1 ,101 ,240 ,044 1,319
-1,449 ,764 3,599 1 ,058 ,235 ,053 1,049
-,615 ,840 ,535 1 ,464 ,541 ,104 2,807
2,132 ,660 10,439 1 ,001 8,435 2,314 30,749
-2,168 1,188 3,330 1 ,068 ,114
caksdgr(1)
binagrp(1)
mskerja4
mskerja4(1)
mskerja4(2)
mskerja4(3)
sex(1)
Constant
Step
1
a
B S.E. Wald df Sig. Exp(B) Lower Upper
95,0% C.I.for EXP(B)
Variable(s) entered on step 1: caksdgr, binagrp, mskerja4, sex.
a.
Classification Tablea
20 18 52,6
6 42 87,5
72,1
Observed
kurang baik
baik
kinerja petugas
UKGS
Overall Percentage
Step 1
kurang baik baik
kinerja petugas UKGS Percentage
Correct
Predicted
The cut value is ,500
a.

30. Interpretasi Regresi logistik
 Perhatikan signifikan model pd tabel Omnibus
Tests of Model Coefficients  sig bila p<0,05
 Perhatikan signifikan parsial pd tabel Variables in
the Equation  sig bila 0,10; jika ada pd salah
satu dummy dg sig parsial 0,10 sdkn dummy
lainnya >0,10 maka variabel tsb tetap dalam
model
 Perhatikan kemampuan prediksi model pd tabel
Classification Table (Overall Percentage)

31. Interpretasi Regresi logistik
 Persamaan Logit pd tabel Variable in the Equation:
 Logit (kinerja=baik)= -2,168 +1,595*caksdgr +2,093*binagrp -
1,429*mskerja4(1)
-0,449*mskerja4(2) -0,615*mskerja4(3) +2,132*sex
 RR pd frekuensi pembinaan 2x/th dibandingkan
<2x/th:
RR= P1(Y)=probabilitas kinerja baik pd frekuensi pembinaan 2x/th
P0(Y) probabilitas kinerja baik pd frekuensi pembinaan <2x/th

32. Interpretasi Regresi logistik
 OR & estimasi selang pd tabel Variable in the
Equation:
 OR pd frekuensi pembinaan 2x/th dibandingkan
<2x/th sebesar 8,107 (CI95%: 1,524 – 43,139)
 OR pd perempuan dibandingkan laki-laki sebesar
8,435 (CI95%: 2,314 – 30,749)
Variables in the Equation
1,595 ,861 3,432 1 ,064 4,931 ,912 26,665
2,093 ,853 6,021 1 ,014 8,107 1,524 43,139
4,762 3 ,190
-1,429 ,870 2,697 1 ,101 ,240 ,044 1,319
-1,449 ,764 3,599 1 ,058 ,235 ,053 1,049
-,615 ,840 ,535 1 ,464 ,541 ,104 2,807
2,132 ,660 10,439 1 ,001 8,435 2,314 30,749
-2,168 1,188 3,330 1 ,068 ,114
caksdgr(1)
binagrp(1)
mskerja4
mskerja4(1)
mskerja4(2)
mskerja4(3)
sex(1)
Constant
Step
1
a
B S.E. Wald df Sig. Exp(B) Lower Upper
95,0% C.I.for EXP(B)
Variable(s) entered on step 1: caksdgr, binagrp, mskerja4, sex.
a.

33. Uji Interaksi
 Heterogenitas efek dari suatu paparan terhadap
outcome
 Interaksi disebut juga modifikasi efek
 Asumsi: bila efek x terhadap y tergantung nilai z
(varibel independen lain)
 Uji hipotesis koefisien var. multiplikasi
Ho = β3 = 0
Bila P value hasil uji wald < alpha
Maka disimpulkan interaksi ada

34. Uji Interaksi
 Tentukan variabel yang secara substansif
berinteraksi
 Masukkan dalam model regresi
 Lihat p-value uji model tsb
bila p-value < 0.05 - ada interaksi

35. Uji Konfounding
 Konfounding  suatu distorsi dalam menaksir
pengaruh paparan terhadap penyakit sebagai akibat
tercampurnya pengaruh sebuah atau beberapa variabel
luar
 Variabel luar (extranous variabel)  konfounder
 Asumsi:
 Secara substantif variabel tsb berhubungan dengan pajanan
dan penyakit
 Pertimbangan statistik atas adanya hubungan variabel dengan
Pajanan dan penyakit

36. Uji Konfounding
 Tahapan:
 Hitung taksiran kasar (crude estimate) efek pajanan
thd outcome
 Hitung taksiran efek pajanan thd penyakit setelah
mengontrol variabel luar yang diduga sbg
konfounder (adjusted estimate)
 Bandingkan kedua taksiran, identifikasi beda kedua
taksiran
 Identifikasi konfounding dgn melihat ukuran
selisih/beda kedua taksiran yaitu nilai beda
> 10 %.

37. Uji Interaksi & Konfounding
 Asumsi interaksi & konfounding setelah diperoleh model fit
 Interaksi antara cakupan SD UKGS & frekuensi pembinaan
 Konfounding: sex
Cakupan SD UKGS
Frekuensi pembinaan
Kinerja Petugas
UKGS
Sex

38. Uji Interaksi
 SPSS:

39. Uji Konfounding
 Perhitungan rasio OR
Ratio OR = ORcrude – ORadjs
ORadjs
ORcaksdukgs = 4,172 – 4,460 * 100% = 6,46%
4,460
ORpembinaan= 5,337 - 8,563 * 100% = 37,67%
8,563
 Bila rasio OR 10%  konfounding

40. Kesimpulan
 Faktor-faktor yg berhubungan terhdp Kinerja
baik adalah cakupan SD UKGS, frekuensi
pembinaan & jenis kelamin petugas.
 Model di atas fit dg p=0,000 (omnibus table) &
signifikan parsial <0,100.
 Kemampuan prediksi model tsb sebesar 72,1%
(classification table; overall percentage)

41. Kesimpulan
 Persamaan model:
Logit(Y|kinerja baik) = -3,059 + 1,495*caksd + 2,147*binaan + 2,190*sex
 Model tidak menunjukkan adanya interaksi
antara cakupan SD UKGS dg Frekuensi
Pembinaan
 Variabel sex merupakan konfounder
 Interpretasi OR:
 Cakupan SD UKGS 80% berpeluang untuk
petugas dg kinerja baik sebesar 4,46x (CI: 1,26-
15,77) lebih dibandingkan Cakupan SD UKGS
<80% stlh dikontrol frekuensi pembinaan & sex

42. Kesimpulan
 Frekuensi pembinaan 2x/th berpeluang untuk
petugas dg kinerja baik sebesar 8,56x (CI: 2,39-
30,63) lebih dibandingkan Frekuensi pembinaan
<2x/th stlh dikontrol cakupan SD UKGS & sex
 Petugas perempuan berpeluang memiliki kinerja baik
8,94x lebih tinggi dibandingkan petugas laki-laki
setlh dikontrol cakupan SD UKGS & frekuensi
pembinaan