Multivariat analisis (Konfounding & Interaksi) BESRAL: Departemen Biostatistika FKM UI, 2015 1
1
Uji Statistik Bivariat Univariat Deskripsi satu variabel (mean atau proporsi) Uji Bivariat Deskripsi uji hubungan antara 2 variabel
Jenis uji sangat tergantung pada jenis data/variabel: 1.Uji Chi-square (uji beda proporsi) atau Reg. logistik sederhana 2.Uji-T dan 3.Uji-Anova (uji beda mean), 4.Uji korelasi atau Regresi linier sederhana
Independen
Kategorik
Numerik
Var Dependen Kategorik Numerik 2.t-test-paired (sebelum-sesudah) 1.Chi-square/ 2.t-test-independen Regresi logistik (jika 2 kategori) sederhana 3.Anova (jika >2 kategori)
t-test (jika 2 kategori) Anova (>2 kategori)
4.Korelasi / Regresi Linier sederhana 2
2
Uji Statistik Bivariat:
Uji statistik bivariat hanya akurat bila subjek yang ingin dibandingkan adalah homogen, yaitu pada studi eksperimen di laboratorium, dimana variabel perancu tidak ada lagi.
Misalnya: subjek adalah tikus satu-ibu satubapak. Subjek sudah homogen. Yang berbeda hanyalah: satu kelompok dapat perlakuan (intervensi), yang satu lagi tidak dapat perlakukan (kontrol) 3
3
Uji Statistik Multivariat:
Pada penelitian survei di masyarakat, tidak mungkin subjeknya homogen (umurnya sama, pendidikan sama, pengetahuan sama, pekerjaan sama, sosek sama, jumlah anak sama, status gizi sama, penyakitnya sama), yang berbeda hanyalah
variabel yang ingin kita uji (misalnya ANEMIA dan TIDAK Anemia), untuk mengetahui efeknya terhadap BBLR.
Karena tidak homogen, maka kita harus mengontrol (pada saat analisis data) semua variabel yang berpengaruh melalui analisis multivariat 4
4
Contoh Suatu penelitian bertujuan untuk mengetahui hubungan Intervensi Fe, status gizi, dan sosial ekonomi dengan kejadian BBLR Intervensi Fe
BBLR
St.Gizi Ibu Sosek
5
5
Hasil Uji Bivariat (Variabel utama) Intervensi Fe Ya Tidak
Normal n %
BBLR n %
OR
23 36
37 24
0,41 0,014
38.0 60.0
62.0 40.0
p-value
Hasil uji Bivariat, tidak logis dan tidak bisa dipercaya….???: Intervensi pemberian Fe malah meningkatkan risiko BBLR. Risiko BBLR pada ibu yang tidak mendapat intervensi Fe 0,4 kali lebih rendah dibandingkan dengan ibu yang mendapat intervensi Fe (tdk masuk akal). 6
6
Hasil Uji Bivariat (Confounding) Normal
Status Gizi Baik Kurang Sosek Tinggi Rendah
BBLR
n
%
n
%
OR
p-value
40 19
67 32
20 41
33 68
4,30
0,000
40 19
69 31
18 43
31 69
5,00
0,000
Ibu dengan st.gizi kurang memiliki risiko 4 kali lebih besar untuk melahirkan bayi BBLR dibanding itu st.gizi baik Ibu dengan sosek rendah memiliki risiko 5 kali lebih besar untuk melahirkan bayi BBLR dibanding itu sosek tinggi
7
7
Intervensi Fe
Hasil Uji Multivariat
BBLR
St.Gizi Ibu Sosek
Variables in the Equation
Tdk.Intervensi.Fe Gizi.kurang Sosek.rendah
B
1.91 2.38 2.09
S.E.
0.72 0.64 0.51
Wald
7.09 13.82 17.02
df
Sig.
1 1 1
Exp(B)
0.008 0.000 0.000
6.7 10.7 8.1
Simpulan Hasil uji Multivariat: Tidak intervensi Fe, Gizi kurang, dan Sosek rendah merupakan faktor risiko BBLR. Risiko BBLR pada yang tidak mendapat Fe sebesar 6,7 kali lebih tinggi, pada yang kurang gizi 10,7 kali lebih tinggi, dan pada sosek rendah 8 kali lebih tinggi (OR sudah dikontrol oleh variabel confounding) 8
8
Intervensi Fe
Perbandingan hasil uji St.Gizi Ibu Bivariat vs Uji Multivariat Intervensi Fe Ya Tidak St.Gizi Baik Kurang Sosek Tinggi Rendah
Normal n %
BBLR
Sosek
BBLR n %
Bivariat OR Sig
Multivariat OR Sig
23 38.0 36 60.0
37 24
62.0 40.0
0,41
0.014
6.7 0.000
40 19
67 32
20 41
33 68
4,30
0.000
10.7 0.000
40 19
69 31
18 43
31 69
5,00
0.000
8.1 0.000
(OR pd multivariat sudah dikontrol oleh pengaruh confounding) (Catatan: pada tahap ini uji interaksi belum dilakukan) 9
9
Apa yang dimaksud dengan Konfounding..???
10
10
CONFOUNDING Dari bahasa latin cunfundere (to mix together)
Pengertian:
Suatu distorsi (gangguan) dalam menaksir pengaruh paparan terhadap kejadian penyakit/outcome sebagai akibat tercampurnya pengaruh sebuah atau beberapa variabel luar.
Suatu kondisi bias dalam mengestimasi efek paparan terhadap kejadian penyakit/masalah kesehatan, akibat perbandingan yang tidak seimbang antara kelompok exposed dan non exposed.
Suatu situasi ditemukannya hubungan non-causal antara exposure/paparan dan outcome yang diteliti akibat adanya pengaruh variabel ketiga (Moyses S. & F. Javier N., 2000) Variabel luar (ketiga) = confounder
11
11
Karakteristik Confounder Exposure
Disease
Confounder
1.
2.
3.
Berhubungan dengan paparan/faktor resiko yang diteliti (causally atau non-causally associated) Berhubungan dengan penyakit/outcome (causally associated) Bukan merupakan konsekuensi dari paparan (tidak terletak diantara E & D / bukan variabel antara) 12
12
Arah Confounding 1. Positif Overestimate (risk value menjauhi ‘Null value’ jika tidak dikontrol) OR/RR 0.1
0.3
0.5
CF controlled CF not controlled
1 Null value
1.3
1.7
2
CF controlled CF not controlled
Negatif Underestimate (risk value mendekati ‘Null value’ jika tdk dikontrol) kurang beresiko atau kurang proteksi 3. Cross over asosiasi berubah arah: negatif positif (sebaliknya) 2.
13
13
Upaya Mengontrol Confounding Pada tahap Design
1.
Restriksi (pada experimental & observational study) membatasi obyek penelitian pada level confounder yang sama (confounder tidak bervariasi) antara group E – nE dan D – nD Kelemahan: efek modifikasi tidak dapat dievaluasi, generalizability? 2. Matching (pada experimental & observational study) Type: a). Full matching, b). partial matching Method: a). Frequency/marginal matching, b). Individual matching Problem: Over matching
3. Randomisasi (hanya pada experimental study) subyek penelitian ditempatkan secara random pada group2 yang diperbandingkan (E & NE)
Pada tahap Analisa Data
1. 2.
Analisis Stratifikasi Analisis Multivariat 14
14
Eksistensi Confounding
Confounding = bias estimasi efek pajanan terhadap penyakit akibat perbandingan tidak seimbang antara kelompok terpajan dengan kelompok tidak terpajan Terjadi akibat adanya perbedaan risiko terjadinya penyakit pada kelompok terpajan dengan kelompok tidak terpajan Risiko terjadinya penyakit berbeda meskipun pajanan dihilangkan pada kelompok terpajan
15
15
Syarat Confounding (C) 1. 2. 3.
E
D
C merupakan faktor risiko D C memiliki asosiasi dengan E C bukan variabel antara
C
Contoh Confounding Intervensi Fe
BBLR
St.Gizi Ibu 16
16
Contoh confoundingIntervensi Fe
BBLR
Hubungan Intervensi Fe dg BBLR
Intervensi Fe Normal BBLR Ya 24 36 Tidak 36 24 OR = (24 x 24) / (36 x 36) = 0,44
Total 60 60
Variables in the Equation Step a 1
Tdk.Interv ensi.Fe Constant
B -.811 .405
S.E. .373 .264
Wald 4.735 2.367
df 1 1
Sig. .030 .124
Exp(B) .444 1.500
a. Variable(s) entered on step 1: Tdk.Interv ensi.Fe.
Hasil analisis: OR = 0,44 Intervensi Fe berisiko terjadinya BBLR. .Lho…… kok bisa? Lesson learn: Jangan percaya pada Analisis bivariat, karena masih kasar… 17
17
Contoh confounding Intervensi Fe dg BBLR (Dipisah menurut status Gizi)
Hasil analisis: Tidak mendapat intervensi Fe berisiko terjadinya BBLR, baik pd kelompok gizi baik maupun pd gizi kurang.
Kelompok gizi baik BBLRFe + 6 34 Fe Jumlah 40
BBLR + 2 18 20
Jumlah 8 52 60
BBLR + 34 6 40
Jumlah
OR = (18*6)/(34*2) = 1,58 Kelompok gizi kurang BBLRFe + 18 Fe 2 Jumlah 20
8 52 60
OR = (6*18)/(2*34) = 1,58 18
18
Contoh confounding
BBLR
St.Gizi ibu Hubungan status gizi dengan BBLR BBLR+ BBLRJumlah Gizi kurang 40 20 60 Gizi baik 20 40 60 Jumlah 60 60 120 OR = (40*40)/(20*20) = 4,00 Variables in the Equation Step a 1
Gizi Constant
B 1. 386 -. 693
S.E. .387 .274
Wald 12. 812 6. 406
df 1 1
Sig. .000 .011
Exp(B) 4. 000 .500
a. Variable(s) ent ered on step 1: Gizi.
Hasil analisis: OR 4,0 Ibu dengan status gizi kurang memiliki risiko 4 kali untuk melahirkan BBLR 19
19
Intervensi Fe
Contoh confounding Distibusi Fe menurut status gizi Fe + Fe Jumlah
Gizi kurang Gizi baik 8 52 52 8 60 60
Jumlah 60 60 120
BBLR
St.Gizi Ibu
Distribusi Fe tidak imbang pd st.gizi baik dan kurang, menyebabkan hasil analisis St.Gizi berbeda antara crude dengan adjusted, perbedaan ini disebut dengan efek konfounding. Variables i n th e Equ ation Step a 1
Tdk.Interv ensi.F e Gizi.kurang Constant
B .463 1.735 -1.099
S.E. .613 .613 .609
Wald .569 8.006 3.253
df 1 1 1
Sig. .450 .005 .071
Exp(B) 1.588 5.667 .333
a. Variable(s) entered on st ep 1: Tdk.Interv ensi.F e, Gizi.kurang.
St.gizi merubah hubungan Fe dg BBLR OR crude Fe=0.44 (sebelum dikontrol oleh St.Gizi) berubah menjadi OR adjusted =1.58 (setelah dikontrol oleh St.Gizi) 20 20
Intervensi Fe
Contoh confounding
BBLR
St.Gizi Ibu
Pada contoh diatas, status gizi merupakan confounder karena st.gizi merubah hubungan Intervensi Fe dg BBLR, hal ini dapat terjadi karena:
St.gizi kurang merupakan faktor risiko BBLR Distribusi Fe tidak seimbang pada ibu gizi kurang dan ibu gizi baik, atau sebaliknya St.Gizi tidak imbang antara Fe + dengan Fe -, Sehingga St. Gizi merubah hubungan Fe dengan BBLR
Identifikasi Konfounder: Konfounder exist jika = Delta OR > 10% | ORcrude ORadjusted | Delta _ OR *100% ORadjusted
21
21
Intervensi Fe
Contoh confounding
BBLR
St.Gizi Ibu
Hasil analisis membuktikan bahwa status gizi merupakan variabel confounding atau perancu, dalam hubungan Intervensi Fe dengan BBLR
Apakah konfounding berlaku juga sebaliknya? Dalam hubungan Status gizi dengan BBLR, apakah anemia merupakan konfounding? Bisa ya, bisa tidak, silakan di analisis St.Gizi Ibu
BBLR
Intervensi Fe 22
22
Interaksi
23
23
INTERAKSI
Interaksi = Efek modifikasi = Efek modifier
Pengertian:
Keberagaman/heterogenitas/variasi efek dari suatu faktor resiko terhadap kemunculan penyakit/outcome, pada level yang berbeda dari faktor resiko lain
Suatu situasi dimana 2 atau lebih faktor resiko saling memodifikasi (besar dan/atau arah) efek nya terhadap kejadian/outcome yang diteliti (Moyses S. & F. Javier N., 2000)
Efek modifikasi menunjukkan seberapa jauh efek faktor resiko utama terhadap munculnya penyakit/outcome, dimodifikasi oleh faktor resiko lain (modifier) 24
24
Apakah efek intervensi Fe berbeda menurut St.Gizi? Jika ya, maka Fe berinteraksi dengan St.Gizi atau St. Gizi merupakan Efek Modifier?
Identifikasi Interaksi: 1. Apakah antar strata (sig vs tdk, proteksi vs faktor risiko, risiko rendah vs tinggi) efek St.Gizi baik dibanding St.Gizi kurang? 2. Apakah interaksi Fe dg St.Gizi signifikan? P-value < 0.05? Ibu Anemia St.Gizi Ibu
BBLR 25
25
Hasil analisis: St.Gizi bukan efek modifier, tdk berinteraksi dg intervensi Fe 1. Hubungan Fe dg BBLR menurut status Gizi:
Simpulan: St.Gizi bukan variabel interaksi karena Risiko Fe terhadap kejadian BBLR adalah sama (tidak berbeda) baik pada kelompok gizi baik maupun pd gizi kurang (OR sama sama 1,58)
Kelompok gizi baik BBLRFe + 6 34 Fe Jumlah 40
BBLR + 2 18 20
Jumlah 8 52 60
BBLR + 34 6 40
Jumlah
OR = (18*6)/(34*2) = 1,58 Kelompok gizi kurang BBLRFe + 18 Fe 2 Jumlah 20
8 52 60
OR = (6*18)/(2*34) = 1,58 26 26
St.Gizi bukan efek modifier, tidak berinteraksi dengan Intervensi Fe 2. Signifikansi variabel interaksi anemia dg st.Gizi > 0,05:
Gizi.kurang Tdk.Intervensi.Fe Gizi by Intervensi.Fe
B 1.735 0.463 0.000
S.E. 0.867 0.867 1.226
Wald 4.003 0.285 0.000
df 1 1 1
Sig. 0.045 0.594 1.000
Exp(B) 5.67 1.59 1.00
Constant -1.099 0.816 1.810 1 0.178 0.33 Variable(s) entered on step 1: Gizi.kurang, Tdk.Intervensi.Fe, Gizi.kurang * Tdk.Intervensi.Fe .
Simpulan: Anemia tidak berinteraksi dengan St.Gizi karena nilai-p variabel interaksi >0.05 (Sig.=1.000) Jika tidak ada interaksi, lakukan uji confounding 27
27
St.Gizi merupakan konfounding dalam hubungan Intervensi Fe dengan kejadian BBLR Tdk.Intervensi.Fe Constant
B S.E. Wald -0.811 0.373 4.735 0.405
0.264
df
2.367
Sig. Exp(B) 1 0.030 0.44 1
0.124
1.50
Variable(s) entered on step 1: Tdk.Intervensi.Fe.
Tdk.Intervensi.Fe Gizi.kurang
B 0.463 1.735
S.E. 0.613 0.613
Wald 0.569 8.006
df 1 1
Constant
-1.099
0.609
3.253
1
Sig. Exp(B) 0.450 1.59 0.005 5.67 0.071
0.33
Variable(s) entered on step 1: Tdk.Intervensi.Fe, Gizi.kurang.
Simpulan: OR Intervensi Fe berubah 10% atau lebih, dari 0.44 (OR Crude) menjadi 1.59 (OR adjusted) setelah dikontrol oleh St.Gizi 28
28
St.Gizi
Interaksi St.Gizi dg Sosek
BBLR Sosek
1. Hubungan St. Gizi dg BBLR menurut Sosek: Simpulan: Status Gizi berinteraksi dengan Sosek (sosek memodifikasi efek dari St.Gizi dengan BBLR) Risiko St.Gizi kurang terhadap kejadian BBLR adalah berbeda antara Sosek Tinggi (OR = 1,05) dg Sosek Rendah (OR = 8,18)
Kelompok Sosek Tinggi: BBLR - BBLR + Total 27 11 Gizi Baik 38 14 6 Gizi Kurang 20 OR=(27*6/11*14) =1.05 Kelompok Sosek rendah: BBLR - BBLR + Total 13 9 Gizi Baik 22 6 34 Gizi Kurang 40 OR=(13*34/9*6) = 8.18 29
29
Interaksi St.Gizi dg Sosek St.Gizi
BBLR
Sosek 2. Signifikansi interaksi St. Gizi dg Sosek < 0,05: B S.E. Wald df Sig. Exp(B) Gizi.kurang 0.051 0.605 0.007 1 0.933 1.05 Sosek.rendah 0.530 0.562 0.890 1 0.346 1.70 Gizi by Sosek 2.052 0.866 5.611 1 0.018 7.78 Constant -0.898 0.358 6.302 1 0.012 0.41 Variable(s) entered on step 1: Gizi.kurang, Sosek.rendah, Gizi.kurang * Sosek.rendah . Simpulan: St.Gizi berinteraksi dengan Sosek, karena nilai-p (sig) variabel interaksi <0.05 (sig=0.018) 30
30
Jika ada interaksi (efek modifier), maka harus dilaporkan efek (nilai OR) yang terpisah untuk masing-masing strata Mulai Ada Interaksi?
Tidak
Lakukan uji konfounding Tidak
YA
Laporkan OR masing-masing strata
Ada Confounding?
Laporkan OR crude
YA Laporkan OR adjusted 31
31
Interaksi pada Regresi Logistik
Interaksi atau modifikasi efek (effect modifier) adalah heterogenitas efek dari satu pajanan pada tingkat pajanan lain
Modifikasi efek merupakan konsep yang penting dalam tahpa analisis: apakah akan melaporkan efek bersama (yang terkontrol confounder) atau efek yang terpisah untuk masing-masing strata.
32
32
Interaksi pada Regresi Logistik
Pada analisis regresi logistik, jika kita menemukan adanya interaksi antar variabel pajanan dengan variabel lainnya, maka nilai odds rasio harus dilaporkan secara terpisah menurut strata dari variabel tersebut.
Nilai rasio odds yang tertera pada variabel pajanan menjadi tidak berlaku dan nilai odds rasio untuk masing-masing strata harus dihitung secara manual. 33
33
Perhitungan OR interaksi B S.E. Wald df Sig. Exp(B) Gizi.kurang 0.051 0.605 0.007 1 0.933 1.05 Sosek.rendah 0.530 0.562 0.890 1 0.346 1.70 Gizi by Sosek 2.052 0.866 5.611 1 0.018 7.78 Constant -0.898 0.358 6.302 1 0.012 0.41 Variable(s) entered on step 1: Gizi.kurang, Sosek.rendah, Gizi.kurang * Sosek.rendah .
Logit (BBLR) = a + b1Gizi + b2Sosek+ b3Gizi*sosek
Maka OR untuk st.gizi adalah: Pada sosek=0 (tinggi), OR = e(b1 + b3*0) = eb1 Pada sosek=1 (rendah), OR = e(b1 + b3*1) = eb1+b3
OR untuk st.gizi menurut sosek adalah:
e(0,051+2,052*sosek), sehingga: Pada sosek=0 (tinggi), OR = e(0,051+2,052*0) = e(0,051)= 1,05 Pada sosek=1 (rendah), OR = e(0,051+2,052*1) = e(2,103)= 8,18 Pada sosek tinggi tidak ada pengaruh St.gizi pada BBLR, Pada sosek rendag, st.gizi kurang berisiko 8 kali lebih besar utk BBLR
34
34
Perhitungan OR interaksi B S.E. Wald df Sig. Exp(B) Gizi.kurang 0.051 0.605 0.007 1 0.933 1.05 Sosek.rendah 0.530 0.562 0.890 1 0.346 1.70 Gizi by Sosek 2.052 0.866 5.611 1 0.018 7.78 Constant -0.898 0.358 6.302 1 0.012 0.41 Variable(s) entered on step 1: Gizi.kurang, Sosek.rendah, Gizi.kurang * Sosek.rendah .
Logit (BBLR) = a + b1Gizi + b2Sosek+ b3Gizi*sosek
Maka OR untuk Sosek adalah: Pada gizi =0 (baik), OR = e(b2 + b3*0) = eb2 Pada gizi=1 (kurang), OR = e(b2 + b3*1) = eb2+b3
OR untuk Sosek menurut sosek adalah:
e(0,051+2,052*sosek), sehingga: Pada gizi=0 (baik), OR = e(0,53+2,052*0) = e(0,53)= 1,7 Pada gizi=1 (kurang), OR = e(0,53+2,052*1) = e(2,103)= 13, 2 Pada gizi baik, Risiko sosek rendah untuk BBLR 1,7 kali, Pada gizi kurang, Risiko sosek rendah untuk BBLR 13 kali
35
35
Pengujian Interaksi
Pengujian Interaksi Pada Regresi Logistik Ganda
Interaksi harus diuji terlebih dahulu (pada MODEL Faktor risiko) Interaksi diuji terakhir (pada MODEL prediksi atau determinan) Adanya Interaksi antar 2 variabel independen ditunjukan dengan nilai Sig. < 0.05 Jika ada interaksi, variabel interaksi harus masuk dalam model dan laporkan OR menurut kelompok (strata) dari var interaksi 36
36
Pengujian Confounding
Pengujian Confounding Pada Regresi Logistik Ganda
Adanya Konfounder dideteksi dg melihat perubahan nilai Exp(B) atau OR sebesar > 10%
Absolut ( OR Crude – OR Adjusted ) * 100% >10% konfounder OR Adjusted
Perubahan OR diidentifikasi dari:
Variabel independent utama saja (dan interaksinya, jika ada interaksi) dalam pemodelan faktor resiko, atau Semua variabel independen lain, dalam pemodelan prediksi
Jika ada confounder, maka variabel konfounder harus masuk ke dalam model 37
37
Bivariat (Crude Analysis) Normal
Status Gizi Baik Kurang Sosek Tinggi Rendah Intervensi Fe Ya Tidak
BBLR
n
%
n
%
OR
p-value
40 20
66.7 33.3
20 40
33.3 66.7
4,00
0,000
41 19
68.3 31.7
17 43
28.3 71.7
5,46
0,000
24 36
40.0 60.0
36 24
60.0 40.0
0,44
0,022
Tugas: Tulis interpretasinya masing-masing variabel, apa arti OR crude? 38
38
Multivariat (Adjusted) tanpa Interaksi Gizi.kurang Sosek.rendah Tdk.Intervensi.Fe Constant
B 2.38 2.28 2.10 -3.43
S.E. 0.64 0.52 0.73 0.82
Wald 13.83 19.16 8.34 17.58
df 1 1 1 1
Sig. 0.000 0.000 0.004 0.000
Exp(B) 10.79 9.80 8.18 0.03
Variable(s) entered on step 1: Gizi.kurang, Sosek.rendah, Tdk.Intervensi.Fe.
Tugas: 1.Tulis interpretasi masing-masing variabel 2.Bandingkan OR crude dg adjusted 3.Apakah ada konfounding? 39
39
Model Interaksi St.Gizi dg Sosek, setelah dikontrol oleh intervensi Fe Gizi.kurang Sosek.rendah Tdk.Intervensi.Fe
Gizi by Sosek
B 1.29 1.25 2.58 2.66
S.E. 0.75 0.63 0.88 1.03
Wald 2.98 3.95 8.50 6.65
df 1 1 1 1
Sig. 0.084 0.047 0.004 0.010
Exp(B) 3.65 3.49 13.14 14.36
TUGAS: 1. Apakah ada interaksi? 2. Hitung OR masing-masing strata 3. Tulis interpretasi hasil .. 40
40
Menghitung OR interaksi dg STATA
41
41
Menghitung OR interaksi & 95% CI pd SPSS dilakukan secara manual
42
42
Menghitung OR antara interaksi CIsbb: pd 1.Buat Model Interaksi St.Gizi&dg95% Sosek, STATA command (syntax) 1.Buat Model Interaksi antara St.Gizi dg Sosek logistic bblr gizi_kurang##sosek_rendah 2a. lincom untuk menghitung OR St.Gizi pada sosek rendah (pembanding gizi baik) lincom 1.gizi_kurang + 1.gizi_kurang#1.sosek_rendah 2b. lincom untuk menghitung OR Sosek pd Gizi kurang (pembanding sosek baik) lincom 1.sosek_rendah + 1.sosek_rendah#1.gizi_kurang 1.Buat Model Interaksi antara Smoke dg Race logistic low race##smoke 2a.Lincom utk OR smoke (pembanding tdk merokok) Lincome 1.smoke + 1.smoke#1.race *OR smoke pd ras putih Lincome 1.smoke + 1.smoke#2.race *OR smoke pd ras hitam Lincome 1.smoke + 1.smoke#3.race *OR smoke pd ras lain 2b.Lincom utk OR race (pembanding ras putih) Lincome 2.race + 2.race#0.smoke *OR ras hitam pd non-smoker Lincome 3.race + 3.race#0.smoke *OR ras lainnya pd non-smoker Lincome 2.race + 2.race#1.smoke *OR ras hitam pd smoker Lincome 3.race + 3.race#1.smoke *OR ras lainnya pd smoker 43
43
1.Buat Model Interaksi antara St.Gizi dg Sosek, sbb: logistic
bblr gizi_kurang##sosek_rendah
Logistic regression
Number of obs LR chi2(3) Prob > chi2 Pseudo R2
Log likelihood = -66.873051
bblr
1.gizi_kurang 1.sosek_rendah gizi_kurang#sosek_rendah
Odds Ratio Std. Err.
z
1.05 1.70
0.64 0.96
0.08 0.94
7.78
6.74
2.37
P>|z|
= = = =
120 32.61 0.0000 0.1960
[95% Conf. Interval]
0.933 0.32 0.346 0.56 0.018 1.42
3.44 5.11 42.49
OR INTERAKSI: 1. OR St.Gizi (St.gizi=1 dibanding St.gizi=0) untuk terjadinya BBLR, pada Sosek Tinggi (Sosek=0) adalah 1.05 (sesuai output) 2. OR St.Gizi (St.gizi=1 dibanding St.gizi=0) untuk BBLR, pada Sosek 44 Rendah (Sosek=1) harus dihitung ulang dg perintah lincom
44
2. lincom untuk menghitung OR St.Gizi pada sosek rendah: lincom 1.gizi_kurang + 1.gizi_kurang#1.sosek_rendah ( 1)
bblr
(1)
[bblr]1.gizi_kurang + [bblr]1.gizi_kurang#1.sosek_rendah = 0
Odds Ratio Std. Err. z
8.19
5.07
P>z
3.39 0.001
[95% Conf. Interval]
2.43
27.58
OR INTERAKSI: 1. OR St.Gizi (St.gizi=1 dibanding St.gizi=0) untuk BBLR, pada Sosek Tinggi (Sosek=0) adalah 1.05 (output sebelumnya) 2. OR St.Gizi (St.gizi=1 dibanding St.gizi=0) untuk BBLR, pada Sosek Rendah (Sosek=1) adalah = 8.19 (CI: 2.43 – 27.58) 45
45
1.Buat Model Interaksi antara Sosek dg St.Gizi, sbb: logistic
bblr gizi_kurang##sosek_rendah
Logistic regression
Number of obs LR chi2(3) Prob > chi2 Pseudo R2
Log likelihood = -66.873051
bblr 1.gizi_kurang
Odds Ratio Std. Err.
z
1.sosek_rendah
1.05 1.70
0.64 0.96
0.08 0.94
gizi_kurang#sosek_rendah
7.78
6.74
2.37
P>|z|
= = = =
120 32.61 0.0000 0.1960
[95% Conf. Interval]
0.933 0.32 0.346 0.56 0.018 1.42
3.44 5.11 42.49
OR INTERAKSI: 1. OR Sosek (Sosek rendah=1 dibanding sosek tinggi=0) untuk BBLR, pada Gizi_baik (St.Gizi=0) adalah 1.70 (sesuai output) 2. OR Sosek (Sosek rendah=1 dibanding sosek tinggi=0) untuk BBLR, 46 pada Gizi_kurang (St.Gizi=1) harus dihitung ulang dg perintah lincom
46
2. lincom untuk menghitung OR Sosek pd Gizi kurang: lincom 1.sosek_rendah + 1.sosek_rendah#1.gizi_kurang ( 1)
bblr (1)
[bblr]1.sosek_rendah + [bblr]1.gizi_kurang#1.sosek_rendah = 0
Odds Ratio Std. Err. z
13.22
8.71
P>z
3.92
0.000
[95% Conf. Interval]
3.63
48.10
OR INTERAKSI: 1. OR Sosek (Sosek rendah=1 dibanding sosek tinggi=0) untuk BBLR, pada Gizi_baik (St.Gizi=0) adalah 1.70 (output sebelumnya) 2. OR Sosek (Sosek rendah=1 dibanding sosek tinggi=0) untuk BBLR, pada Gizi_kurang (St.Gizi=1) adalah = 13.22 (CI: 3.63 – 48.10) 47
47
Menghitung OR interaksi lebih 2 kategori Model-1
Rokok
Model-2
BBLR
Ras: 1. Putih, 2.Hitam, 3.Lainnya
Risiko perokok untuk BBLR
Ras: 1. Putih, 2.Hitam, 3.Lainnya
BBLR
Rokok
Efek Ras untuk BBLR
48
48
1.Buat Model Interaksi antara Smoke dg Race, sbb: logistic low race##smoke Logistic regression
Log likelihood = -108.40889
Number of obs LR chi2(5) Prob > chi2 Pseudo R2
= = = =
189 17.85 0.0031 0.0761
*OR smoke pd ras putih
2.Lincom utk OR smoke Lincome 1.smoke + 1.smoke#1.race Lincome 1.smoke + 1.smoke#2.race Lincome 1.smoke + 1.smoke#3.race
*OR smoke pd ras putih *OR smoke pd ras hitam *OR smoke pd ras lain 49
49
3. OR smoke: a. pd ras putih = 5.75 b. pd ras hitam = 3.3 c. pd ras lain = 1.25
50
50
1.Buat Model Interaksi antara Race dg Smoke, sbb: logistic low race##smoke
2.Lincom utk OR race (pembanding ras putih) Lincome 2.race + 2.race#0.smoke Lincome 3.race + 3.race#0.smoke
*OR ras hitam pd non-smoker *OR ras lainnya pd non-smoker
Lincome 2.race + 2.race#1.smoke Lincome 3.race + 3.race#1.smoke
*OR ras hitam pd smoker *OR ras lainnya pd smoker
51
51
Nilai OR HASIL ANALISIS STATA
52
52
Nilai OR HASIL ANALISIS SPSS & MsExcel
53
53
Terima Kasih…. Jika ada pertanyaan silakan email ke:
[email protected] Sms:0858 8098 4413 WA:0812 8257 5200 54
54