BAB 15 Translate Halus

8/16/2019 BAB 15 Translate Halus

1/10

BAB 15 MENGANALISIS DATA

Bab ini dimaksudkan untuk memberikan kenyamanan bagi para peneliti klinis

baru yang tidak ahli statistik. Sebagai bukan ahli statistik yang telah melakukan

semua penelitian, kita di posisi sebagai bagian dari tim kolaboratif yang terlatih,

berpengalaman, dan ahli statistik sangat kompeten. Bagaimanapun, kita

memainkan peran kunci dalam perencanaan analisis studi kita sendiri. Untuk

melakukannya dengan baik, kita harus memahami konsep dasar analisis.

Sebaiknya kita telah mengikuti satu atau lebih program pengantar statistik dan

telah berkonsultasi pengantar uji statistik agar tidak asing terhadap konsep-konsep

dasar.

15.1. PERMULAAN SEDERHANA

Idealnya, kita telah mempersiapkan "rancangan tabel" ketika kita

merancang penelitian, dan sekarang kita dapat menempatkan data

penelitian dalam tabel ini untuk memberikan "gambaran" dari apa yang

telah kita temukan. Bahkan jika kita tidak mempersiapkan tabel selama

tahap usulan proyek, sekarang adalah waktu untuk melakukannya,

berdasarkan kekuatan pertanyaan penelitian kita. Untuk tabel ini kita harus

menambahkan ukuran pemusatan yaitu, mean dan median! dan dispersi

yaitu, range, standar deiasi, dan range antar-kuartil!, dan tabulasi silang.

#ampilan data yaitu, scatterplots dan histogram! sangat berguna dalam

membantu kita memahami data dengan baik. Semakin baik kita

memahami data dari sudut pandang deskriptif, semakin kecil kemungkinan

untuk membuat kesalahan.

15.2. CARA MENJADI MITRA YANG BAIK BAGI KOLEGA AHLI

STATISTIK

Sebagai peneliti klinis, kita harus memiliki keahlian statistitik.

Beberapa berpendapat bahwa menggunakan program statistik yang

canggih dan belajar untuk menganalisis akan sangat membantu yang


2/10

paling umum digunakan, S$SS lebih mudah untuk belajar, S%S, program

yang lebih sulit, lebih digunakan oleh para profesional!.

Bagaimana kita mengoptimalkan pembelajaran statistik& $ertama,

ktia harus bekerja dengan kolega ahli statistik yang tidak hanya kompeten

tetapi juga siap membantu dalam pendidikan kita. 'ereka harus guru yang

baik, ramah, dan mampu menjawab pertanyaan kita dan menjelaskan

pemikiran di balik pilihan teknik analitik mereka. (ita akan melakukan

yang terbaik dengan menjadi ingin tahu dan gigih dalam belajar sebanyak

yang kita dapatkan dari setiap tantangan analitik yang kita hadapi. (edua,

kita dapat menambahkan "kemampuan pemahaman konseptual yang baik

dari pendekatan statistik" untuk kualitas yang kita mencari dalam

pencarian mentor penelitian klinis yang ideal.

15.3. TIDAK ADA YANG TERBAIK

$eneliti baru mungkin menganggap bahwa ada satu pendekatan

terbaik untuk masalah analitik. Ini adalah paham yang keliru. %da banyak

hal yang harus kita pelajari. $ertama, setelah kita mendapatkan

pemahaman tentang konsep dasar, bahkan jika kita belum pernah

melakukan analisis S%S atau S$SS, kita tidak harus malu menawarkan

pendapat kita dan terlibat dalam diskusi dengan rekan-rekan statistik.

(edua, tidak ada satu cara yang benar atau terbaik dari melakukan analisis

walaupun ada cara yang salah!. )ika kita merasa tidak nyaman dengan apa

yang rekan statistik kita sarankan, kita perlu bertanya kembali. (etiga,

sering mencari informasi cara untuk menjalankan analisis menggunakan

lebih dari satu strategi. 'enemukan hasil yang sama akan meningkatkan

kepercayaan diri kita di setiap alternatif cara. (eempat, kita dan rekan

statistik harus siap untuk menanggapi pengamat statistik yang memiliki

ide sendiri tentang pendekatan analisis terbaiknya.

15.4. TIDAK ADA YANG MUDAH

Bahkan pengalaman selama satu dekade atau lebih, kami terkejut

melihat seberapa sering sebuah studi baru yang berbeda di beberapa jalan


3/10

kadang-kadang minor! dari proyek-proyek sebelumnya. Ini menjadi

tantangan yang cukup besar dalam menentukan pendekatan yang optimal

untuk analisis. (ita akhirnya akan menemukan tantangan baru dalam

memutuskan pendekatan analitik yang optimal dan kebutuhan untuk

mengembangkan pendekatan baru. #erkadang minoritas analisis cenderung

benar-benar mudah, tetapi kami mengantisipasi kebutuhan untuk

kolaborasi statistik yang tetap berkualitas tinggi.

15.5. RAGU-RAGU'eskipun semua kolega ahli statistik telah bekerja sangat baik,

kesalahan dan kesalahpahaman adalah hal yang tidak biasa. (olega ahli

statistik kita mungkin berhasil dalam memperoleh pemahaman dari

masalah klinis studi yang kita tangani, tetapi pemahaman kita tetap harus

lebih dalam. Selain itu, kolega ahli statistik kita cenderung bekerja secara

simultan pada banyak proyek di beragam topik, di mana kedalaman

pemahaman akan jadi lebih sulit.

%pa pun alasannya, kadang-kadang hasil yang muncul akan

anomali. *aspada untuk temuan yang tidak cocok dan tidak sesuai dengan

apa yang kita pelajari ketika kita memeriksa data secara deskriptif, atau

tidak sesuai dengan pemahaman klinis kita terhadap kondisi yang diteliti.

Biasanya, ketika kita mengidentifikasi anomali hasil seperti itu, yang

sering terjadi adalah karena beberapa kesalahan analisis dan harus cepat

diperbaiki. Sikap dan pertanyaan yang kritis akan membantu kita

menghindari dari masalah tersebut.

15.6. TANTANGAN SPESIFIK ANALISIS

Berikut wilayah statistik yang tepat untuk meninjau empat

pertanyaan umum dan penting yang sering timbul dalam pekerjaan

statistik. Bagian ini mungkin cocok untuk seseorang dengan pengetahuan

tentang statistik dasar, tapi tidak mempunyai pengalaman yang banyak

dalam analisis

Dapatkah Anda Lakukan Analisis Parametrik pada Data Ordinal?


4/10

+ata mungkin nominal yaitu, kategori, paling sering dua

kategori!, ordinal yaitu, kategori, namun jarak antara kategori tidak perlu

sama!, interal yaitu, kategori dengan jarak antara kategori yang sama,

tetapi tidak ada nol alami! dan rasio yaitu, jarak dengan nol alami!.

'isalnya, "Seorang pria nominal! berjalan ke kantor saya dan

mengatakan kepada saya bahwa nyeri sendinya lebih sakit daripada bulan

lalu ordinal!. Suhu badannya adalah / interal! dan berat badannya

turun, yaitu 01 lb rasio!."

Salah satu yang sering digunakan untuk analisis ketika ukuran hasil

memiliki sifat ordinal, misalnya, skala nyeri tujuh poin. Secara teori,

karena langkah-langkah ordinal tidak memenuhi asumsi analisis

parametrik t-test!, salah satu harus menggunakan metode nonparametrik

chi-s2uare! untuk menganalisis data. 3amun demikian, metode

parametrik, jika alid, lebih mudah, lebih fleksibel, dan lebih familiar.

'etode parametrik umumnya "kuat," yaitu, mereka relatif tidak sensitif

terhadap pelanggaran asumsi.

Statistik berariasi dalam menggunakan analisis parametrik dalam

kumpulan data ordinal. (ita dapat mengambil kuesioner dengan empat

pertanyaan dengan format skala tujuh poin untuk setiap pertanyaan. )ika

kita menggunakan sampai 4 sebagai angka untuk skala tujuh poin, pasien

dapat total nilai 5 sampai 06 pada kuesioner ini. 7ampir semua ahli

statistik akan nyaman menggunakan metode parametrik pada kumpulan

data seperti ini. +i sisi lain, satu item dengan tiga pilihan respon. Banyak

ahli statistik akan merasa tidak nyaman menggunakan pendekatan

parametrik dalam keadaan ini dan akan lebih memilih analisis

nonparametrik.

Apa Cara Terbaik untuk Analisi Data Continuous dengan Pengukuran

Berulang?

Situasi umum yang kita hadapi adalah uji coba secara acak, atau

penelitian longitudinal lainnya, di mana pasien terkena dua atau lebih

kondisi interensi eksperimental! dan diikuti serial dari waktu ke waktu.


5/10

$ilihan analitik untuk situasi ini meliputi metode regresi dan melihat

daerah di bawah kura. Bagaimanapun, analisis arian untuk pengukuran

berulang %389%! adalah sebagai strategi optimal.

(erangka ini menyoroti faktor atau ariabel yang dapat

mempengaruhi status pasien pada hasil pengukuran. +alam satu desain

yang sederhana, dua faktor yang mungkin secara sistematis mempengaruhi

kondisi pasien adalah pengobatan dan waktu. Selain itu, mungkin interaksi

antara kedua faktor ini.

:ambar ;- sampai ;-5 menggambarkan berbagai hasil yang

mungkin dan bagaimana keduanya berpengaruh dalam pemeriksaan

berulang %389%. 'isalnya, jika waktu mungkin tidak berpengaruh,

tetapi pengobatan mungkin memiliki dampak yang konsisten :ambar ;-

!. %tau, pengobatan mungkin tidak berpengaruh, tapi kondisi pasien dapat

meningkatkan dengan waktu :ambar ;-0!. (etiga, pengobatan mungkin

memiliki efek awal yang menghilang pada tindak lanjut :ambar ;-

%khirnya, efek pengobatan dapat meningkatkan dari waktu ke waktu

:ambar ;-5!. (edua hasil terakhir mewakili interaksi antara pengobatan

dan waktu yaitu, efek pengobatan yang berariasi tergantung pada titik

waktu tertentu!.

Ga!a" 15-1. $engaruh pada $engobatan, #idak %da $engaruh pada

*aktu


6/10

Ga!a" 15-2. $engaruh pada *aktu, #idak %da $engaruh pada

$engobatan

Beberapa peneliti yang menggunakan desain ini akan memberikan

data dasar dalam desain tersebut dengan status yang sama dengan data

yang dikumpulkan setelah indiidu dalam kelompok perlakuan mulai

menerima interensi. )ika dianalisis dengan cara ini, efek positif dari

pengobatan terdeteksi sebagai waktu dengan interaksi perlakuan. %rtinya,

pengobatan tidak berpengaruh pada awal yaitu, sebelum diberikan! tetapi

memiliki efek pada pengamatan berikutnya.

Ga!a" 15-3. $engobatan yang %walnya %da $erubahan, #etapi

'enghilang Seiring *aktu


7/10

Ga!a" 15-2. $engaruh $engobatan 'eningkat Seiring *aktu

+engan cara ini, hasil presentasi akan membingungkan banyak

dokter konsep interaksi mana yang terlihat asing. =ara yang lebih mudah

dalam menangani data dasar adalah dengan menggunakannya sebagai

koariat dalam analisis. Ini akan menambah kekuatan untuk analisis

selama korelasi antara data baseline dan data tindak lanjut setidaknya ,;.

(ita tidak bisa salah dengan analisis pendekatan koarian ini, dan bahkan jika korelasi antara data baseline dan data tindak lanjut sangat rendah, kita

tidak akan pernah kehilangan data dasar sebagai koariat.

'odel %389% juga dapat digunakan untuk mengatasi obserasi

yang hilang. +i masa lalu, keterbatasan program statistik adalah jika ada

beberapa data yang hilang, kita harus membuat ulang. )ika beberapa data

pasien hilang untuk beberapa obserasi, pilihan opsi untuk mengatasinya

yaitu dengan menghilangkan kunjungan di mana obserasi hilang,

menghilangkan pasien yang obserasi hilang, atau membuat semacam

estimasi untuk obserasi hilang. Setelah memutuskan beberapa perkiraan,

kita bisa memilih sejumlah strategi estimasi.

Kapan Kita Harus "Menurunkan" Data Kontinu?

(eterbatasan data kontinu terletak pada kesulitan dalam

interpretasi klinis. =ara yang efektif untuk interpretasi data kontinu adalah


8/10

dengan memilih cut-point dan memeriksa distribusi pasien dalam

kelompok perlakuan dan kontrol yang terletak di atas dan di bawah cut-

point .

+alam beberapa kasus, kita dapat menduga bahwa persentase

pasien yang mencapai target tertentu yang lebih bermakna dari suatu

perubahan yang berarti. 'eskipun keuntungan ini di diinterpretasikan

menarik, kita harus menangani situasi ini agak rumit dengan hati-hati.

$ertama-tama, kita memanipulasi data dengan menguji berbagai cut-point

dan memilih salah satu yang terbaik untuk memisahkan kelompok

perlakuan dan kontrol.

(edua, persiapkan untuk hasil statistik yang signifikansi dalam

analisis data kontinu dengan interal kepercayaan relatif sempit! dan,

analisis data biner, yang gagal mencapai signifikansi dengan interal

kepercayaan lebar!. (ita tidak terlalu terganggu oleh perbedaan tersebut.

=ara kita melihat situasi ini adalah bahwa analisis terus-menerus

menunjukkan perbedaan yang nyata dan presentasi biner menyediakan

cara untuk memahami perbedaan tersebut. (etiga, pastikan bahwa ambang

yang digunakan benar-benar mewakili kriteria wajar yang penting. Saat ini

jika jenis bukti yang kuat tidak dapat dihasilkan dalam sebuah penelitian,

maka tanggung jawab berada pada penyidik untuk menemukan penelitian

lain, yang menunjukkan hubungan langsung antara ariabel.

>egresi atau korelasi, Siapa&

'embangun hubungan antara ariabel dan mencoba untuk

membangun jalur kausal antara ariabel tetap merupakan kegiatan utama

dalam penyelidikan epidemiologi klinis. (orelasi dan regresi itu sendiri

erat terkait. $erbedaannya adalah korelasi digunakan ketika kita hanya

tertarik pada kedekatan hubungan antara dua ariabel daripada mencoba

untuk membangun sebab dan akibat. >egresi dirancang untuk mencoba

untuk membangun sebab dan akibat. 'engingat tujuan regresi ini, kita

memiliki dua jenis ariabel? penyebab diduga dan efeknya, dengan acuan


9/10

penyebab sebagai ariabel independen, dan efek sebagai ariabel

dependen.

>egresi diklasifikasikan menjadi tiga jenis, tergantung pada sifat

dari ariabel dependen. )ika ariabel dependen memiliki dua kategori

biner!, kita melihat regresi sebagai "logistik" karena aritmatika

mengandalkan logaritma!. )ika ariabel dependen kontinu, kita melihat

regresi sebagai "linear" karena mengasumsikan hubungan linear antara

ariabel dependen dan independen!. (edua kategori ariabel dependen

adalah yang paling sering digunakan. 3amun akhirnya telah ditemukan

jenis regresi ketiga, ketika ariabel dependen adalah kategori. Istilah untuk

regresi dimana ariabel dependen adalah kategori adalah " polytomous"

atau " polychotomous."

>egresi dapat " simple" atau univariable hanya satu ariabel

independen! atau multivariable lebih dari satu ariabel independen!.

8rang kadang-kadang menggunakan istilah "multiariat" sebagai sinonim

dari multiariabel. )ika kita ingin akurat, kita harus membatasi

penggunaan istilah "multiariat" untuk situasi ketika kita melakukan

analisis dengan lebih dari satu ariabel dependen di luar cakupan ini.

(eterbatasan regresi sederhana adalah kita tidak mengetahui sejauh

mana kekuatan prediktor yang jelas dari ariabel independen. Semakin

besar sejauh mana ariabel independen terkait satu lain Istilah "ko-linear "

adalah istilah yang digunakan untuk menggambarkan situasi ketika

ariabel independen berkorelasi dengan satu lain!, maka semakin besar

regresi sederhana dapat menyesatkan.

'asalah pada analisis regresi adalah ada banyak ariabel

independen yang menarik dan peserta dalam penelitian yang relatif sedikit.

Sesuai aturan, dalam regresi logistik, harus ada sepuluh peristiwa bukan

sepuluh pasien, tapi sepuluh peristiwa! untuk setiap ariabel independen.

)ika kita mencoba untuk melakukan analisis yang melanggar panduan ini,

kita mungkin akan menghasilkan model yang tidak dapat diandalkan dan

berpotensi menyesatkan.


10/10

(emudian pada regresi multiariabel, proses ini disebut

"pemodelan." %da beberapa strategi. Salah satu yang sangat umum

digunakan, adalah regresi "bertahap" maju. +i sini, prediktor yang paling

kuat memasuki model pertama. $rediktor yang menyumbang porsi

terbesar dari arian memasuki kedua. $rosedur terus sampai semua

ariabel yang tersedia telah memasuki model. Biasanya ditetapkan cut-off

untuk signifikansi biasanya ,;! dan semua ariabel yang menjelaskan

proporsi tambahan yang signifikan dilaporkan secara statistik. Sebuah

pendekatan alternatif, adalah regresi "bertahap" mundur. +i sini, kita mulai

memasukkan semua ariabel ke dalam model. (emudian menghilangkan

ariabel yang menjelaskan arian yang paling sedikit, dan menjalankan

kembali model.

BAB 15 Translate Halus

Documents

Transcript of BAB 15 Translate Halus