BAB 15 Translate Halus
-
Upload
agung-hadi-wibowo -
Category
Documents
-
view
217 -
download
0
Transcript of 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
-
8/16/2019 BAB 15 Translate Halus
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
-
8/16/2019 BAB 15 Translate Halus
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?
-
8/16/2019 BAB 15 Translate Halus
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.
-
8/16/2019 BAB 15 Translate Halus
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
-
8/16/2019 BAB 15 Translate Halus
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
-
8/16/2019 BAB 15 Translate Halus
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
-
8/16/2019 BAB 15 Translate Halus
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
-
8/16/2019 BAB 15 Translate Halus
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.
-
8/16/2019 BAB 15 Translate Halus
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.