DESAIN DAN ANALISIS EPIDEMIOLOGI LANJUT 1 Aplikasi Metode Kasus Kontrol

DESAIN DAN ANALISISEPIDEMIOLOGI LANJUT 1Aplikasi Metode Kasus Kontrol

REGRESI LOGISTIK(Biner / Dikotomus) Program Pasca Sarjana Ilmu Kesehatan MasyarakatPeminatan EpidemiologiUNIVERSITAS SAM RATULANGI 2015Krisbi Jeri Gabriel14202111071

1. PendahuluanPada bab sblmnya berbicara analisis univariat dan bivariat u/ menganalisis suatu hasiljadi dengan faktor resiko, konfaunding, dosis-respon atau adanya interaksi antara dua variabel. Dgn analisis univariat dan bivariat trsbt, analisis kasus-kontrol mungkin tidak dapat sepenuhnya terpenuhi u/ melihat secara Simultan (Simultan/simultan/ terjadi atau berlaku pd waktu yg bersamaan; serentak) kaitan beberapa variabel dgn suatu hasiljadi.

22. Regresi Logistik DasarAnalisis u/ mengidentifikasi secara simultan beberapa faktor resiko pada penelitian kasus-kontrol tdk dpt dilakukan dgn regresi linier karena hasiljadi bukan merupkan variabel dengan data kontinu, ttp merupkan variabel dikotomus (binari) (cth: ya-tidak, setuju-tidak setuju, terpapar-tidak terpapar, kasus-kontrol, dll) Jika hasil jadi kasus-kontrol tersebut dgn Y, maka Y hnya mempunyai 2 kemungkinan, yaitu Y=1 (kasus) dan Y=0 (kontrol).3. Persiapan dan RekodingUntuk keperluan analisi pd piranti luna (misalnya SPSS, AGRET, STATA) biasanya dilakukan rekoding terhadap beberapa nilai variabel yang akan dianalisis.Rekoding diperlukan karena biasanya dlm pengisian kuesioner, variabel diberi kode isian yang mudah dan biasa.Disamping itu, pada pengumpulan data blm diketahui subgrup mana yg menjadi pembanding dasar.Contoh Recoding ( pada studii Ektopik) Diberikanlah alternatif jawaban 1=YA dan 2=TIDAK.Sdngkan pd pengolahan data, pilihan jawaban 1=YA dan 2=TIDAK diubah menjadi 0=TIDAK dan 1=YA.

Cat: Bagi keperluan analisis regresi logistik, sesuai dengan substansi penelitian yg bersangkutan dan piranti lunak yg digunakan.Rekoding Jenis DataVariabel dengan data dikotomus. Cth : u/ variabel subjek pd penelitian ektopik. Nilai 1 diberikan pada kasus ektopik, sdngkan nilai 0 diberikan pada subjek kontrol.Pd variabel riwayat infeksi pelvik (PID), niali 1 u/ subjek yang pernah mengalamai PID (mempunya resiko lebih tinggi terkena ektopik) dan nilai 0 terhadap yg tidak mengalamai PID.Cat: Hal ini dngn pertimbangan bahwa PID diperkirakan mempertinggi resiko kehamilan ektopik.Variabel DikotomusNilai pd variabel ordinal, nialai 0 u/ subjek yg akn dipakai sebgai perbanding dasar, dan u/ subjek yg mempnyai resiko tinggi lebih besar diberikan nilai 1. Cth :Misalnya pd studi ektopik, kebiasaan yang dicurigai sbgai salah satu faktor resiko kehamilan ektopik, dilihat dari segi tidak pernah, pernah, dan masih merokok. Maka tidak penah diberikan nilai 1, 2 kpd yg pernah merokok, dan 3 kpd yg masih merokok.Cth lain data ordinal a/ (batang) rokok yg dihisap/hari. Nilai 1 = 1-5 batang, nilai 2 = 6-10 batang, nilai 3 = 11-20 batang/hari.

Variabel OrdinalJika ingin dilihat dampak kenaikan lama pemakaian IUD per bulan (data kontinu) dimasa lalu, hasil yg diperoleh akn kurang berarti karena rentang pemakaian IUD antara 0 bulan sampai 202 bulan terlalu besar, sehngga banyak sel pd tabel yg akan kosong.Contoh recoding sebagai persiapan analisis regresi logistik. Bisa di lihat di modul (tabel 7.1).Variabel Kontinu4. Aplikasi Regresi Logistik Pada Desain Tidak BerpadananRegresi logistik memakai pendekatan yang disebut maximum likelihood. Maximum likelihood merupakan Probabilitas Maksimum data observasi yg tidak diketahui dari fungsi parameter yg mendekati nilai data observasi sebenarnya.Contoh rumus maximum likelihood :

Hasil perhitungan regresi logistik pd studi ektopikContoh hasil perhitungan nilai perkiraan maximum likelihood (SPSS) :Nilai maximum likelihood untuk model di atas ialah :VariabelKoefisien BS.EKoef/S.EEverPID1,43160,263754,289Constant-,22260,0680-3,2735Perkiraan maximum likelihood B0 = 0,2226 dan B1 = 1,4316

KasusKontrolPernah PID6720Tidak pernah PID389486Tabel Kasus dan Kontrol studi ektopik terhadap pajanan PID4.1 Koefisien KemaknaanNilai p untuk PID sebesar 0,0000 (< 0,05), yg berarti PID berkaitan secara bermakna dgn kehamilan ektopik.Contoh hasil perhitungan regresi logistik menggunakan program SPSS, kaitan ektopik dengan PID

Tes lain yg menyerupai tes kemaknaan yaitu tes Wald.Nilai W (wald) dikonversikan menjadi nilai p pd tabel yg distribusi normal u/ melihat kemaknaannya.Tes wald terkadang tidak menolak hipotesis walaupun koefisien bermakna.Oleh karena itu disarankan u/ melakukan tes rasio likelihood.4.2 Rasio Odds dan Interval KepercayaanRasio odds dpt dilihat pada kolom Exp (B) sebesar 4,1853. Pada penulisan hasil penelitian hanya ditulis sampai dua desimal saja sehingga dibulatkan 4,19.

Variabel dengan data dikotomus

Contoh hasil perhitungan regresi logistik menggunakan program SPSS, kaitan ektopik dengan PIDRasio odds tsbt sesuai dgn penulisan Exp(1,4316).Nilai interval kepercayaan, sesuai (95%) dgn rumus :

Oleh karena itu dpt disimpulkan bahwa PID secara statistik berkaitan dgn ektopik, dgn rasio odds sebesar 4,19 (95% CI: 2,50 ; 7,01)

Batas bawah 95% CI: Exp(1,4316 1,196 x 0,2637) = 2,50Batas atas 95% CI: Exp(1,4316 + 1,196 x 0,2637) = 7,01Cara perhitungan rasio odds dgn data kontinu agak berbeda. Variabel dgn data kontinu harus di modifikasi dgn nilai interval pd variabel kontinu yg bersangkutan (c). c = unit (satuan).Rumus u/ mnghitung rasio odds pd variabel kontinu :

Dgn interval kepercayaan (CI)

Variabel dengan data kontinu

Untuk 1 batang rokok yg dihisap per hari

untuk 5 batang rokok per hari

Berarti setiap 5 btng rokok yg dihisap per hari dpt meningkatkan resiko ektopik sebesar 2,55 kali lipat.Generalisasi trhdp kenaikan resiko ektopik mnrt 1 btng rokok harus hati-hati, karena mungkin kenaikannya tdk linear.Hasil perhitungan regresi logistik mengenai kaitan antara jumlah batang rokok (stick#) per hariContoh

(1) = exp(1 x 0,1868) = 1,0040 (95% CI: 1,0024:1,2054)(5) = exp(5 x 0,1868) = 2,5447 (2,55) (95% CI: 1,4301;4,5278)Dgn perhitungan kelipatan 1 btng rokok diperoleh rasio odds 1,2054 dan 5 btng sebesar 2,5447, maka :Hasil 1 batang = 1,2054 maka 10 x 1,2054 = 12,54 u/ 10 batang.Sedangkan,Hasil 5 batang = 2,5447 maka 2 x 2,5447 = 5,08 u/ 10 batang.Ternyata hasil perhitungan dengan memakai hasil c (1) dan c (5) u/ merokok 10 batang perhari tdk sama.Kenaikan resiko (rasio odds) tdk linear, karena logit tdk linear.Dgn demikian, jika logit kovariat tdk linear, maka dibuat model dgn kovariat grup.

PerbandinganMisalnya: 0=subgrup tidak merokok (sebagai subgrup pembanding dasar), 1=1-5 batang, 2=6-10 batang, 3=11-15 batang dan 4=16-20 batang.Rasio odds dgn data kontinu tergantung pd nilai c, oleh karena itu unit (satuan) data kontinu harus jelas dicantumkan dlm tabel dan hasil perhitungan.Untuk menetapkan nilai c berapa, yg patut dicantumkan dlm publikasi, pada prinsipnya harus komunikatif terhdap pembaca hasil penelitian.Lanjutan..4.3 Pemilihan ModelMenyimak karakteristik dan komparabilitas kasus-kontrolPemilihan faktor konfaunding dan calon faktor resiko (p