REGRESI LOGISTIK
February 15, 2019 | Author: IdaAyu Dyantari Ari Putri | Category: N/A
Short Description
Download REGRESI LOGISTIK...
Description
REGRESI LOGISTIK
Regresi logistik merupakan pengembangan lebih lanjut sebagai multivariat chi square yaitu variabel dependentnya dalam skala data nominal (dikotomis ). Regresi logistik termasuk dalam rumpun dari regresi sehingga kedudukannya sama dengan regresi linier, sebagai uji predi prediksi ksi atau atau estima estimasi, si, namun namun secara secara sederh sederhana ana perbed perbedaan aan antara antara regres regresii biasa biasa dengan dengan pemodelan logit ialah hanya pada variabel dependen atau responnya. Dimana pada regresi biasa dengan pemodelan logit ialah hanya pada variabel dependen dan responnya. Dimana pada regresi biasa, data variabel berupa data kontinyu, namun pada regresi logistik, data variabel dependennya berupa kategorik, baik Biner ( seperti Ya atau Tidak ) yang sering disebut dikotomus, atau juga polycotomus ( seperti sangat setuju, setuju, biasa, tidak setuju, dan sangat tidak setuju ), namun yang sering digunakan adalah untuk variabel dependen dikotomus. Model logit logit berdasarkan berdasarkan dari ide linier linier probability probability model model (LPM ), yaitu Y = b₀ + b₁X + u misalnya misalnya variabe variabell X adalah adalah usia sedang sedangkan kan variabe variabell Y kejadi kejadian an ca pulmo pulmo ( kanker kanker pulmo)dimana 0 = tidak terjadi ca pulmo, 1 = tidak terjadi ca pulmo. Regresi linier tidak mampu menyelesaikan analisis ini, namun LPM dapat menyelesaikan analisis ini dengan cara ekspektasi kondisional Y dari X, dapat diinterpretasikan sebagai probabilitas kondisional saat suatu event Y akan muncul karena X, atau dituliskan dengan E(Yix), yang didefinisikan : p=P(Y) P=(Y=1IX=x), maka E(YIx)=p.1 E(YIx)=p.1 + ( 1-p )*0=p untuk memenuhi konsep LPM , sangat sulit karena terkadang nilai dari P berada diluar range 0-1, 0-1, sedang sedangkan kan nilai nilai R² umumny umumnyaa kecil, kecil, sehing sehingga ga perlu perlu dibuat dibuat pemode pemodelan lan logit logit untuk untuk menyelesaikan kelemahan-kelemahan yang ada dalam LPM. Untuk membuat harga p selalu berada diantara 0 dan 1, maka perlu suatu fungsi monoton positif, yang memtakan linier prediktor h= a+bX ke unit interval. Transformasi tipe ini akan mempertahankan struktur linier dari model dan menghindari nilai peluang berada diluar interval [0,1]. Fungsi distribusi kumulatif (CDF= cummulative distributions function) akan memnuhi kriteria di atas. p=P(Y) P=(Y=1IX=x), P(h)= P(a+bX)
dengan dengan menggu menggunak nakan an fungsi fungsi logist logistik, ik, dipero diperoleh leh linier linier regres regresion ion atau linier linier logit logit model, model, dengan rumus sebagai berikut :
p=
=
=
1
maka untuk rumus regresi logistik adalah
p= E (Y=1IX )=
untuk mencari odd ratio / OR ( sebagai faktor resiko ), maka dapat dicari dari harga b yang telah diketahui , maka rumus mencari OR adalah OR=
Dimana e adalah bilangan natural yang besarnya adalah 2,718 Contoh :
sebuah penelitian bertujuan ingin mencari faktor-faktor yang mempengaruhi kejadian kanker pulmo ( ca pulmo ), dianalisis variabel independen adalan kebiasaan merokok, usia, riwayat keluarga ca pulmo dan daerah asal tinggal. Adapun data yang dikumpulkan adalah sebagai berikut: CA PULMO tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo tidak capulmo capulmo capulmo capulmo capulmo capulmo capulmo
PEROKOK tak merokok tak merokok tak merokok tak merokok tak merokok tak merokok tak merokok merokok tak merokok tak merokok tak merokok tak merokok merokok merokok merokok merokok merokok merokok merokok merokok
USIA 45 43 34 34 26 27 27 28 29 29 30 31 32 33 45 45 46 47 8 57 2
RIWAYAT KELUARGA tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca ada riwayat ca tdk ada riwayat ca ada riwayat ca ada riwayat ca ada riwayat ca ada riwayat ca ada riwayat ca ada riwayat ca
DAERAH desa desa desa desa kota kota kota kota kota kota desa desa desa desa desa desa desa desa desa kota
capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo capulmo
merokok merokok tak merokok tak merokok tak merokok tak merokok merokok merokok merokok merokok
57 54 55 48 49 59 37 57 58 59
ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca tdk ada riwayat ca ada riwayat ca
kota kota kota kota kota kota kota kota desa desa
Keterangan data dari variabel dimana dari variabel ca pulmo , ca pulmo=1; tidak ca pulmo=0, pada variabel umur berskala data interval, pada variabel perokok, tak merokok=0 ; merokok=1,pada variabel daerah, desa=0 ; kota=1, pada variabel riwayat keluarga tidak ada riwayat ca=0; ada riwayat ca=1. Untuk menyelesaikan masalah diatas hanya dapat dikerjakan dengan regresi logistik karena variabelnya berupa variabel dikotomi untuk variabel ca pulmo, perokok, daerah dan riwayat keluarga. Sedangkan variabel usia distribusi data tidak normal. Soal ini dapat diselesaikan dengan menggunakan aplikasi SPSS (Statistical Package For Social Science)
RIWAYAT CA PULMO 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
PEROKOK 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1
USIA 45 43 34 34 26 27 27 28 29 29 30 31 32 33 45 45 46 47
KELUARGA 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 3
DAERAH 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0
•
8 1 1 57 1 1 57 1 1 54 1 1 55 1 0 48 1 0 49 1 0 59 1 0 37 1 1 57 1 1 58 1 1 59 1 1 Masukkan data tersebut ke dalam aplikasi SPSS
1 1 1 0 0 0 0 0 0 0 0 1
0 1 1 1 1 1 1 1 1 1 0 0
•
Analyze, pilih regression, binary logistik
•
Isikan ca pulmo pada dependent
•
Sedangkan rokok, usia, riwayat keluarga dan daerah pada covariates selanjutnya klik ok
•
Maka akan tampil output seperti dibawah ini
Logistic Regression Case Processing Summary a
Unweighted Cases Selected Cases
N Included in Analysis Missing Cases Total
Unselected Cases Total
30
Percent 100,0
0
,0
30
100,0
0
,0
30
100,0
a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding Original Value Internal Value tidak capulmo 0 capulmo 1
Block 0: Beginning Block
4
Classification Tablea,b Predicted kanker pulmo Step 0
Observed kanker pulmo
tidak capulmo
tid ak ca pu lm o 0
ca pu lm o 14
Percentage Correct ,0
0
16
100,0
capulmo Overall Percentage
53,3
a. Constant is included in the model. b. The cut value is ,500
Variables in the Equation
Step 0
B ,134
Constant
S.E. ,366
Wald ,133
df 1
Sig. ,715
1
Sig. ,003
12,820
1
,000
RWYKLG
6,531
1
,011
DAERAH
,536
1
,464
19,306
4
,001
Exp(B) 1,143
Variables not in the Equation
Step 0
Variables
Score 8,571
ROKOK USIA
Overall Statistics
df
Block 1: Method = Enter Omnibus Tests of Model Coefficients
Step 1
Step
Chi-square 27,960
df 4
Sig. ,000
Block
27,960
4
,000
Model
27,960
4
,000
Model Summary
Step 1
-2 Log likelihood 13,496
Cox & Snell R Square ,606
Nagelkerke R Square ,810
Classification T ablea Predicted kanker pulmo Step 1
Observed kanker pulmo
tidak capulmo capulmo
Overall Percentage
tid ak ca pu lm o 13
ca pu lm o 1
Percentage Correct 92,9
1
15
93,8 93,3
a. The cut value is ,500
5
Variables in th e Equation
Step a 1
B 1,888
S.E. 1,628
Wald 1,344
,169
,063
RWYKLG
5,236
DAERAH Constant
ROKOK
1
Sig. ,246
Exp(B) 6,603
7,111
1
,008
1,184
3,086
2,877
1
,090
187,824
3,310
2,068
2,562
1
,109
27,393
-10,295
3,705
7,722
1
,005
,000
USIA
df
a. Variable(s) entered on step 1: ROKOK, USIA, RWYKLG, DAERAH.
d ari hasil diketahui bahwa semua variabel dimasukkan dalam hasil analisis, karena metode yang kita pakai adalah metode enter. Hasil menunjukkan bahwa variabel usia yang signifikan ( sig.= 0,010 ) sedangkan variabel lainnya sebagai variabel moderator atas terjadinya ca pulmo. Untuk mengetahui variabel mana yang berpengaruh atas ca pulmo, maka kita perlu melakukan analisis dengan metode forward, dimana dengan memasukkan variabel yang signifikan saja dalam analisis. Langkah analisis metode forward adalah : •
Langkah awal sama dengan langkah sebelumnya
•
Method diganti Forward Conditional
•
Lalu klik ok
•
Maka akan tampil output seperti dibawah ini
Logistic Regression Case Processing Summary a
Unweighted Cases Selected Cases
N Included in Analysis Missing Cases Total
Unselected Cases Total
30
Percent 100,0
0
,0
30
100,0
0
,0
30
100,0
a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding Original Value Internal Value tidak capulmo 0 capulmo 1
Block 0: Beginning Block
6
Classification Tablea,b Predicted kanker pulmo Step 0
Observed kanker pulmo
tidak capulmo
tid ak ca pu lm o 0
ca pu lm o 14
Percentage Correct ,0
0
16
100,0
capulmo Overall Percentage
53,3
a. Constant is included in the model. b. The cut value is ,500
Variables in the Equation
Step 0
B ,134
Constant
S.E. ,366
Wald ,133
df 1
Sig. ,715
1
Sig. ,003
12,820
1
,000
RWYKLG
6,531
1
,011
DAERAH
,536
1
,464
19,306
4
,001
Variables not in the Equation
Step 0
Variables
Score 8,571
ROKOK USIA
Overall Statistics
Block 1: Method = Forward Stepwise (Conditional) Omnibus Tests of Model Coefficients
Step 1
Step 2
Step
Chi-square 15,640
df 1
Sig. ,000
Block
15,640
1
,000
Model
15,640
1
,000
6,407
1
,011
Block
22,047
2
,000
Model
22,047
2
,000
Step
Model Summary
Step 1 2
-2 Log likelihood 25,815
Cox & Snell R Square ,406
Nagelkerke R Square ,543
19,409
,520
,695
7
df
Exp(B) 1,143
Classification Tablea Predicted kanker pulmo Step 1
Observed kanker pulmo
tidak capulmo
tid ak ca pu lm o 12
ca pu lm o 2
Percentage Correct 85,7
2
14
87,5
capulmo Overall Percentage Step 2
kanker pulmo
86,7 tidak capulmo
12
2
85,7
1
15
93,8
capulmo Overall Percentage
90,0
a. The cut value is ,500
Variables in the Equation
B Step a 1
USIA
Step b 2
S.E.
Wald
df
Sig.
,156
,052
8,973
1
,003
1,169
Constant
-6,186
2,133
8,408
1
,004
,002
ROKOK
2,794
1,263
4,893
1
,027
16,352
,163
,064
6,519
1
,011
1,177
-7,728
2,895
7,125
1
,008
,000
USIA Constant
a. Variable(s) entered on step 1: USIA. b. Variable(s) entered on step 2: ROKOK.
a Model if Term Removed
Variable Step 1 USIA Step 2
ROKOK USIA
Model Log Likelihood -20,767
Change in -2 Log Likelihood 15,719
-13,403 -16,720
1
Sig. of the Change ,000
7,398
1
,007
14,032
1
,000
df
a. Based on conditional parameter estimates
Variables not in the Equation
Step 1
Variables
Score 6,458
ROKOK
Variables
df 1
Sig. ,011
RWYKLG
5,713
1
,017
DAERAH
,365
1
,546
9,801
3
,020
RWYKLG
1,741
1
,187
DAERAH
1,301
1
,254
5,530
2
,063
Overall Statistics Step 2
Exp(B)
Overall Statistics
8
Dari hasil forward diketahui bahwa
variabel independen yang berpengaruh terhadap ca
pulmo adalah rokok ( koefesiensi regresi= 2,794 , sig.=0,027) dan variabel usia ( koefisiensi regresi= 0,163, sig.=0,011 ) dengan konstanta -7,728. Sehingga persamaan regresinya adalah P = -7,728+ 2,794X ₁+0,163X₂ Interpretasi hasil dari model logit tersebut bukanlah nilai kuantitatif dari response melainkan sebagai probabilitas atau peluang terjadinya suatu kejadian atau event dalam hal ini adalah kejadian kanker pulmo (ca pulmo ), dengan persamaan distribusi komulatifnya adalah :
p= E (Y=1IX )= Perlu diketahui bahwa besarnya (a+b ₁X₁+b₂X₂) = Z Sehingga E (Y=1IX ) dibaca harga harapan / peluang terjadinya suatu kejadian atau event, dengan nilai kuantitatif 1 dalam hal ini adalah terjadinya kanker paru ( ca pulmo ) dikarenakan suatu respon dengan input/ prediktor variabel X. Dari haril koefisien regresi yang diperoleh, dapat dicari •
OR untuk variabel yang signifikan (yaitu rokok dan usia )
•
OR untuk rokok adalah OR1=
•
OR untuk usia adalah OR2=
= =
= 16,34
= 1,17
Dari hasil tersebut diketahui bahwa riwayat perokok sebagai faktor resiko terhadap terjadinya ca pulmo sebesar 16,34. Sedangkan usia sebagai faktor resiko terjadinya ca pulmo sebasar 1,17. Contoh :
Jika terdapat seseorang dengan kriteria X ₁= perokok ( nilai= 1 ), dan X ₂=usia 30 tahun, maka kemungkinan terjadinya kanker paru-paru adalah Z= a+b₁X₁+b₂X₂ Z= -7,728+ 2,794X ₁+0,163X₂ Z= -7,728+( 2,794*1)+(0,163*30) Z= -7,728 + 2,794 + 4,89 Z= -7,728 + 7,684 Z= -0,044 9
Sehingga p= E (Y=1IX )=
Atau p= E (Y=1I X )=
Sehingga besar Z = -0,044 dengan e adalah bilangan natural dengan nilai 2,718, maka
p= E (Y=1I X )=
p= E (Y=1IX )=
p= E (Y=1IX )=
p= E (Y=1IX )= jadi orang memiliki peluang sebesar 48,9% atau 49% untuk terjadi kanker paru-paru, dengan kondisi ia perokok dan berumur 30 tahun.
Jika terdapat seseorang dengan kriteria X₁=tidak perokok ( nilai= 0 ), dan X₂=usia 30 tahun, maka kemungkinan terjadinya kanker paru-paru adalah Z= a+b₁X₁+b₂X₂ Z= -7,728+ 2,794X ₁+0,163X₂ Z= -7,728+( 2,794*0)+(0,163*30) Z= -7,728 + 0 + 4,89 Z= -7,728 + 4,89 Z= -2,838 Sehingga besar Z = -2,838 dengan e adalah bilangan natural dengan nilai 2,718, maka
p= E (Y=1I X )=
p= E (Y=1IX )=
10
p= E (Y=1IX )=
p= E (Y=1IX )= dengan kata lain bahwa orang tersebut memiliki peluang sebesar 5,5% atau 6 % untuk terjadi kanker paru-paru, dengan kondisi ia tidak perokok dan berumur 30 tahun.
11
View more...
Comments