Statistik

1. Multivariat analisis
(Konfounding & Interaksi)
BESRAL:
Departemen Biostatistika
FKM UI, 2013
1

2. 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
Var Dependen
Independen Kategorik Numerik
Kategorik
1.Chi-square/
Regresi logistik
sederhana
2.t-test-paired
(sebelum-sesudah)
2.t-test-independen
(jika 2 kategori)
3.Anova (jika >2 kategori)
Numerik t-test (jika 2 kategori)
Anova (>2 kategori)
4.Korelasi /
Regresi Linier
sederhana 2

3. 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 satu-
bapak. Subjek sudah homogen. Yang berbeda
hanyalah: satu kelompok dapat perlakuan
(intervensi), yang satu lagi tidak dapat
perlakukan (kontrol)
3

4. 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

5. Contoh
Suatu penelitian bertujuan untuk
mengetahui hubungan Intervensi Fe,
status gizi, dan sosial ekonomi
dengan kejadian BBLR
5
Intervensi Fe
BBLR
St.Gizi Ibu
Sosek

6. Hasil Uji Bivariat
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 6
Normal BBLR
n % n % OR p-value
Status Gizi
Baik 40 66.7 20 33.3
Kurang 20 33.3 40 66.7 4,00 0,000
Sosek
Tinggi 41 68.3 17 28.3
Rendah 19 31.7 43 71.7 5,46 0,000

7. Hasil Uji Bivariat
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).
7
Normal BBLR
n % n % OR p-value
Intervensi Fe
Ya 24 40.0 36 60.0
Tidak 36 60.0 24 40.0 0,44 0,022

8. Hasil Uji Multivariat
8
Intervensi Fe
BBLR
St.Gizi Ibu
Sosek
Simpulan Hasil uji Multivariat:
Tidak intervensi Fe, Gizi kurang, dan Sosek rendah merupakan
faktor risiko BBLR. Risiko BBLR pada yang tidak mendapat Fe
sebesar 8 kali lebih tinggi, pada yang kurang gizi 10,7 kali lebih
tinggi, dan pada sosek rendah 9,8 kali lebih tinggi
(OR sudah dikontrol oleh variabel confounding)
Variables in the Equation B S.E. Wald df Sig. Exp(B)
Tdk.Intervensi.Fe 2.102 0.728 8.340 1 0.004 8.18
Gizi.kurang 2.379 0.640 13.835 1 0.000 10.79
Sosek.rendah 2.282 0.521 19.157 1 0.000 9.80

9. Perbandingan hasil uji
Bivariat vs Uji Multivariat
9
Intervensi Fe
BBLR
St.Gizi Ibu
Sosek
(OR pd multivariat sudah dikontrol oleh pengaruh confounding)
(Catatan: pada tahap ini uji interaksi belum dilakukan)
Normal BBLR Bivariat Multivariat
Intervensi Fe n % n % OR Sig OR Sig
Ya 24 40.0 36 60.0
Tidak 36 60.0 24 40.0 0.44 0.022 8.18 0.000
St.Gizi
Baik 40 66.7 20 33.3
Kurang 20 33.3 40 66.7 4.00 0.000 10.79 0.000
Sosek
Tinggi 41 70.7 17 29.3
Rendah 19 30.6 43 69.4 5.46 0.000 9.79 0.000

10. Apa yang dimaksud
dengan
Konfounding..???
10

11. 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

12. Karakteristik Confounder
1. Berhubungan dengan paparan/faktor resiko yang diteliti
(causally atau non-causally associated)
2. Berhubungan dengan penyakit/outcome (causally
associated)
3. Bukan merupakan konsekuensi dari paparan (tidak terletak
diantara E & D / bukan variabel antara)
Exposure Disease
Confounder
12

13. Arah Confounding
1. Positif  Overestimate (risk value menjauhi ‘Null value’ jika tidak dikontrol)
2. Negatif  Underestimate (risk value mendekati ‘Null value’ jika tdk dikontrol)
kurang beresiko atau kurang proteksi
3. Cross over  asosiasi berubah arah: negatif positif (sebaliknya)
OR/RR
2
1.7
1.3
1
0.5
0.3
0.1
Null
value
CF controlled
CF not controlled CF not controlled
CF controlled
13

14. 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. Analisis Stratifikasi
2. Analisis Multivariat 14

15. 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

16. Syarat Confounding (C)
1. C merupakan faktor risiko D
2. C memiliki asosiasi dengan E
3. C bukan variabel antara
E D
C
16

17. Contoh Confounding
Intervensi Fe BBLR
St.Gizi Ibu
17

18. Contoh confounding
Hubungan Intervensi Fe dg BBLR
Intervensi Fe BBLR
Hasil analisis: OR = 0,44
Intervensi Fe berisiko terjadinya BBLR. .Lho…… kok bisa?
Lesson learn:
Jangan percaya pada Analisis bivariat, karena masih kasar… 18
Intervensi Fe Normal BBLR Total
Ya 24 36 60
Tidak 36 24 60
OR = (24 x 24) / (36 x 36) = 0,44
Variables in the Equation
-.811 .373 4.735 1 .030 .444
.405 .264 2.367 1 .124 1.500
Tdk.Intervensi.Fe
Constant
Step
1
a
B S.E. Wald df Sig. Exp(B)
Variable(s) entered on step 1: Tdk.Intervensi.Fe.
a.

19. 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
BBLR- BBLR + Jumlah
Fe + 6 2 8
Fe - 34 18 52
Jumlah 40 20 60
OR = (18*6)/(34*2) = 1,58
19
Kelompok gizi kurang
BBLR- BBLR + Jumlah
Fe + 18 34 8
Fe - 2 6 52
Jumlah 20 40 60
OR = (6*18)/(2*34) = 1,58

20. Contoh confounding
Hasil analisis: OR 4,0  Ibu dengan status gizi
kurang memiliki risiko 4 kali untuk melahirkan BBLR
St.Gizi ibu
BBLR
Variables in the Equation
1.386 .387 12.812 1 .000 4.000
-.693 .274 6.406 1 .011 .500
Gizi
Constant
Step
1
a
B S.E. Wald df Sig. Exp(B)
Variable(s) entered on step 1: Gizi.
a.
Hubungan status gizi dengan BBLR
BBLR+ BBLR- Jumlah
Gizi kurang 40 20 60
Gizi baik 20 40 60
Jumlah 60 60 120
OR = (40*40)/(20*20) = 4,00
20

21. Contoh confounding
Distribusi Fe tidak imbang pd st.gizi baik dan kurang,
menyebabkan crude analisis berbeda dengan adjusted,
perbedaan ini disebut dengan efek konfounding.
Intervensi Fe
St.Gizi Ibu
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)
BBLR
21
Distibusi Fe menurut status gizi
Gizi kurang Gizi baik Jumlah
Fe + 8 52 60
Fe - 52 8 60
Jumlah 60 60 120
Variables in the Equation
.463 .613 .569 1 .450 1.588
1.735 .613 8.006 1 .005 5.667
-1.099 .609 3.253 1 .071 .333
Tdk.Intervensi.Fe
Gizi.kurang
Constant
Step
1
a
B S.E. Wald df Sig. Exp(B)
Variable(s) entered on step 1: Tdk.Intervensi.Fe, Gizi.kurang.
a.

22. Contoh confounding

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
Intervensi Fe
St.Gizi Ibu
BBLR
Identifikasi Konfounder:
Konfounder exist jika = Delta OR > 10%
22
%
100
*
|
|
_
adjusted
adjusted
crude
OR
OR
OR
OR
Delta



23. Contoh confounding
 Hasil analisis membuktikan bahwa status gizi
merupakan variabel confounding atau perancu,
dalam hubungan Intervensi Fe dengan BBLR
Intervensi Fe
St.Gizi Ibu
BBLR
Apakah konfounding berlaku juga sebaliknya?
Dalam hubungan Status gizi dengan BBLR,
apakah anemia merupakan konfounding?
 Bisa ya, bisa tidak, silakan di analisis
23
St.Gizi Ibu
Intervensi Fe
BBLR

24. Interaksi
24

25. 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) 25

26. 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
26

27. 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)
27
Kelompok gizi baik
BBLR- BBLR + Jumlah
Fe + 6 2 8
Fe - 34 18 52
Jumlah 40 20 60
OR = (18*6)/(34*2) = 1,58
Kelompok gizi kurang
BBLR- BBLR + Jumlah
Fe + 18 34 8
Fe - 2 6 52
Jumlah 20 40 60
OR = (6*18)/(2*34) = 1,58

28. 2. Signifikansi variabel interaksi anemia dg st.Gizi > 0,05:
Simpulan:
Anemia tidak berinteraksi dengan St.Gizi karena nilai-p
variabel interaksi >0.05 (Sig.=1.000)
Jika tidak ada interaksi, lakukan uji confounding
St.Gizi bukan efek modifier, tidak berinteraksi
dengan Intervensi Fe
28
B S.E. Wald df Sig. Exp(B)
Gizi.kurang 1.735 0.867 4.003 1 0.045 5.67
Tdk.Intervensi.Fe 0.463 0.867 0.285 1 0.594 1.59
Gizi by Intervensi.Fe 0.000 1.226 0.000 1 1.000 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 .

29. Simpulan:
OR Intervensi Fe berubah 10% atau lebih, dari 0.44 (OR Crude)
menjadi 1.59 (OR adjusted) setelah dikontrol oleh St.Gizi
St.Gizi merupakan konfounding dalam hubungan
Intervensi Fe dengan kejadian BBLR
29
B S.E. Wald df Sig. Exp(B)
Tdk.Intervensi.Fe 0.463 0.613 0.569 1 0.450 1.59
Gizi.kurang 1.735 0.613 8.006 1 0.005 5.67
Constant -1.099 0.609 3.253 1 0.071 0.33
Variable(s) entered on step 1: Tdk.Intervensi.Fe, Gizi.kurang.
B S.E. Wald df Sig. Exp(B)
Tdk.Intervensi.Fe -0.811 0.373 4.735 1 0.030 0.44
Constant 0.405 0.264 2.367 1 0.124 1.50
Variable(s) entered on step 1: Tdk.Intervensi.Fe.

30. St.Gizi
Sosek
BBLR
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)
Interaksi St.Gizi dg Sosek
30
Kelompok Sosek Tinggi:
BBLR - BBLR + Total
Gizi Baik 27 11 38
Gizi Kurang 14 6 20
OR=(27*6/11*14) =1.05
Kelompok Sosek rendah:
BBLR - BBLR + Total
Gizi Baik 13 9 22
Gizi Kurang 6 34 40
OR=(13*34/9*6) = 8.18

31. Interaksi St.Gizi dg Sosek
2. Signifikansi interaksi St. Gizi dg Sosek < 0,05:
St.Gizi
Sosek
BBLR
Simpulan:
St.Gizi berinteraksi dengan Sosek, karena nilai-p (sig)
variabel interaksi <0.05 (sig=0.018) 31
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 .

32. Jika ada interaksi (efek modifier), maka
harus dilaporkan efek (nilai OR) yang
terpisah untuk masing-masing strata
32
Ada Interaksi?
YA
Tidak
Laporkan OR
masing-masing
strata
Lakukan uji
konfounding
Ada Confounding?
YA
Tidak
Laporkan OR
adjusted
Laporkan OR
crude
Mulai

33. 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.
33

34. 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.
34

35.  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
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
Perhitungan OR interaksi
35
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 .

36.  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
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
Perhitungan OR interaksi
36
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 .

37.  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
37
Pengujian Interaksi

38.  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
38
Pengujian Confounding

39. 39
Bivariat (Crude Analysis)
Normal BBLR
n % n % OR p-value
Status Gizi
Baik 40 66.7 20 33.3
Kurang 20 33.3 40 66.7 4,00 0,000
Sosek
Tinggi 41 68.3 17 28.3
Rendah 19 31.7 43 71.7 5,46 0,000
Intervensi Fe
Ya 24 40.0 36 60.0
Tidak 36 60.0 24 40.0 0,44 0,022
Tugas:
Tulis interpretasinya masing-masing
variabel, apa arti OR crude?

40. 40
Multivariat (Adjusted) tanpa Interaksi
Tugas:
1.Tulis interpretasi masing-masing variabel
2.Bandingkan OR crude dg adjusted
3.Apakah ada konfounding?
B S.E. Wald df Sig. Exp(B)
Gizi.kurang 2.38 0.64 13.83 1 0.000 10.79
Sosek.rendah 2.28 0.52 19.16 1 0.000 9.80
Tdk.Intervensi.Fe 2.10 0.73 8.34 1 0.004 8.18
Constant -3.43 0.82 17.58 1 0.000 0.03
Variable(s) entered on step 1: Gizi.kurang, Sosek.rendah, Tdk.Intervensi.Fe.

41. 41
Model Interaksi St.Gizi dg Sosek, setelah
dikontrol oleh intervensi Fe
TUGAS:
1. Apakah ada interaksi?
2. Hitung OR masing-masing strata
3. Tulis interpretasi hasil ..
B S.E. Wald df Sig. Exp(B)
Gizi.kurang 1.29 0.75 2.98 1 0.084 3.65
Sosek.rendah 1.25 0.63 3.95 1 0.047 3.49
Tdk.Intervensi.Fe 2.58 0.88 8.50 1 0.004 13.14
Gizi by Sosek 2.66 1.03 6.65 1 0.010 14.36

42. 42
Menghitung OR interaksi
dg STATA

43. 43
Menghitung OR interaksi & 95% CI pd
SPSS dilakukan secara manual

44. 44
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 St.Gizi dg Sosek, sbb:
Menghitung OR interaksi & 95% CI pd
STATA command (syntax)
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

45. 45
logistic bblr gizi_kurang##sosek_rendah
Logistic regression Number of obs = 120
LR chi2(3) = 32.61
Prob > chi2 = 0.0000
Log likelihood = -66.873051 Pseudo R2 = 0.1960
bblr Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
1.gizi_kurang 1.05 0.64 0.08 0.933 0.32 3.44
1.sosek_rendah 1.70 0.96 0.94 0.346 0.56 5.11
gizi_kurang#sosek_rendah 7.78 6.74 2.37 0.018 1.42 42.49
1.Buat Model Interaksi antara St.Gizi dg Sosek, sbb:
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
Rendah (Sosek=1) harus dihitung ulang dg perintah lincom

46. 46
lincom 1.gizi_kurang + 1.gizi_kurang#1.sosek_rendah
( 1) [bblr]1.gizi_kurang + [bblr]1.gizi_kurang#1.sosek_rendah = 0
2. lincom untuk menghitung OR St.Gizi pada sosek rendah:
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)
bblr Odds Ratio Std. Err. z P>z [95% Conf. Interval]
(1) 8.19 5.07 3.39 0.001 2.43 27.58

47. 47
logistic bblr gizi_kurang##sosek_rendah
Logistic regression Number of obs = 120
LR chi2(3) = 32.61
Prob > chi2 = 0.0000
Log likelihood = -66.873051 Pseudo R2 = 0.1960
bblr Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
1.gizi_kurang 1.05 0.64 0.08 0.933 0.32 3.44
1.sosek_rendah 1.70 0.96 0.94 0.346 0.56 5.11
gizi_kurang#sosek_rendah 7.78 6.74 2.37 0.018 1.42 42.49
1.Buat Model Interaksi antara Sosek dg St.Gizi, sbb:
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,
pada Gizi_kurang (St.Gizi=1) harus dihitung ulang dg perintah lincom

48. 48
lincom 1.sosek_rendah + 1.sosek_rendah#1.gizi_kurang
( 1) [bblr]1.sosek_rendah + [bblr]1.gizi_kurang#1.sosek_rendah = 0
2. lincom untuk menghitung OR Sosek pd Gizi kurang:
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)
bblr Odds Ratio Std. Err. z P>z [95% Conf. Interval]
(1) 13.22 8.71 3.92 0.000 3.63 48.10

49. 49
Menghitung OR interaksi
lebih 2 kategori
Ras: 1. Putih, 2.Hitam,
3.Lainnya
BBLR
Rokok
Ras: 1. Putih, 2.Hitam,
3.Lainnya BBLR
Rokok
Model-1 Model-2

50. 50
logistic low race##smoke
Logistic regression Number of obs = 189
LR chi2(5) = 17.85
Prob > chi2 = 0.0031
Log likelihood = -108.40889 Pseudo R2 = 0.0761
1.Buat Model Interaksi antara Smoke dg Race, sbb:
2.Lincom utk OR smoke
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
*OR smoke
pd ras
putih

51. 51
3. OR smoke: a. pd ras putih = 5.75
b. pd ras hitam = 3.3
c. pd ras lain = 1.25

52. 52
logistic low race##smoke
1.Buat Model Interaksi antara Race dg Smoke, sbb:
2.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

53. 53
Nilai OR HASIL ANALISIS STATA

54. 54
Nilai OR HASIL ANALISIS SPSS & MsExcel

55. 55
Terima Kasih….
Jika ada pertanyaan silakan
email ke:
besral@yahoo.com
Atau sms ke:
0858 8098 4413