Uji OR dan Regresi Logistik Sederhana

(1)

Uji OR dan Regresi Logistik Sederhana

Pada kesempatan ini, kita akan mencoba melakukan analisa data pada penelitian case

control study dimana analisis univariat menggunakan nilai odds ratio dan analisis

multivariat menggunakan Regresi Logistik Sederhana. Untuk file latihannya, silahkan di

download dulu file latihannya pada link yang saya sediakan supaya ada keseragaman.

Moon maaf, file latihannya tidak dapat saya muat dalam postingan antarmuka karena

terlalu besar datanya dimana jumlah sampel yang digunakan adalah 129 sampel

berdasarkan hasil perhitungan besar sampel pada penelitian case control study dengan

perbandingan kasus dan kontrol adalah 1 : 2 yaitu 1 sampel pada kasus dan 2 sampel pada

kontrol. Ok, kita lanjut langkah-langkah analisis datanya menggunakan program IBM

SPSS v20. Yang belum punya silahkan download terlebih dahulu.

Data yang saya buat berdasarkan hasil temuan lapangan dan bukan rekayasa karena

merupakan data pada penelitian tentang analisis faktor yang berisiko terhadap kematian

neonatal.

Download file latihan OR dan Regresi Logistik Sederhana

Download IBM SPSS v20

Sudah download file latihannya kan. Berikut adalah langkah2 analisis datanya

menggunakan SPSS

Langkah 1 ; Entri Data

1. Open aplikasi progam SPSS

2. Pertama-tama kita akan membuat susunan variabel pada jendela variabel view di SPSS

tampilan awal jendela data view

(masih kosong)

Susunan variabelnya adalah sama tampilannya pada file yang telah didownload dan

dibuka di excel. Namun sebelumnya adalah kita harus mendeskripsikan variabel tersebut

pada aplikasi SPSS. Berikut adalah penjelasan dari tiap variabelnya.

Variabel pertama :

Nama : Sts

Type : Numeric

Width : default

Decimals : 0 (Nol)

(2)

Label : Status Kematian Neonatal

Values : 1 = Mati, 2 = Hidup atau 1 = Kasus, 2 = Kontrol

Missing ; none

Columns ; default

Align ; default

Measure ; ordinal

Role ; default

Variabel kedua :

Nama : Asfi

Type : Numeric

Width : default

Decimals ; 0 (Nol)

Label : Asfiksia neonatorum

Values ; 1 = APGAR < 7, 2 = APGAR 7 ke atas

Missing ; none

Columns ; default

Align ; default

Measure ; ordinal

Role ; default

Variabel ketiga :

Nama : BL

Type : numeric

Width ; default

Decimals ; 0

Label : Berat Lahir

Values ; 1 = BBLR, 2 = Normal

Missing ; none

Columns ; default

Align ; default

Measure ; ordinal

Role ; default

Variabel keempat :

Nama ; Umr

Type ; numeric

Width ;default

Decimals ; 0

Label ; Umur ibu

Values; 1 = <20 dan >35 th, 2 = 20 - 35 th

Missing ; none

Columns ; default

Align ; default

Measure ; ordinal

Role ; default

Variabel kelima :

Nama : Par

Type : numeric

(3)

Width ; default

Decimals ; 0

Label : Paritas

Values ; 1 = >2x, 2 = Max 2x

Missing ; none

Columns ; default

Align ; default

Measure ; ordinal

Role ; default

Variabel keenam :

Nama ; ANC

Type ; numeric

Width ; default

Decimals ; 0

Label ; Pelayanan Antenatal

Values ; 1 = Tdk teratur, 2 = Teratur

Missing ; none

Columns ; default

Align ; default

Measure ; scale

Role ; default

Tampilan data variabelnya di SPSS adalah sebagai berikut.

tampilan variabel pada jendela variabel view

3. Masuk ke jendela Data View sehingga pada tabel menu bagian kolom terlihat

nama-nama variabel yang telah dibuat, seperti berikut

(4)

tampilan varibel pada jendela Variabel view

4. Buka file latihan yang telah di download menggunakan excel atau program sejenisnya

tampilan dan blok data di excel

5. Masukkan data yang telah di download dengan cara meng copy kolom datanya tidak

termasuk nama variabel dan kolom nomor di excel. Jadi di blok datanya kemudian paste

ke dalam jendela data view sesuai urutannya dimulai dari kolom Sts baris 1. Hasilnya

seperti ini

(5)

tampilan data yg telah di entri pada jendela Variabel view

Simpan file dengan nama Master Data.sav

Langkah 2 ; Analisis Bivariat uji OR

6. Setelah data dimasukkan, pilih menu bar

Analyze -> Descriptive Statistics ->

Crosstabs..

, sehingga muncul jendela

Crosstabs

7. Masukkan variabel

Status Kematian Neonatal

pada kolom menu Columns(s) dan

variabel sisanya di kolom menu Row(s)

(6)

8. Pilih menu

Statistics..

untuk memilih jenis analisis statistiknya sehingga muncul menu

crosstabs;statistics

9. Beri centang menu

Risk

lalu

Continue

10. Kembali pada menu

Crosstabs

, lalu pilih

Cells..

untuk memilih tampilan sel pada

tabel hasil analisis

11. Beri centang

Observed

,

Expexted

pada menu

Counts

;

Row

,

Column

,

Total

pada

Percentages

. Lalu

Continue

(7)

12. Kembali ke menu Crosstabs, pilih OK

Berikut adalah hasil analisis datanya untuk uji bivariat dengan Odds Ratio (OR)

Crosstabs

**Asfiksia Neonatorum * Status Kematian Neonatal**

Crosstab

Status Kematian Neonatal Total Mati Hidup Asfiksia Neonatorum APGAR <7 Count 38 4 42 Expected Count 14,0 28,0 42,0

% within Asfiksia Neonatorum 90,5% 9,5% 100,0% % within Status Kematian Neonatal 88,4% 4,7% 32,6%

% of Total 29,5% 3,1% 32,6%

APGAR 7 Lebih

Count 5 82 87

Expected Count 29,0 58,0 87,0

% of Total 3,9% 63,6% 67,4%

Total

Count 43 86 129

(8)

Risk Estimate

Value 95% Confidence Interval Lower Upper Odds Ratio for Asfiksia

Neonatorum (APGAR <7 / APGAR 7 Lebih)

155,800 39,594 613,059

For cohort Status Kematian

Neonatal = Mati 15,743 6,684 37,077 For cohort Status Kematian

Neonatal = Hidup ,101 ,040 ,257

N of Valid Cases 129

**Berat Lahir * Status Kematian Neonatal**

Crosstab

Status Kematian Neonatal Total Mati Hidup

Berat Lahir

BBLR

Count 25 6 31

% within Berat Lahir 80,6% 19,4% 100,0% % within Status Kematian Neonatal 58,1% 7,0% 24,0%

% of Total 19,4% 4,7% 24,0%

Normal

Count 18 80 98

% of Total 14,0% 62,0% 76,0%

Total

Count 43 86 129

% of Total 33,3% 66,7% 100,0%

Risk Estimate

Value 95% Confidence Interval Lower Upper Odds Ratio for Berat Lahir

(BBLR / Normal) 18,519 6,629 51,731 For cohort Status Kematian

(9)

**Umur Ibu * Status Kematian Neonatal**

Crosstab

Status Kematian Neonatal Total Mati Hidup Umur Ibu <20 dan >35 Th Count 15 17 32 Expected Count 10,7 21,3 32,0

% within Umur Ibu 46,9% 53,1% 100,0% % within Status Kematian Neonatal 34,9% 19,8% 24,8%

% of Total 11,6% 13,2% 24,8%

20-35 Th

Count 28 69 97

% of Total 21,7% 53,5% 75,2%

Total

Count 43 86 129

% of Total 33,3% 66,7% 100,0%

Risk Estimate

Value 95% Confidence Interval Lower Upper Odds Ratio for Umur Ibu

(<20 dan >35 Th / 20-35 Th) 2,174 ,956 4,945 For cohort Status Kematian

Neonatal = Hidup ,747 ,527 1,059 N of Valid Cases 129

**Paritas * Status Kematian Neonatal**

Crosstab

Status Kematian Neonatal Total Mati Hidup Paritas >2x Count 15 31 46 Expected Count 15,3 30,7 46,0 % within Paritas 32,6% 67,4% 100,0%

% within Status Kematian Neonatal 34,9% 36,0% 35,7%

% of Total 11,6% 24,0% 35,7%

1-2x

Count 28 55 83

% within Paritas 33,7% 66,3% 100,0%

% of Total 21,7% 42,6% 64,3%

Total

Count 43 86 129

% within Paritas 33,3% 66,7% 100,0%

(10)

Risk Estimate

Value 95% Confidence Interval Lower Upper Odds Ratio for Paritas (>2x /

1-2x) ,950 ,442 2,045

Neonatal = Mati ,967 ,579 1,615

Neonatal = Hidup 1,017 ,790 1,310 N of Valid Cases 129

**Pelayanan Antenatal * Status Kematian Neonatal**

Crosstab

Status Kematian Neonatal Total Mati Hidup Pelayanan Antenatal Tdk teratur Count 38 39 77 Expected Count 25,7 51,3 77,0

% within Pelayanan Antenatal 49,4% 50,6% 100,0% % within Status Kematian Neonatal 88,4% 45,3% 59,7%

% of Total 29,5% 30,2% 59,7%

Teratur

Count 5 47 52

% of Total 3,9% 36,4% 40,3%

Total

Count 43 86 129

% of Total 33,3% 66,7% 100,0%

Risk Estimate

Value 95% Confidence Interval Lower Upper Odds Ratio for Pelayanan

Antenatal (Tdk teratur / Teratur)

9,159 3,288 25,514

N of Valid Cases 129

Langkah 3 ; Analisis multivariat dengan Regresi Logistic Sederhana

13. Kembali ke file Master Data.sav, pilih

Analyze -> Regressions -> Binary Logistic

sehingga muncul menu

Logistic Regession

14. Pilih variabel Status Kematian Neonatal dan masukkan ke kolom

Dependent:

(11)

15. Methode yang digunakan adalah

Enter

diartikan kita akan melihat pengaruh dari

masing-masing terhadap var dependen kemudian menganalisis secara bersamaan.

16. Masih di menu

Logistic Regression

, pilih menu

Option

untuk menentukan jenis

analisis multivariatnya sehingga muncul menu Logistic Regression:option

17. Beri centang

Hosmer-Lemeshow goodness-of-fit

,

Correlations of estimates

,

Iteration history

,

CI for exp(B) 95%,

dan

Include constant in model

, lalu

Continue

18. Kembali ke menu Logistic Regression, pilih OK

(12)

Logistic Regression

Case Processing Summary

Unweighted Casesa N Percent

Selected Cases Included in Analysis 129 100,0 Missing Cases 0 ,0 Total 129 100,0 Unselected Cases 0 ,0 Total 129 100,0

a. If weight is in effect, see classification table for the total number of cases.

Dependent Variable Encoding Original Value Internal Value

Mati 0

Hidup 1

Block 0: Beginning Block

Iteration Historya,b,c

Iteration -2 Log likelihood Coefficients Constant

Step 0

1 164,241 ,667

2 164,221 ,693

3 164,221 ,693

a. Constant is included in the model. b. Initial -2 Log Likelihood: 164,221

c. Estimation terminated at iteration number 3 because parameter estimates changed by less than ,001.

Classification Tablea,b

Observed Predicted

Status Kematian Neonatal Percentage Correct Mati Hidup

Step 0 Status Kematian Neonatal

Mati 0 43 ,0

Hidup 0 86 100,0

Overall Percentage 66,7

a. Constant is included in the model. b. The cut value is ,500

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

(13)

Variables not in the Equation Score df Sig. Step 0 Variables Asfi 91,507 1 ,000 BL 41,103 1 ,000 UMR 3,512 1 ,061 Par ,017 1 ,897 ANC 22,053 1 ,000 Overall Statistics 94,163 5 ,000

Block 1: Method = Enter

Iteration Historya,b,c,d Iteration -2 Log

likelihood

Coefficients

Constant Asfi BL UMR Par ANC

Step 1 1 69,794 -5,656 3,001 ,666 -,120 ,035 ,198 2 58,885 -8,320 3,971 1,346 -,304 ,079 ,488 3 57,138 -9,793 4,425 1,791 -,510 ,104 ,798 4 57,022 -10,222 4,571 1,919 -,604 ,103 ,935 5 57,021 -10,257 4,585 1,929 -,614 ,102 ,950 6 57,021 -10,258 4,585 1,929 -,614 ,102 ,950 a. Method: Enter

b. Constant is included in the model. c. Initial -2 Log Likelihood: 164,221

d. Estimation terminated at iteration number 6 because parameter estimates changed by less than ,001.

Omnibus Tests of Model Coefficients

Chi-square df Sig. Step 1 Step 107,199 5 ,000 Block 107,199 5 ,000 Model 107,199 5 ,000 Model Summary Step -2 Log likelihood Cox & Snell R

Square

Nagelkerke R Square

1 57,021a ,564 ,784

a. Estimation terminated at iteration number 6 because parameter estimates changed by less than ,001.

Hosmer and Lemeshow Test Step Chi-square df Sig.

(14)

Contingency Table for Hosmer and Lemeshow Test

Status Kematian Neonatal = Mati Status Kematian Neonatal = Hidup Total Observed Expected Observed Expected

Step 1 1 15 14,688 0 ,312 15 2 11 11,181 1 ,819 12 3 11 11,412 3 2,588 14 4 3 2,490 5 5,510 8 5 1 ,904 12 12,096 13 6 1 1,075 16 15,925 17 7 0 ,444 14 13,556 14 8 0 ,661 26 25,339 26 9 1 ,145 9 9,855 10 Classification Tablea Observed Predicted

Status Kematian Neonatal Percentage Correct Mati Hidup

Step 1 Status Kematian Neonatal

Mati 38 5 88,4

Hidup 4 82 95,3

Overall Percentage 93,0

a. The cut value is ,500

Variables in the Equation

B S.E. Wald df Sig. Exp(B) 95% C.I.for EXP(B) Lower Upper Step 1a Asfi 4,585 ,892 26,403 1 ,000 97,988 17,048 563,215 BL 1,929 ,831 5,389 1 ,020 6,882 1,350 35,073 UMR -,614 ,950 ,418 1 ,518 ,541 ,084 3,484 Par ,102 ,782 ,017 1 ,896 1,107 ,239 5,128 ANC ,950 ,891 1,138 1 ,286 2,586 ,451 14,813 Constant -10,258 2,666 14,806 1 ,000 ,000

a. Variable(s) entered on step 1: Asfi, BL, UMR, Par, ANC.

Correlation Matrix

Constant Asfi BL UMR Par ANC

Step 1 Constant 1,000 -,201 -,619 -,368 -,453 -,234 Asfi -,201 1,000 -,004 -,519 ,174 -,213 BL -,619 -,004 1,000 ,103 -,026 ,069 UMR -,368 -,519 ,103 1,000 -,042 -,014 Par -,453 ,174 -,026 -,042 1,000 -,201 ANC -,234 -,213 ,069 -,014 -,201 1,000