ANALISIS REGRESI DAN KORELASI OLEH Nur Auliyah F

  • Slides: 20
Download presentation
ANALISIS REGRESI DAN KORELASI OLEH Nur Auliyah F, S. ST PROGRAM STUDI STATISTIKA, FMIPA

ANALISIS REGRESI DAN KORELASI OLEH Nur Auliyah F, S. ST PROGRAM STUDI STATISTIKA, FMIPA UGM CLINICAL EPIDEMIOLOGY & BIOSTATISTICS UNIT (CE&BU), FK UGM

ANALISIS REGRESI Analisis Regresi Linear Analisis regresi merupakan metode analisis data yang memanfaatkan hubungan

ANALISIS REGRESI Analisis Regresi Linear Analisis regresi merupakan metode analisis data yang memanfaatkan hubungan antara dua variabel atau lebih (Berat Badan dengan Umur; FEV 1 dengan Tinggi Badan; Berat Badan dengan Umur dan Asupan Gizi). Y=variabel dependen, tak bebas, tergantung, respon, outcome. X=variabel independen, bebas, tak tergantung, prediktor. Tujuan: • Menyelidiki bentuk/pola hubungan antara Y dengan X. • Mengestimasi/menduga mean atau rata-rata dari Y populasi berdasarkan X yang diberikan.

Scatter Plot

Scatter Plot

Berat Badan = 3. 025 + 0. 507 Umur Untuk seorang anak yang berumur

Berat Badan = 3. 025 + 0. 507 Umur Untuk seorang anak yang berumur 18 bulan, maka berat anak tersebut dapat diprediksi sebesar 12. 151 kg

y x xy x 2 y 2 . . Σy Σx Σxy Σx 2

y x xy x 2 y 2 . . Σy Σx Σxy Σx 2 Σy 2

Analisis Korelasi Analisis korelasi merupakan metode analisis data yang mengukur derajat hubungan antara dua

Analisis Korelasi Analisis korelasi merupakan metode analisis data yang mengukur derajat hubungan antara dua variabel random X dan Y melalui sebuah bilangan yang disebut koefisien korelasi r. Kuadrat dari koefisien korelasi disebut koefisien determinasi yang merepresentasikan besarnya proporsi variasi dalam variabel y yang dijelaskan oleh variabel x dalam model. Dengan menggunakan pasangan data berat badan umur anak balita, diperoleh nilai koefisien korelasi sebesar 0. 956 dan koefisien determinasi sebesar 0. 914

Seorang peneliti ingin mengetahui seberapa baik dia dapat memprediksi length of stay seorang pasien

Seorang peneliti ingin mengetahui seberapa baik dia dapat memprediksi length of stay seorang pasien apabila diketahui variabel independennya number of previous admissions, age dan sex. Untuk itu telah dikumpulkan data untuk 15 pasien sbb:

Sebagai ilustrasi analisis regresi logistik digunakan sebagian variabel dari data studi tentang low birth

Sebagai ilustrasi analisis regresi logistik digunakan sebagian variabel dari data studi tentang low birth weight (berat badan lahir rendah). Tujuan dari studi ini adalah untuk mengidentifikasi faktor resiko yang berhubungan dengan kelahiran bayi yang low birth weight (berat < 2500 gram). Seratus delapan puluh sembilan ibu yang ikut penelitian, 59 yang melahirkan bayi dengan low birth weight dan 130 yang melahirkan bayi normal.