PENGANTAR BIOSTATISIK
SAPTAWATI BARDOSONO
PERKENALAN
Perkuliahan 14 tatap muka @ 1 jam Diskusi kelompok 14 kali @ 1 jam Praktikum statistik 2 kali @ 4 jam Penanggungjawab mata ajaran:
Saptawati Bardosono Departemen Ilmu Gizi FKUI 0817149629
PERKENALAN
Narasumber:
Joedo Prihartono (Kedokteran Komunitas) Muchtaruddin Mansyur (Kedokteran Komunitas) Soedigdo Sastroasmoro (Kesehatan Anak) Bambang Sutrisna (Kesehatan Masyarakat) Saptawati Bardosono (Gizi)
Evaluasi:
Ujian tulis (esai) Penugasan individual (laporan rencana analisis data: Judul penelitian, hipotesis, rancangan studi, variabel dependen dan independen, rencana analisis data) Penugasan kelompok (laporan hasil diskusi kelompok pertopik)
Laporan Rencana Analisis Data
Nama mahasiswa: _________________ Judul penelitian: ___________________ Hipotesis: ________________________ Rancangan penelitian: ______________ Variabel dependen: ________________ Variabel independen: _______________ _________________________________ Rencana analisis data: ______________ _________________________________
PERKENALAN Topik perkuliahan dan diskusi kelompok:
1. 2. 3. 4. 5. 6. 7.
Strategi analisis dan Kaitan analisis dengan rancangan penelitian Uji statistik multivariat dan regresi ganda Analisis faktor dan analisis kluster Analisis poison dan analisis diskriminan GLM dan MANOVA Regresi logistik dan kontrol perancu-interaksi Analisis kesintasan dan analisis regresi untuk kesintasan
1. STRATEGI ANALISIS
Pada semua penelitian tidak ada satupun analisis atau jawaban yang 100% benar Tantangan bagi peneliti adalah melakukan analisis data yang dapat menjawab pertanyaan penelitian sejelasjelasnya dan sejujur-jujurnya Perlu dilakukan: Rencana analisis Data checking Analisis awal Kontrol perancu dan interaksi Analisis data yang dapat diulang-ulang Masalah saat analisis dan interpretasi
1. KAITAN ANALISIS DENGAN RANCANGAN PENELITIAN
Bagaimana caranya mengkaitkan analisis dengan rancangan studi:
Rancangan RCT Efek intervensi Rancangan cross-sectional dan longitudinal Rancangan case-control
2. ANALISIS MULTIVARIAT
Melakukan analisis data terhadap lebih dari dua variabel pada setiap subyek Merupakan perluasan dari uji univariat (uji t) atau uji bivariat (uji korelasi dan regresi sederhana) Prasyarat:
Pengujian menggunakan grafik untuk uji normalitas distribusi data Pengujian adanya missing data Pengujian adanya outlier Pengujian asumsi lainnya: uji normalitas data, uji linearitas dll
2. REGRESI GANDA
Memprediksi besar variabel tergantung dengan menggunakan data variabel bebas yang sudah diketahui jumlahnya Syarat:
Data kuantitatif Bila data kualitatif, diperlakukan sebagai variabel dummy
2. REGRESI GANDA Contoh:
Peneliti ingin mengetahui efek gabungan dari usia, tinggi badan dan jenis kelamin terhadap variasi nilai FEV-1 (forced expiratory volume dalam 1 detik) pada anak yang diukur dengan spirometer
2. REGRESI GANDA FEV-1
Coefficient
Std err
t
P > [t]
95%CI
Age
0.0946
0.0152
6.23
Height
0.0246
0.0018
14.04 0.000 0.0211 smp 0.0280
Male
0.1213
0.0176
6.90
Constant
-2.360
0.1750
0.000 0.0648 smp 0.1244
0.000 0.0868 smp 0.1559
-13.49 0.000
-2.704 smp -2.0166
3. ANALISIS FAKTOR
Mencoba menemukan hubungan antar sejumlah variabel yang saling independen satu dengan yang lain sehingga bisa dibuat satu atau beberapa kumpulan variabel yang lebih sedikit dari jumlah variabel awal Tujuannya:
Mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi Membuat sebuah variabel set baru (faktor) untuk menggantikan sejumlah variabel tertentu
3. ANALISIS FAKTOR
Syarat:
Jumlah sampel 10 subyek / variabel Korelasi bermakna dan Besar korelasi antar variabel independe harus kuat (>0,5)
3. ANALISIS KLUSTER
Tujuannya untuk mengelompokkan subyek berdasarkan kesamaan katakteristiknya Syarat:
Homogenitas yang tinggi antar anggota dalam kluster Heterogenitas yang tinggi antar kluster
Bedanya dengan analisis faktor:
Analisis faktor untuk mereduksi variabel (kolom) Analisis kluster untuk mengelompokkan isi variabel (baris)
3. ANALISIS KLUSTER Contoh:
Penelitian ingin mengevaluasi efek dari zat aktif X dalam air minum terhadap kejadian (rate) karies gigi 832 anak sekolah di 8 lokasi berbeda (kluster) diikuti sampai mereka membutuhkan perawatan gigi
3. ANALISIS KLUSTER Lokasi
Anak butuh perawatan gigi
anaktahun
Rate per-100 Jumlah zat aktif anak-tahun (1000*ppm)
1
46
456.3
10.08
7.1
2
19
215.1
8.83
7.6
3
17
487.8
3.49
8.2
4
46
459.9
10.00
5.4
5
15
201.2
7.46
8.4
6
20
187.7
10.66
6.8
7
58
399.1
10.53
6.2
8
20
212.5
9.41
8.9
4. ANALISIS POISON
Tujuannya untuk analisis rate untuk estimasi rate ratio membandingkan kelompok paparan yang berbeda (mirip regresi logistik yang membandingkan OR dari kelompok paparan yang berbeda) Sehingga bisa digunakan untuk: Membandingkan rate antara 2 kelompok paparan/intervensi atau lebih Menentukan efek dari variabel paparan Kontrol efek perancu dari 1 atau lebih variabel Estimasi dan kontrol efek paparan2 yang berubah dari waktu ke waktu
4. ANALISIS POISON Contoh: Penelitian tentang faktor risiko penyakit jantung mengikutsertakan 1786 laki-laki usia 43-61 tahun saat pertama kali diperiksa untuk kemudian diikuti selama 19 tahun sampai terjadinya infark miokard atau kematian karena penyakit jantung) Ada 990 subyek perokok aktif dan 796 tidak pernah merokok atau eks-perokok
4. ANALISIS POISON Perokok aktif awal penelitian
Infark miokard
Orang-tahun berisiko
Rate per-1000 orang-tahun
Ya (terpapar)
230
13.978
230/13.978 = 16,98
Tidak (tidak terpapar)
118
12.183
118/12.183 = 9,68
Jumlah
348
26.161
348/26.161 = 13,30
4. ANALISIS DISKRIMINAN
Mirip dengan analisis regresi namun variabel dependen berupa data kategori dan variabel independen berupa data non-kategori Tujuan:
Mengetahui perbedaan yang ada antar kelompok variabel dependen Variabel independen mana yang membedakan antar kelompok Membuat model diskriminan
5. GENERAL LINEAR MODEL
Mirip ANOVA namun variabel dependen dan independen (kovariat) keduanya adalah data rasio Bila variabel independen bukan data rasio, maka disebut faktor
5. MANOVA
Mirip ANOVA namun variabel dependen lebih dari satu dengan variabel independen yang berskala rasio sebagai kovariat dan yang berskala kategorik sebagai faktor
6. REGRESI LOGISTIK
Memprediksi besar variabel tergantung yang berupa variabel binari (ya-tidak) dengan menggunakan variabel bebas yang sudah diketahui besarnya, sehingga dapat digunakan untuk:
Membandingkan variabel efek antara 2 kelompok paparan/intervensi atau lebih Menentukan efek dari variabel paparan
7. ANALISIS KESINTASAN
Untuk studi longitudinal yang mengikuti subyek sampai timbulnya kejadian tertentu (diagnosis penyakit atau dimulainya pengobatan), misal:
Risiko kematian setelah operasi jantung Timbul kembalinya tumor setelah diagnosis dan pengobatan kanker payudara
7. ANALISIS KESINTASAN_REGRESI
Regresi Cox (proportional hazards regression) Non-proportional hazard regression
STRATEGI ANALISIS
SAPTAWATI BARDOSONO 2008
RENCANA ANALISIS Studi RCT:
Definisi operasional dari outcome primer dan sekunder Uji statistik yang akan digunakan: Karakteristik subyek di awal penelitian Membandingkan kelompok intervensi terkait data awal penelitian Analisis outcome primer (ITT) Analisis ulang dengan kontrol terhadap data awal Analisis sub-kelompok Analisis efek samping dan adverse outcome Analisis outcome sekunder
RENCANA ANALISIS Studi Observasi:
Seringkali sulit untuk membuat rencana analisis secara lengkap Analisis disesuaikan dengan hipotesis utama dan hipotesis tambahan (definisi variabel dependen dan independen) Analisis variable perancu dan interaksi
MASALAH ANALISIS & INTERPRETASI HASIL Data dredging, mencoba semua kemungkinan analisis hubungan dengan variabel outcome Menonjolkan hasil yang menarik yang tidak direncanakan Merubah pengelompokan variabel paparan hanya supaya bermakna => Analisis harus dapat menjawab pertanyaan penelitian dengan sejelas-jelasnya dan sejujurjujurnya
KAITAN ANALISIS DENGAN RANCANGAN PENELITIAN
SAPTAWATI BARDOSONO 2008
Randomized controlled trial
Analisis variabel baseline ITT = intention to treat Penyesuaian variabel baseline Analisis sub-kelompok Rancangan cross-over Cluster randomized trial
Jenis rancangan lain
Pre-post comparison Intervention-control comparison Adopters versus non-adopters comparison
Rancangan Cross-sectional
Untuk pengukuran prevalens Hubungan antara variabel2 yang diteliti
Rancangan Longitudinal
Untuk pengukuran insidens Mengikuti variabel secara monitoring terusmenerus:
Retrospektif Prospektif Cross-sectional berulang
Analisis untuk studi observasi
Bergantung pada:
Data paparan: Binari Kategorik Kategorik-ordinal Numerik Kontrol perancu
Bergantung pada:
Data efek: Numerik Binari Rate survival
Rancangan Longitudinal
Bergantung dari teknik sampling:
Acak sederhana Sistematik Strata Bertingkat Berdasar waktu
Rancangan Kasus-kontrol
Kelompok tidak berpasangan (random) Kelompok berpasangan:
Stratum Individual:
1 kontrol per kasus Beberapa kontrol per kasus
Dengan paparan tunggal Kontrol variabel perancu