Entri Blog - Analisis Variansi (ANOVA)

Sintaks dan Hasil Uji ANOVA (BMI Berdasarkan Kategori Usia)

Tujuan pengujian ini adalah untuk melihat apakah ada perbedaan yang signifikan dalam Indeks Massa Tubuh (BMI) (variabel respons kontinu) di antara empat Kategori Usia (variabel penjelas kategorikal dengan lebih dari dua level) yang telah kita buat.

Sintaks ANOVA

Kami menggunakan model Regresi Kuadrat Terkecil Biasa (OLS) yang merupakan dasar dari ANOVA.

Python
# 1. Definisikan model ANOVA
model = ols('BMXBMI ~ C(AGE_KATEGORI)', data=df_analisis).fit()

# 2. Jalankan tabel ANOVA
anova_table = sm.stats.anova_lm(model, typ=2)

# SINTAKS UJI PERBANDINGAN BERPASANGAN (POST HOC TUKEY'S HSD)
tukey_output = pairwise_tukeyhsd(endog=df_analisis['BMXBMI'], 
                                 groups=df_analisis['AGE_KATEGORI'], 
                                 alpha=0.05)

Output Tabel ANOVA

sum_sqdfFPR(>F)
C(AGE_KATEGORI)16878.8633183.0117.3516479.375116e-74
Residual274766.1063355731.0NaNNaN

Interpretasi Tabel ANOVA

Hasil uji ANOVA menunjukkan bahwa ada perbedaan rerata BMI yang sangat signifikan di antara empat Kategori Usia ($F(3, 5731) = 117.35$, $p < 0.001$ atau $9.375 \times 10^{-74}$).

Karena nilai-$p$ jauh lebih kecil dari tingkat signifikansi kita ($\alpha = 0.05$), kita menolak hipotesis nol (Hipotesis nol menyatakan bahwa semua rerata BMI kelompok usia adalah sama).

Hasil ini memberitahu kita bahwa setidaknya ada sepasang kelompok usia yang rerata BMI-nya berbeda. Untuk mengetahui pasangan mana saja yang berbeda, kita harus melihat uji Post Hoc.

Output Uji Post Hoc (Tukey's HSD)

Uji Tukey's Honestly Significant Difference (HSD) dijalankan untuk membandingkan semua pasangan kelompok usia. Kolom reject (tolak) menunjukkan apakah perbedaan antara dua kelompok spesifik tersebut signifikan.

group1group2meandiffp-adjlowerupperreject
A. Dewasa Muda (18-30)B. Paruh Baya (31-50)2.82400.00002.15353.4944True
A. Dewasa Muda (18-30)C. Dewasa Tua (51-64)5.07380.00004.35445.7932True
A. Dewasa Muda (18-30)D. Senior (>=65)3.76110.00003.06004.4621True
B. Paruh Baya (31-50)C. Dewasa Tua (51-64)2.24980.00001.60422.8955True
B. Paruh Baya (31-50)D. Senior (>=65)0.93710.00070.31191.5623True
C. Dewasa Tua (51-64)D. Senior (>=65)-1.31270.0000-1.9901-0.6353True

Interpretasi Uji Post Hoc

Hasil Tukey's HSD menunjukkan bahwa semua perbandingan berpasangan (6 dari 6) antara Kategori Usia adalah signifikan secara statistik (semua memiliki p-adj < 0.05 dan reject = True).

  • Peningkatan BMI: Perbedaan rata-rata (meandiff) yang positif menunjukkan bahwa kelompok group2 memiliki BMI rata-rata yang lebih tinggi daripada group1. Misalnya, rerata BMI untuk Dewasa Tua (51-64) adalah 5.074 poin lebih tinggi secara signifikan daripada Dewasa Muda (18-30).

  • Tren Usia: Tren yang paling menonjol adalah bahwa rerata BMI secara signifikan meningkat seiring bertambahnya usia hingga mencapai puncaknya pada kelompok Dewasa Tua (51-64), kemudian sedikit menurun pada kelompok Senior ($\ge$ 65), namun tetap signifikan lebih tinggi daripada kelompok usia yang lebih muda.

Analisis ini dengan jelas mengidentifikasi usia sebagai faktor penting yang menjelaskan variasi dalam BMI, mengonfirmasi perlunya mengontrol variabel usia dalam model regresi akhir kita.

Komentar

Posting Komentar

Postingan populer dari blog ini

Entri Blog: Menggali Data Kesehatan dengan NHANES

Halo semuanya! Untuk proyek eksplorasi data kita minggu ini, saya telah memilih data set yang luar biasa kaya: National Health and Nutrition Examination Survey (NHANES) . Data ini dikumpulkan oleh CDC di AS dan memberikan pandangan mendalam tentang status kesehatan dan nutrisi populasi Amerika—sumber yang sempurna untuk menyelidiki hubungan antara gaya hidup dan kesehatan. Asosiasi yang Saya Ingin Pelajari Saya tertarik untuk meneliti bagaimana pola makan dapat memengaruhi kesehatan fisik. Secara spesifik, saya akan mengeksplorasi hubungan antara dua topik utama yang sering diperdebatkan dalam kesehatan masyarakat: Topik 1 (Variabel Utama): Obesitas/Kesehatan Antropometri Topik 2 (Variabel Prediktor): Asupan Natrium (Garam) Harian Intinya, saya ingin melihat: Apakah mengonsumsi banyak garam terkait dengan memiliki BMI dan lingkar pinggang yang lebih besar? Hipotesis Kerja Tinjauan literatur singkat saya menunjukkan bahwa sebagian besar penelitian cross-sectional memang menemukan kor...
Baca selengkapnya

Predictive Modeling of Body Mass Index and Obese Status using Anthropometric, Dietary, and Lifestyle Factors in U.S. Adults

Predictive Modeling of Body Mass Index and Obese Status using Anthropometric, Dietary, and Lifestyle Factors in U.S. Adults The escalating global prevalence of obesity remains a critical public health challenge, driving increased morbidity and mortality associated with chronic diseases such as type 2 diabetes, cardiovascular disease, and certain cancers. Understanding the complex interplay of factors contributing to body mass index (BMI) and the progression to obese status is paramount for developing effective, targeted public health interventions. Traditional linear models often fail to capture the nuances of these relationships, necessitating the use of advanced predictive and clustering methods to identify high-risk subgroups and key non-linear determinants. Research Question Statement This study addresses the following research question: What is the differential association of key quantitative and categorical health and lifestyle variables—specifically age, gender, waist circumfere...
Baca selengkapnya

Entri Blog: Analisis Random Forest untuk Prediksi Obesitas

🌲 Entri Blog: Analisis Random Forest untuk Prediksi Obesitas Kami menggunakan model Random Forest Classifier untuk memprediksi status $\text{Obesitas}$ ( $\text{BMI} \ge 30$ , dikodekan sebagai 1) dari empat variabel penjelas: $\text{Rerata Natrium Harian}$ , $\text{Usia}$ ( $\text{RIDAGEYR}$ ), $\text{Lingkar Pinggang}$ ( $\text{BMXWAIST}$ ), dan $\text{Jenis Kelamin}$ ( $\text{IS\_FEMALE}$ ). Sintaks Random Forest Classifier Kami menggunakan 100 pohon ( n_estimators=100 ) dan membatasi kedalaman maksimum setiap pohon menjadi 5 ( max_depth=5 ) untuk menjaga keseimbangan antara kinerja dan kemampuan interpretasi. Python # Bagi data menjadi training (80%) dan testing (20%) X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size= 0.2 , random_state= 42 ) # Inisialisasi model Random Forest rf_clf = RandomForestClassifier(n_estimators= 100 , max_depth= 5 , random_state= 42 ) # Latih model rf_clf.fit(X_train, Y_train) # Evaluasi model & Hitung Feature Importance ...
Baca selengkapnya