Entri Blog: Regresi Logistik dan Pengujian Hipotesis Utama

📝 Entri Blog: Regresi Logistik dan Pengujian Hipotesis Utama

1. Ringkasan Hasil Model Regresi Logistik Multipel

Model regresi logistik ini menguji kemungkinan obesitas ($\text{BMI} \ge 30$) sebagai variabel respons, yang diprediksi oleh $\text{Rerata Natrium Harian}$ (variabel penjelas utama), setelah disesuaikan untuk $\text{Usia}$ dan $\text{Jenis Kelamin}$ (variabel pengontrol).

Setelah disesuaikan untuk faktor-faktor pengontrol ($\text{Usia}$ dan $\text{Jenis Kelamin}$), Rerata Natrium Harian tidak signifikan dalam memprediksi status obesitas ($\text{OR} = 1.0000$, $\text{95\% CI} = 0.9999 - 1.0000$, $p = 0.149$). Koefisien yang sangat dekat dengan 1.0 menunjukkan tidak adanya efek. Demikian pula, $\text{Usia}$ juga tidak signifikan dalam memprediksi obesitas ($\text{OR} = 1.0015$, $\text{95\% CI} = 0.9985 - 1.0044$, $p = 0.315$). $\text{Jenis Kelamin}$ ($\text{Perempuan}$ vs. $\text{Laki-laki}$) juga tidak memiliki asosiasi signifikan dengan obesitas ($\text{OR} = 1.0583$, $\text{95\% CI} = 0.9536 - 1.1747$, $p = 0.289$).

2. Dukungan Terhadap Hipotesis Utama

Hipotesis utama saya adalah bahwa $\text{Rerata Natrium Harian}$ akan berhubungan secara signifikan dan positif dengan $\text{BMI}$ (atau dalam model ini, kemungkinan obesitas).

Hasil: Hasil ini tidak mendukung hipotesis saya. $\text{Rerata Natrium Harian}$ tidak menunjukkan asosiasi yang signifikan secara statistik dengan status obesitas ($\text{OR} = 1.0000$, $p = 0.149$). Ini menegaskan temuan dari analisis korelasi bivariat yang juga menunjukkan hubungan yang sangat lemah ($r \approx 0$).

3. Bukti Confounding

Untuk menilai confounding, kami membandingkan Odds Ratio Natrium dari model bivariat ($\text{Natrium} \rightarrow \text{Obesitas}$) dengan Odds Ratio Natrium dari model multivariat ($\text{Natrium} + \text{Pengontrol} \rightarrow \text{Obesitas}$). Perubahan yang substansial pada OR (biasanya $10\%-20\%$ atau lebih) akan mengindikasikan adanya confounding.

  • $\text{OR}$ Natrium Model A (Bivariat, Natrium saja): $\text{OR} = 1.0000$

  • $\text{OR}$ Natrium Model B (Adjusted $\text{Usia}$): $\text{OR} = 1.0000$

  • $\text{OR}$ Natrium Model C (Final Adjusted): $\text{OR} = 1.0000$

Kesimpulan Confounding: Tidak ada bukti confounding. Odds Ratio untuk $\text{Rerata Natrium Harian}$ tetap stabil di $1.0000$ (tidak ada perubahan substantif) setelah menambahkan $\text{Usia}$ dan $\text{Jenis Kelamin}$ ke dalam model. Ini berarti bahwa $\text{Usia}$ dan $\text{Jenis Kelamin}$ tidak mengubah secara signifikan hubungan Natrium terhadap Obesitas.

Output Model Regresi Logistik Multipel (Model C)

                           Logit Regression Results                           
==============================================================================
Dep. Variable:           OBESE_STATUS   No. Observations:                 5735
Model:                          Logit   Df Residuals:                     5731
Method:                           MLE   Df Model:                            3
Date:                Fri, 14 Nov 2025   Pseudo R-squ.:               0.0005529
Time:                        06:52:20   Log-Likelihood:                -3922.9
converged:                       True   LL-Null:                       -3925.1
Covariance Type:            nonrobust   LLR p-value:                    0.2270
==================================================================================
                     coef    std err          z      P>|z|      [0.025      0.975]
----------------------------------------------------------------------------------
Intercept         -0.2922      0.098     -2.987      0.003      -0.484      -0.100
NATRIUM_RERATA -2.394e-05   1.66e-05     -1.441      0.149   -5.65e-05    8.61e-06
RIDAGEYR           0.0015      0.001      1.004      0.315      -0.001       0.004
IS_FEMALE          0.0566      0.053      1.061      0.289      -0.048       0.161
==================================================================================

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