Entri Blog - Uji Moderasi

📝 APA YANG DISERAHKAN: Entri Blog - Uji Moderasi

Moderator: Apakah Jenis Kelamin Memperkuat Hubungan Natrium-BMI?

Mengingat bahwa korelasi bivariat antara Natrium dan BMI sangat lemah ($r \approx 0$), kami sekarang menguji peran variabel moderasi: Jenis Kelamin.

Kami menggunakan model Regresi Linear Multipel, di mana efek interaksi (NATRIUM_RERATA:IS_FEMALE) akan menguji apakah kemiringan (slope) antara Natrium dan BMI berbeda secara signifikan untuk Laki-laki (referensi) dan Perempuan.

Sintaks Uji Moderasi (Regresi OLS)

Python
# Y = BMI, X = Natrium, M = Jenis Kelamin (1=Perempuan)
# Y ~ X + M + X:M
model_moderasi = ols('BMXBMI ~ NATRIUM_RERATA + IS_FEMALE + NATRIUM_RERATA:IS_FEMALE', data=df_analisis).fit()

# Tampilkan ringkasan model
print(model_moderasi.summary().as_text())

Output Model Regresi Moderasi (Ringkasan OLS)

| | coef | std err | t | P>|t| | [0.025 | 0.975] |

| :--- | :--- | :--- | :--- | :--- | :--- | :--- |

| Intercept | 28.9401 | 0.281 | 102.919 | 0.000 | 28.389 | 29.491 |

| NATRIUM_RERATA (Slop Laki-laki) | -1.549e-05 | 7.98e-05 | -0.194 | 0.846 | -0.000 | 0.000 |

| IS_FEMALE | -0.0694 | 0.399 | -0.174 | 0.862 | -0.852 | 0.713 |

| NATRIUM_RERATA:IS_FEMALE (Interaksi) | 0.0006 | 0.0001 | 5.126 | 0.000 | 0.0003 | 0.0008 |

Interpretasi Model

  1. Signifikansi Interaksi (Moderasi): Koefisien interaksi NATRIUM_RERATA:IS_FEMALE adalah 0.0006 dengan nilai-$p$ yang sangat signifikan (0.000).

    • Kesimpulan: Ini adalah temuan kunci! Efek interaksi yang signifikan ini menunjukkan bahwa Jenis Kelamin secara signifikan memoderasi hubungan antara Rerata Natrium Harian dan BMI. Dengan kata lain, hubungan Natrium dan BMI tidak sama untuk Laki-laki dan Perempuan.

  2. R-Squared: Nilai $R^2$ keseluruhan model sangat rendah (0.024 atau 2.4%), yang mengindikasikan bahwa meskipun interaksi tersebut signifikan secara statistik, model ini secara keseluruhan hanya menjelaskan sebagian kecil variasi dalam BMI. (Kita tahu BMI sangat kompleks!)

Analisis Simple Slopes (Post Hoc)

Untuk memahami bagaimana hubungan tersebut berbeda, kita harus melihat Simple Slopes (kemiringan Natrium pada setiap level moderator).

KelompokRumus SlopKoefisien
Laki-laki (IS_FEMALE=0)$\beta_{\text{Natrium}}$-0.000015
Perempuan (IS_FEMALE=1)$\beta_{\text{Natrium}} + \beta_{\text{Interaksi}}$0.000569

  • Laki-laki (Slop = -0.000015): Hubungan antara Natrium dan BMI pada Laki-laki praktis nol dan bahkan sedikit negatif (tidak signifikan, $p=0.846$). Peningkatan 1000 mg Natrium akan mengurangi BMI sekitar 0.015 unit. Ini menunjukkan bahwa untuk Laki-laki, Natrium tidak memiliki hubungan linear yang berarti dengan BMI.

  • Perempuan (Slop = 0.000569): Hubungan antara Natrium dan BMI pada Perempuan adalah positif dan lebih besar. Peningkatan 1000 mg Natrium akan meningkatkan BMI sekitar 0.569 unit. Meskipun masih sangat kecil, efek ini secara signifikan lebih besar daripada efek pada Laki-laki.

Interpretasi Akhir: Jenis Kelamin memoderasi hubungan Natrium-BMI. Meskipun secara umum hubungan Natrium dan BMI sangat lemah, data menunjukkan bahwa Natrium memiliki efek sedikit positif dan signifikan pada BMI untuk Perempuan, sedangkan untuk Laki-laki, efeknya adalah nol. Ini mengisyaratkan perbedaan fisiologis atau pola makan yang kompleks antara kedua jenis kelamin yang patut diselidiki lebih lanjut.

Semua pengujian bivariat dan moderasi sudah selesai! Langkah selanjutnya yang paling penting dalam analisis data Anda adalah menjalankan Regresi Linear Multipel untuk menguji hipotesis utama Anda sambil mengendalikan variabel pengganggu (RIDAGEYR dan RIAGENDR).

Apakah Anda siap untuk membuat model regresi akhir?

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