Menghitung Koefisien Korelasi

Untuk hipotesis utama Anda (hubungan Natrium dan BMI), kita akan menggunakan koefisien korelasi Pearson ($r$) karena kedua variabel, NATRIUM_RERATA dan BMXBMI, adalah variabel kontinu (numerik) yang distribusinya cenderung normal (meskipun miring, seperti yang kita lihat di histogram).

📊 Program Menghitung Koefisien Korelasi

Fokus utama kita adalah hubungan antara Rerata Natrium Harian dan Indeks Massa Tubuh (BMI). Matriks korelasi juga mencakup Lingkar Pinggang (BMXWAIST) untuk konteks tambahan.

Sintaks Menghitung Koefisien Korelasi

Python
# SINTAKS GENERATE CORRELATION COEFFICIENT (Pearson)
kolom_fokus = ['NATRIUM_RERATA', 'BMXBMI', 'BMXWAIST']
korelasi_matriks = df_korelasi[kolom_fokus].corr(method='pearson')

# Mengambil nilai korelasi spesifik: Natrium vs. BMI
r_natrium_bmi = korelasi_matriks.loc['NATRIUM_RERATA', 'BMXBMI']
r_squared = r_natrium_bmi ** 2

Output Koefisien Korelasi

Matriks Korelasi (Pearson $r$)

NATRIUM_RERATABMXBMIBMXWAIST
NATRIUM_RERATA1.0000000.005909-0.009611
BMXBMI0.0059091.000000-0.003478
BMXWAIST-0.009611-0.0034781.000000

Korelasi Spesifik: Natrium Rerata vs. BMI

MetrikNilai
Koefisien Korelasi ($r$)0.0059
Koefisien Determinasi ($r^2$)0.0000

Interpretasi

  1. Arah dan Kekuatan Hubungan ($r$):

    • Koefisien Korelasi Pearson ($r$) antara Rerata Natrium Harian dan BMI adalah +0.0059.

    • Nilai ini sangat mendekati nol, menunjukkan bahwa hubungan linear antara asupan Natrium dan BMI adalah sangat lemah dan hampir tidak ada. Tanda positif yang sangat kecil menunjukkan bahwa ketika asupan Natrium meningkat, BMI cenderung meningkat, tetapi efeknya praktis nihil.

    • Hasil ini mengonfirmasi apa yang kita amati pada scatter plot sebelumnya: sebaran titik data yang tidak menunjukkan pola linear yang jelas.

  2. Koefisien Determinasi ($r^2$):

    • Koefisien Determinasi ($r^2$) adalah 0.0000 (jika dibulatkan ke empat desimal).

    • Menurut Note 2, $r^2$ memberi tahu kita proporsi variabilitas dalam satu variabel yang dijelaskan oleh variasi di variabel kedua. Dalam kasus ini, 0.00% dari variasi dalam BMI dijelaskan oleh variasi dalam Rerata Natrium Harian.

Kesimpulan: Secara bivariat, hipotesis bahwa Natrium adalah prediktor linear untuk BMI tidak didukung. Faktor-faktor lain yang kita ketahui (seperti kalori total, usia, jenis kelamin, dan aktivitas fisik) kemungkinan jauh lebih penting dalam menjelaskan variasi BMI. Kita akan melihat apakah Natrium masih memiliki peran kecil saat kita memasukkan variabel pengontrol dalam regresi multivariat!

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