Cara melakukan regresi logistik di stata

Regresi logistik adalah metode yang kami gunakan untuk menyesuaikan model regresi ketika variabel responsnya adalah biner. Berikut beberapa contoh penggunaan regresi logistik:

• Kami ingin mengetahui bagaimana olahraga, pola makan, dan berat badan berdampak pada kemungkinan terkena serangan jantung. Variabel responnya adalah serangan jantung dan mempunyai dua kemungkinan hasil: serangan jantung terjadi atau tidak terjadi.
• Kami ingin mengetahui bagaimana IPK, skor ACT, dan jumlah mata kuliah AP yang diambil berdampak pada kemungkinan diterima di universitas tertentu. Variabel responnya adalah penerimaan dan mempunyai dua kemungkinan hasil: diterima atau tidak diterima.
• Kami ingin mengetahui apakah jumlah kata dan judul email memengaruhi kemungkinan email tersebut merupakan spam. Variabel responsnya adalah spam dan memiliki dua kemungkinan hasil: spam atau bukan spam.

Tutorial ini menjelaskan cara melakukan regresi logistik di Stata.

Contoh: regresi logistik di Stata

Misalkan kita ingin memahami apakah usia ibu dan kebiasaan merokok mempengaruhi kemungkinan memiliki bayi dengan berat badan lahir rendah.

Untuk mengeksplorasi hal ini, kita dapat melakukan regresi logistik dengan menggunakan usia dan merokok (ya atau tidak) sebagai variabel penjelas dan berat badan lahir rendah (ya atau tidak) sebagai variabel respon. Karena variabel responsnya biner – hanya ada dua kemungkinan hasil – regresi logistik harus digunakan.

Selesaikan langkah-langkah berikut di Stata untuk melakukan regresi logistik menggunakan kumpulan data yang disebut lbw , yang berisi data 189 ibu berbeda.

Langkah 1: Muat data.

Muat data dengan mengetikkan yang berikut ini di kotak perintah:

gunakan https://www.stata-press.com/data/r13/lbw

Langkah 2: Dapatkan ringkasan data.

Dapatkan pemahaman cepat tentang data yang sedang Anda kerjakan dengan mengetikkan yang berikut ini di kotak Perintah:

untuk meringkas

Kita dapat melihat bahwa ada 11 variabel berbeda dalam kumpulan data, tetapi hanya tiga variabel yang kami minati adalah:

• rendah – apakah bayi memiliki berat badan lahir rendah atau tidak. 1 = ya, 0 = tidak.
• usia – usia ibu.
• merokok – apakah ibu merokok selama kehamilan atau tidak. 1 = ya, 0 = tidak.

Langkah 3: Lakukan regresi logistik.

Ketik perintah berikut di kotak perintah untuk melakukan regresi logistik menggunakan usia dan asap sebagai variabel penjelas dan rendah sebagai variabel respons.

logit asap usia rendah

Berikut cara mengartikan angka paling menarik pada hasil:

Koefisien (umur): -.0497792. Jika asap tetap konstan, peningkatan usia setiap tahun dikaitkan dengan peningkatan exp(-0,0497792) = 0,951 pada kemungkinan bayi memiliki berat badan lahir rendah. Angka yang kurang dari 1 berarti peningkatan usia justru berhubungan dengan penurunan peluang melahirkan bayi dengan berat badan lahir rendah.

Misalnya Ibu A dan Ibu B sama-sama merokok. Bila usia ibu A satu tahun lebih tua dibandingkan ibu B, maka peluang ibu A melahirkan bayi berat lahir rendah hanya sebesar 95,1% dari peluang ibu B melahirkan bayi berat lahir rendah. kelahiran.

P>|z| (usia): 0,119. Ini adalah nilai p yang terkait dengan statistik uji usia . Karena nilai ini tidak kurang dari 0,05, usia bukanlah prediktor berat badan lahir rendah yang signifikan secara statistik.

Rasio odds (asap): 0,6918486. Dengan asumsi usia konstan, ibu yang merokok selama hamil memiliki probabilitas exp(0,6918486) = 1,997 yang lebih tinggi untuk memiliki bayi dengan berat badan lahir rendah dibandingkan ibu yang tidak merokok selama hamil.

Misalnya Ibu A dan Ibu B sama-sama berumur 30 tahun. Jika ibu A merokok saat hamil dan ibu B tidak merokok, maka peluang ibu A melahirkan bayi berat lahir rendah 99,7% lebih tinggi dibandingkan peluang ibu B melahirkan bayi berat lahir rendah.

P>|z| (asap): 0,032. Ini adalah nilai p yang terkait dengan statistik uji asap . Karena nilai ini kurang dari 0,05, merokok merupakan prediktor berat badan lahir rendah yang signifikan secara statistik.

Langkah 4: Laporkan hasilnya.

Terakhir, kami ingin melaporkan hasil regresi logistik kami. Berikut ini contoh cara melakukan ini:

Regresi logistik dilakukan untuk mengetahui apakah usia ibu dan kebiasaan merokok mempengaruhi kemungkinan melahirkan bayi dengan berat badan lahir rendah. Sampel sebanyak 189 ibu digunakan dalam analisis.

Hasil penelitian menunjukkan bahwa terdapat hubungan yang signifikan secara statistik antara merokok dengan kemungkinan terjadinya berat badan lahir rendah (z = 2.15, p = 0.032), sedangkan tidak terdapat hubungan yang signifikan secara statistik antara usia dengan kemungkinan terjadinya berat badan lahir rendah (z = -1.56 , hal = 0,032). 119).