Panduan lengkap: cara melaporkan hasil regresi logistik

Regresi logistik adalah jenis analisis regresi yang kami gunakan jika variabel responnya adalah biner.

Kita dapat menggunakan format umum berikut untuk melaporkan hasil model regresi logistik:

Regresi logistik digunakan untuk menganalisis hubungan antara [variabel prediktor 1], [variabel prediktor 2],…[variabel prediktor n ] dan [variabel respon].

Ditemukan bahwa, jika semua variabel prediktor lainnya konstan, probabilitas terjadinya [variabel respons] meningkat atau menurun sebesar [beberapa persen] (95% CI [batas bawah, batas atas]) untuk peningkatan satu unit dalam [variabel prediktor 1].

Ditemukan bahwa, jika semua variabel prediktor lainnya konstan, probabilitas terjadinya [variabel respons] meningkat atau menurun sebesar [beberapa persen] (95% CI [batas bawah, batas atas]) untuk peningkatan satu unit dalam [variabel prediktor 2].

…

Kita dapat menggunakan sintaks dasar ini untuk melaporkan rasio odds dan interval kepercayaan 95% yang sesuai untuk rasio odds setiap variabel prediktor dalam model.

Contoh berikut menunjukkan cara melaporkan hasil model regresi logistik dalam praktiknya.

Contoh: Melaporkan Hasil Regresi Logistik

Misalkan seorang profesor ingin memahami apakah dua program studi yang berbeda (Program A dan Program B) dan jumlah jam belajar mempengaruhi kemungkinan seorang siswa lulus ujian akhir kelasnya.

Hal ini sesuai dengan model regresi logistik yang menggunakan jam belajar dan program studi sebagai variabel prediktor dan hasil ujian (lulus atau gagal) sebagai variabel respon.

Berikut output yang menunjukkan hasil model regresi logistik:

 Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept) -2.415 0.623 -3.876 <0.000
program_A 0.344 0.156 2.205 0.027
hours 0.006 0.002 3.000 0.003

Sebelum melaporkan hasil model regresi logistik, terlebih dahulu kita harus menghitung odds rasio setiap variabel prediktor dengan menggunakan rumus e ^β .

Sebagai contoh, berikut cara menghitung odds rasio setiap variabel prediktor:

• Rasio odds program: e ^0,344 = 1,41
• Rasio peluang jam: e ^0,006 = 1,006

Kita juga perlu menghitung interval kepercayaan 95% untuk rasio odds setiap variabel prediktor menggunakan rumus e ^{(β +/- 1.96*standard error)} .

Sebagai contoh, berikut cara menghitung odds rasio setiap variabel prediktor:

• 95% CI untuk rasio odds program: e ^{0,344 +/- 1,96*0,156} = [1,04, 1,92]
• 95% CI untuk rasio odds jam: e ^{0,006 +/- 1,96*0,002} = [1,002, 1,009]

Sekarang kita telah menghitung rasio odds dan interval kepercayaan yang sesuai untuk setiap variabel prediktor, kita dapat melaporkan hasil model sebagai berikut:

Regresi logistik digunakan untuk menganalisis hubungan antara kurikulum dan jam belajar terhadap kemungkinan lulus ujian akhir.

Ditemukan bahwa, dengan jumlah jam belajar yang konstan, peluang kelulusan ujian akhir meningkat sebesar 41% (95% CI [0,04, 0,92]) bagi siswa yang menggunakan program studi A dibandingkan program studi B.

Ditemukan juga bahwa, jika program studi tetap konstan, peluang lulus ujian akhir meningkat sebesar 0,6% (95% CI [0,002, 0,009]) untuk setiap tambahan jam belajar.

Perhatikan bahwa kami melaporkan rasio odds untuk variabel prediktor dibandingkan dengan nilai beta model karena rasio odds lebih mudah untuk diinterpretasikan dan dipahami.

Sumber daya tambahan

Tutorial berikut memberikan informasi tambahan tentang regresi logistik:

Pengantar Regresi Logistik
Bagaimana melakukan regresi logistik di R
Cara Melakukan Regresi Logistik dengan Python
4 Contoh Penggunaan Regresi Logistik dalam Kehidupan Nyata