Download - 3 Confounding Interaksi
Konfounding danInteraksi
Departemen BiostatistikaFKM UI, 2010
CONFOUNDINGDari bahasa latin cunfundere (to mix together)
Pengertian:
Suatu distorsi (gangguan) dalam menaksir pengaruh paparanterhadap kejadian penyakit/outcome sebagai akibat tercampurnyapengaruh sebuah atau beberapa variabel luar.
Suatu kondisi bias dalam mengestimasi efek paparan terhadapkejadian penyakit/masalah kesehatan, akibat perbandingan yang tidak seimbang antara kelompok exposed dan non exposed.
Suatu situasi ditemukannya hubungan non‐causal antaraexposure/paparan dan outcome yang diteliti akibat adanyapengaruh variabel ketiga (Moyses S. & F. Javier N., 2000)
Variabel luar (ketiga) = confounder
Confounder
Berhubungan dengan paparan/faktor resiko yang diteliti (causally or non‐causally associated)
Berhubungan dengan penyakit/outcome (causally associated)
Bukan merupakan konsekuensi dari paparan (tidak terletak diantaraE & D / variabel antara)
Exposure Disease
Confounder
Arah Confounding
1. Positif Overestimate (risk value menjauhi ‘Null value’)
2. Negatif Underestimate (risk value mendekati ‘Null value’)
kurang beresiko or kurang protektif
3. Cross over asosiasi berubah arah: negatif positif (confounder yang kuat pada asosiasi lemah)
OR/RR
21.71.310.50.30Null value
CF controlled
CF not controlled CF not controlled
CF controlled
Mengontrol ConfoundingPada tahap Design1. Restriksi (pada experimental & observational study)
membatasi obyek penelitian pada level confounder yang sama(confounder tidak bervariasi) antara group E – nE dan D – nD
Kelemahan: efek modifikasi tidak dapat dievaluasi, generalizability?
2. Matching (pada experimental & observational study)Type: a). Full matching, b). partial matching
Method: a). Frequency/marginal matching, b). Individual matching
Problem: Over matching
3. Randomisasi (hanya pada experimental study)subyek penelitian ditempatkan secara random pada group2 yang diperbandingkan (E & nE)
Pada tahap Analisa1. Stratifikasi
2. Analisa Multivariate
INTERAKSI
Interaksi = Efek modifikasi
Pengertian:
Keberagaman/heterogenitas/variasi efek dari suatu faktor resikoterhadap kemunculan penyakit/outcome, pada level yang berbedadari faktor resiko lain, pada base population
Suatu situasi dimana 2 atau lebih faktor resiko saling memodifikasi(besar dan/atau arah) efek nya terhadap kejadian/outcome yang diteliti (Moyses S. & F. Javier N., 2000)
Efek modifikasi menunjukkan seberapa jauh efek faktor resikoutama terhadap munculnya penyakit/outcome, dimodifikasi olehfaktor resiko lain (modifier)
Macam Interaksi
Interaksi Aditif• Keberadaannya dinilai dengan memakai ukuran asosiasi berupa risk/rate
difference (AR).
• Bermanfaat untuk kepentingan program kesmas atau intervensi pencegahanpenyakit
Interaksi multiplikatif• Keberadaannya diukur dengan memakai ukuran asosiasi berupa risk/rate
ratio (RR/OR).
• Penting untuk menjelaskan hubungan kausalitas.
Efek Modifikasi Efek Konfounding
Tidak berhubungan dg design studyMenambah/memodifikasi efek E
OR1 = OR2 = OR3 = OR4 = ORn
Bukan bias Quantitative measure of association(not a validity issue)
Berhubungan dengan design studyMengganggu efek E yang diteliti
OR1 = OR2
OR crude OR adjustedBias sistematikQualitative measure of association(affect validity)
Variabel Ke3 ORC ORA OR1 OR2 OR3
Menjadi CF dan EM 1.2 3.5 2.5 3.0 4.2
Bukan CF maupun EM 1.2 1.2 1.2 1.2 1.2
Merupakan CF tetapi bukan EM 1.2 3.0 3.0 3.0 3.0
EM kuat, CF menjadi kurang penting 1.2 3.5 0.4 2.8 9.2
Deteksi Konfounding & Interaksi
Regresi Linier Ganda
Adanya Konfounder akan menyebabkana) Perubahan R Squareb) Perubahan (unstandardized) coefisien B (OR) sebesar >
10%
Adanya Interaksi antar 2 variabel independent ditunjukandengan nilai Sig. < 0.05
Analisa Regresi Linier/Logistik Ganda
Variabel Masih Lengkap ‘umur’ keluardari model
PerubahanCoefficien B
Sex 4.7 5.0 6.3 %
Lemak persen 7.1 6.2 11.3%
Lemak kulit -232 -236 1.8%
tchol 2.8 2.5 4%
Model Summary
.926a .858 .845 1.5061Model1
R R SquareAdjustedR Square
Std. Error ofthe Estimate
Predictors: (Constant), sex, umur, lemakkulit,lemakpersen
a.
Model Summaryb
.943a .889 .876 1.3491 1.840Model1
R R SquareAdjustedR Square
Std. Error ofthe Estimate
Durbin-Watson
Predictors: (Constant), lemakKt_prpr, umur, sex, lemakpersen,lemakkulit
a.
Dependent Variable: imtb.
R square regresi linier gandadengan konfounder masukpada model
R square regresi linier gandadengan konfounder tidakmasuk pada model
Umur merupakan konfounder karena menyebabkan OR ‘lemakpersen’ berubah >10%
Imt = 17.074 – 0.126 umur + 0.08 lemakkulit + 0.204 lemakpersen + 3.074 sex
Dilakukan pada variabel‐variabel yang diduga secarasubstansi berinteraksi.
Model Persamaan Regresi linier ganda
1). variable ‘lemak kulit’ dan ‘lemak persen’ secara substansi diduga berinteraksi
Coefficientsa
22.651 3.151 7.188 .000-.133 .041 -.176 -3.220 .002 .863 1.158-.063 .043 -.437 -1.461 .151 .029 34.599.082 .048 .238 1.713 .094 .134 7.451
2.436 .693 .268 3.513 .001 .444 2.254.003 .001 1.251 3.440 .001 .020 51.140
(Constant)umurlemakkulitlemakpersensexlemakKt_prpr
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig. Tolerance VIFCollinearity Statistics
Dependent Variable: imta.
Uji Interaksi
Imt = 22.651 – 0.133 umur - 0.063 lemakkulit + 0.082 lemakpersen + 2.436 sex + 0.003 lemakkt_prpr
Coefficientsa
-2.875 11.880 -.242 .810.189 .187 .251 1.011 .317 .050 19.908.078 .014 .534 5.683 .000 .350 2.861.729 .305 2.111 2.391 .021 .004 252.645
2.724 .757 .300 3.598 .001 .444 2.253-.008 .005 -1.494 -1.734 .090 .004 240.709
(Constant)umurlemakkulitlemakpersensexumur_lemakpr
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig. Tolerance VIFCollinearity Statistics
Dependent Variable: imta.
2). secara substansi umur akan mempengaruhi lemak persen,
Sehingga persamaan regresi linier akhir untuk memprediksi nilai ‘imt’adalah:
Regresi Logistik Ganda
Adanya Konfounder akan menyebabkan perubahan nilai Exp(B) /OR sebesar > 10%
Exp(B) Crude - Exp(B) Adjusted * 100% >10% konfounderExp(B) Adjusted
darivariabel independent utama (faktor resiko) dalam pemodelanfaktor resiko, atauvariabel independent lain dalam pemodelan prediksi
Adanya Interaksi antar 2 variabel independent ditunjukandengan nilai Sig. < 0.05
Variables in the Equation
8,265 2 ,0161,872 ,858 4,764 1 ,029 6,503 1,211 34,9402,711 ,946 8,206 1 ,004 15,045 2,354 96,155
,921 ,541 2,899 1 ,089 2,511 ,870 7,245-2,727 ,882 9,563 1 ,002 ,065
IMT3IMT3(1)IMT3(2)SEXConstant
Step1
a
B S.E. Wald df Sig. Exp(B) Lower Upper95,0% C.I.for EXP(B)
Variable(s) entered on step 1: IMT3, SEX.a.
Apakah ‘SEX’ adalah Konfounder terhadap IMT31 dan IMT32 ?
Lihat perubahan nilai Exp(B) :
• ‘SEX’ masuk dalam pemodelan, nilai Exp(B) 6,503 dan 15,045
• ‘SEX’ tidak masuk dalam pemodelan, nilai Exp(B) 4,388 dan 9,149
• Besar perubahan:
Dari hasil perhitungan ratio = 32,52% (> 10%)
maka ‘sex’ merupakan variable konfounder.
Confounding
Confounding = bias estimasi efek pajananterhadap penyakit akibat perbandingan tidakseimbang antara kelompok terpajan dengankelompok tidak terpajanTerjadi akibat adanya perbedaan risikoterjadinya penyakit pada kelompok terpajandengan kelompok tidak terpajanRisiko terjadinya penyakit berbeda meskipunpajanan dihilangkan pada kelompok terpajan
Syarat Confounding
C merupakan faktor risiko DC memiliki asosiasi dengan E
E D
C
Contoh Confounding
Ibu Anemia BBLR
St.Gizi Ibu
Contoh confounding
Kelompok gizi kurang dan gizi baikBBLR+ BBLR- Jumlah
Anemia + 24 36 60Anemia - 36 24 60Jumlah 60 60 120
OR = (24*24)/(36*36)=0,44
Hubungan anemia dg BBLR
Simpulan: Anemia faktor pencegah terjadinya BBLR ??
Ibu Anemia BBLR
Contoh confounding
Kelompok gizi baikBBLR+ BBLR- Jumlah
Anemia + 18 34 52Anemia - 2 6 8Jumlah 20 40 60
OR = (18*6)/(34*2) = 1,58
Kelompok gizi kurangBBLR+ BBLR- Jumlah
Anemia + 6 2 8Anemia - 34 18 52Jumlah 40 20 60
OR = (6*18)/(2*34) = 1,58
Hubungan anemia dg BBLR (Dipisah menurut status Gizi)
Simpulan: Anemia adalahfaktor risikoterjadinya BBLR
(baik pd gizi baikmaupun pd gizikurang)
Contoh confounding
Hubungan status gizi dengan BBLRBBLR+ BBLR- Jumlah
Gizi kurang 40 20 60Gizi baik 20 40 60Jumlah 60 60 120
OR = (40*40)/(20*20) = 4,00
Status gizi kurang merupakan faktorrisiko BBLR
St.Gizi ibu
BBLR
Contoh confounding
Distibusi status gizi menurut anemiaGizi kurang Gizi baik Jumlah
Anemia + 8 52 60Anemia - 52 8 60Jumlah 60 60 120
Distribusi status gizi tidak seimbangpada ibu anemia dan ibu non anemia
Ibu Anemia
St.Gizi Ibu
Contoh confounding
Pada contoh, status gizi merupakan confounder karena
Status gizi kurang merupakan faktor risiko BBLR ?Distribusi status gizi tidak seimbang pada ibu anemia danibu non anemiaHasil analisis menunjukkan status gizi merupakan faktorrisiko BBLR ?
Pengontrolan Confounding
Pada DesainRestriksiMatching
Pada Pengumpulan DataConfounding harus diukur
Pada AnalisisAnalisis multivariat