Seri 9 Analisis Multivariat Regresi Logistik
Detail Zoom thumbs image

Seri 9 Analisis Multivariat Regresi Logistik

Pengiriman Dari :
Berat 350  gram
Kuantitas

Komentar Untuk Seri 9 Analisis Multivariat Regresi Logistik





Reputasi Produk Seri 9 Analisis Multivariat Regresi Logistik

Nilai Rata-rata Kecepatan Respon

5


1 Reputasi
5
1
4
0
3
0
2
0
1
0

Nilai Rata-rata Akurasi

5


1 Reputasi
5
1
4
0
3
0
2
0
1
0
Image

Ismi Khumaeroh

30 Desember 2018

Sangat baik responnya, bukunya juga good sangat membantu. Terimakasih

Deskripsi

Analisis Multivariat Regresi Logistik: Disertai Praktik dengan Program SPSS dan Stata (Edisi 2, Cetakan 1, 2019)

Sopiyudin Dahlan

Buku Cetak; ISBN 978-602-52345-3-8
15.5 x 24 cm; 176 + xxviii halaman
Epidemiologi Indonesia, Jakarta
============================================================================

Buku ini akan mengantarkan Anda untuk memahami regresi logistik secara bertahap. Pembahasan dimulai dengan prinsip umum dan keluaran regresi logistik. Selanjutnya, dibahas beberapa contoh analisis regresi logistik sederhana. Kemudian dibahas regresi logistik yang lebih rumit, yaitu regresi logistik untuk kerangka konsep prediktif dan etiologik. Enjoy !!!! 

Daftar isi :

Bab 1 Prosedur Regresi Logistik

  • 1.1 Tujuan
  • 1.2 Pengantar
  • 1.3 Kapan Menggunakan Analisis Regresi Logistik
  • 1.4 Apa Yang Dimaksud Dengan Multivariat
  • 1.5 Apa Yang Dimaksud Dengan Kerangka Konsep Etiologik Dan Prediktif
  • 1.6 Apa Yang Dimaksud Dengan Variabel Perancu
  • 1.7 Bagaimana Mendeteksi Suatu Variabel Perancu Adalah Konfounder Atau Interaksi
  • 1.8 Bagaimana Langkah-Langkah Melakukan Analisis Regresi Logistik
  • 1.9 Bagaimana Langkah-Langkah Melakukan Analisis Regresi Logistik Pada Kerangka Konsep Prediktif
  • 1.10 Bagaimana Contoh Prosedur Analisis Regresi Logistik Pada Kerangka Konsep Prediktif
  • 1.11 Bagaimana Langkah-Langkah Melakukan Analisis Regresi Logistik Pada Kerangka Konsep Etiologik
  • 1.12 Bagaimana Contoh Analisis Regresi Logistik Pada Kerangka Konsep Etiologik
  • 1.13 Bagaimana Contoh Analisis Regresi Logistik Pada Kerangka Konsep Etiologik Tanpa Variabel Interaksi Yang Bermakna
  • 1.14 Bagaimana Contoh Analisis Regresi Logistik Pada Kerangka Konsep Etiologik Dengan Variabel Interaksi Yang Bermakna
  • 1.15 Latihan Bab 1

Bab 2 Keluaran Analisis Regresi Logistik

  • 2.1 Tujuan
  • 2.2 Pengantar
  • 2.3 Apa keluaran dari regresi logistik?
  • 2.4 Bagaimana kaitan regresi logistik dengan desain penelitian?
  • 2.5 Bagaimana persamaan regresi logistik?
  • 2.6 Bagaimana contoh membuat persamaan regresi logistik?
  • 2.7 Apa parameter hubungan yang secara langsung dapat diperoleh dari regresi logistik?
  • 2.8 Bagaimana menghitung OR pada regresi logistik?
  • 2.9 Bagaimana hubungan antara nilai beta (koefisien) dengan nilai OR?
  • 2.10 Mengapa pada regresi logistik kekuatan hubungan RR tidak dapat langsung diketahui sementara nilai OR dapat langsung diketahui?
  • 2.11 Bagaimanakah interpretasi dari nilai OR?
  • 2.12 Bagaimana mengetahui kemaknaan hubungan antarvariabel pada regresi logistik?
  • 2.13 Bagaimana mengetahui kemaknaan hubungan antarvariabel pada regresi logistik secara statistik?
  • 2.14 Bagaimana interpretasi terhadap uji Wald?
  • 2.15 Bagaimana interpretasi terhadap interval kepercayaan dari OR?
  • 2.16 Bagaimana contoh interpretasi uji Wald dan interval kepercayaan dari OR?
  • 2.17 Bagaimana mengetahui kemaknaan hubungan antarvariabel pada regresi logistik secara klinis?
  • 2.18 Bagaimana mengetahui kemaknaan hubungan antarvariabel pada regresi logistik secara statistik dan secara klinis?
  • 2.19 Bagaimana mengetahui probabilitas individu mengalami suatu kejadian?
  • 2.20 Bagaimana contoh menghitung probabilitas individu mengalami suatu kejadian?
  • 2.21 Bagaimana sifat probabilitas dari regresi logistik?
  • 2.22 Bagaimana mengetahui risiko relatif (RR) pada regresi logistik?
  • 2.23 Bagaimana contoh menghitung RR?
  • 2.24 Mengapa penelitian kasus kontrol tidak dapat menghasilkan risiko relatif?
  • 2.25 Mengapa penelitian kasus kontrol tidak dapat menghasilkan probabilitas walaupun ada persamaan regresi?
  • 2.26 Mengapa konstanta pada kasus kontrol adalah konstanta yang semu?
  • 2.27 Apa yang dimaksud dengan artificial population?
  • 2.28 Mengapa desain potong lintang pada penelitian prognostik/etiognostik tidak dapat menghasilkan risiko relatif?
  • 2.29 Mengapa desain potong lintang pada penelitian prognostik/etiognostik tidak dapat menghitung probabilitas?
  • 2.30 Mengapa desain potong lintang pada penelitian diagnostik dapat menghitung probabilitas?
  • 2.31 Pada penelitian diagnostik, potong lintang dapat menghasilkan probabilitas. Apakah dengan demikian potong lintang juga menghasilkan risiko relatif?
  • 2.32 Bagaimana mengetahui kualitas persamaan regresi logistik?
  • 2.33 Latihan Bab 2

Bab 3 Regresi Logistik dengan Satu Variabel Bebas Kategorik Dikotom

  • 3.1 Tujuan
  • 3.2 Pengantar
  • 3.3 Kasus
  • 3.4 Catatan Mengenai Koding
  • 3.5 Langkah-langkah Analisis Sederhana
  • 3.6 Lampiran Perintah dan Keluaran Stata

Bab 4 Regresi Logistik dengan Satu Variabel Bebas Kategorik Polikotom

  • 4.1 Tujuan
  • 4.2 Pengantar
  • 4.3 Kasus
  • 4.4 Langkah-langkah Analisis Sederhana
  • 4.5 Lampiran Perintah dan Keluaran Stata

Bab 5 Regresi Logistik dengan Satu Variabel Bebas Numerik

  • 5.1 Tujuan
  • 5.2 Pengantar
  • 5.3 Kasus
  • 5.4 Langkah-langkah Analisis Sederhana
  • 5.5 Lampiran Perintah dan Keluaran Stata

BAB 6 Studi Kasus Menghitung Probabilitas dari Persamaan Regresi Logistik dengan Menggunakan Excel
Bab 7 Menguji Asumsi Linieritas
Bab 8 Regresi Logistik Dengan Kerangka Konsep Prediktif
Bab 9 Kerangka Konsep Etiologik: Variabel Utama, Satu Variabel Konfounder, Tanpa Interaksi
Bab 10 Kerangka Konsep Etiologik: Variabell Utama, Beberapa Variabel Konfounder, Tanpa Interaksi
Bab 11 Kerangka Konsep Etiologik: Variabel Utama, Satu Variabel Konfounder, dan Satu Variabel Interaksi
Bab 12 Kerangka Konsep Etiologik: Variabel Utama, Dua Variabel Konfounder, dan Dua Variabel Interaksi
Bab 13 Membaca Hasil Penelitian yang Menggunakan Analisis Multivariat