html5-img
1 / 25

VALIDASI ROC KURVA ANALISIS REGRESI

VALIDASI ROC KURVA ANALISIS REGRESI. GOLD STANDARD VS HASIL LAIN. BENAR. SALAH. BENAR. SALAH. Analisis ini menekankan pada seberapa besar tingkat “ kebenaran test” yang bisa didapatkan. S ensitivitas : “ sakit terdeteksi sakit ” atau kemampuan menemukan yg menderita penyakit

kellan
Télécharger la présentation

VALIDASI ROC KURVA ANALISIS REGRESI

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. VALIDASIROC KURVAANALISIS REGRESI

  2. GOLD STANDARD VS HASIL LAIN BENAR SALAH BENAR SALAH Analisisinimenekankanpadaseberapabesartingkat “kebenaran test” yang bisadidapatkan.

  3. Sensitivitas: “sakitterdeteksisakit” ataukemampuanmenemukanygmenderitapenyakit Spesifisitas: “sehatterdeteksisehat” ataukemampuanmenemukan yang tidakmenderitapenyakit Screening test valid : sangatsensitifdansangatspesifik

  4. Sebenarnya penyakit+ penyakit – + a b hasiltes: - c d a + c b + d Sensitivitas = a / (a+c) Spesifisitas = d / (b+d)

  5. METODE1 = AKURAT Sensitifitas = 30/(30+1) = 96,8% Spesifisitas = 28/(1+28) = 96,6%

  6. VALIDASI DENGAN KURVA ROC Sensitifitas = 96,8%; 1-Spesifisitas = 1-96,6% = 3,4%. Luas area dibawahkurva = 0,967 (mendekati 1) dan p-value = 0,000. Metodememilikivalidasi yang tinggi

  7. METODE2 = TIDAK AKURAT Sensitifitas = 17/(17+14) = 54,8% Spesifisitas = 16/(13+16) = 55,2%

  8. VALIDASI DENGAN KURVA ROC Sensitifitas = 54,8%; 1-Spesifisitas = 1-55,2% = 44,8%. Luas area dibawahkurva = 0,550 (mendekati 0,5) dan p-value = 0,506. Metodememilikivalidasi yang sangatrendah

  9. METODE3 = CUKUP AKURAT Sensitifitas = 29/(29+2) = 93,5% Spesifisitas = 16/(13+16) = 55,2%

  10. VALIDASI DENGAN KURVA ROC Sensitifitas = 93,5%; 1-Spesifisitas = 1-55,2% = 44,8%. Luas area dibawahkurva = 0,744 (mendekati 1) dan p-value = 0,001. Metodememilikivalidasi yang cukuptinggi

  11. REGRESI SEDERHANA

  12. Polahubungan data standard denganpembanding

  13. Hasilanalisisregresipada data-data pembanding : Y = 8,69 + 0,919X R2 = 93,8%

  14. Hasilanalisisregresipada data-data Gold Standard: Y = 6,807 + 0,912X R2 = 95,8%

  15. Mengujivalidasikesamaanhasildariduametode, bisadilakukandenganregresivariabeldummi. Tambahkanduavariabelyaitu : D (bernilai 0 = pembandingdan 1 = goldstandard) Tambahkanvariabel D kali X Apabilahasilujikoefisienregresiuntuk D dan DX adalahtidaksignifikan , berartimetodepembandingmemilkivalidasi yang bagus.

  16. REGRESI DAN KORELASI REGRESI KORELASI Menganalisistingkathubungan Bolehtidakbersifatkausal (sebabakibat) Tidakharusadavariabelbebasdanvariabelterikat Menghasilkankoefisienkorelasiregresi • Menganalisisbesarpengaruh • Bersifatkausal (sebabakibat) • Harusadavariabelbebasdanvariabelterikat • Menghasilkanpersamaanregresi

  17. REGRESI SEDERHANA • Hanyamengandungsatuvariabelbebas • Bertujuanuntukmengujikeberatianpengaruhdarivariabelbebasterhadapvariabelterikat • Hubungansebabakibatbersifat linier • Model persamaanregresi : Y = bo + b1X + e

  18. MODEL REGRESI Data bisadimodelkandenganunsur “systematic component” ditambahdengan “random errors” Dinyatakandengan : Y = βo + β1X + ε

  19. KOMPONEN MODEL Parameter βodisebutdengankonstantaatauintersep, yaituharga Y apabilanilai X berharganol Parameter β1 disebutdengankoefisienregresiatau slope, yaitubesarpengaruhterhadap Y apabilaharga X naik 1 satuan Nilaiharapanpada Y adalah E(Y ) = βo + β1X Kompenen error (ε) adalahseliaihnilaiantaranilai Y yang sesungguhnyadengan Y hasil model regresi

  20. DIAGRAM PENCAR Sifathubunganantaravariabelbebasdenganvariabelterikatbisadikenalidarihasil diagram pencar (scatter plot) Bilaterlihattidakbersifat linier (berbentukkurvaataulengkungan), pemodelanbisadiselesaikandengan model regresi non linier

  21. TUJUAN MODEL REGRESI Mencaripersamaanterbaik yang paling dekatdengan data-data yang akandianalisis (a) adalah scatter plot data yang dianalisis (b) Bila X samasekalidianggaptidakberpengaruhpada Y (garisdatar), error yang diperolehsangatbesar (c) dan (d) hasilanalisisregresidengangaris yang cukupdekatdengan data-data yang sesungguhnya

  22. KOEFISIEN DETERMINASI Koefisiendeterminasi (R2) adalahbesaranstatistikdalam model regresi yang dipergunakanuntukmengukurkontribusivariabelbebasdalammenjelaskankeragamanvariabelterikat Padagambardijelaskanbahwasemakinsempurnahubunganvariabel, makasemakinbesarnilai R2

  23. ESTIMASI HARGA β0 DAN β1 Persamaanregresi Y = β0 + β1X + ε Estimasipersamaanadalah Y = b0 + b1X + e

  24. ESTIMASI HARGA ERROR β0 DAN β1 Nilaiβodan β1 bersifatdiestimasi, sehinggaakanmenghasilkanrentangnilaidengansimpangansebesar s(b0) dan s(b1) Semakinkecilhargasimpanganberartisemakinmeyakinkanhasilestimasitersebut

  25. PENGUJIAN HIPOTESIS Pengujiandilakukanterhadapkoefisienregresi Statistikuji yang dihitungadalahthitung yang dibandingkandengannilaikritis t padaderajatbebas (n-2)

More Related