TUGAS P10 PADL

1. Pendahuluan Analisis ini bertujuan untuk mengetahui pengaruh intervensi, jenis kelamin, dan usia terhadap status Diet menggunakan metode Generalized Estimating Equation (GEE).Data yang digunakan merupakan data longitudinal, yaitu data yang diamati berulang pada individu yang sama dalam beberapa waktu (data diperoleh dengan simulasi dengan variabel sesuai di PPT P10)

2. Menentukan Parameter jumlah id 15 orang dengan waktu pengamatan 4 periode

set.seed(161212)

n_id <- 15
waktu <- c(0, 3, 6, 9)

jumlah id 15 orang dengan waktu pengamatan 4 periode

3. Membuat Struktur Data

ID <- rep(1:n_id, each=4)
Bulan <- rep(waktu, 15)

4. Membuat Variabel Independen

Usia <- rep(sample(25:55,15,TRUE), each=4)
JK <- rep(sample(0:1,15,TRUE), each=4)
Intervensi <- rep(sample(0:1,15,TRUE), each=4)

• Usia (variabel numerik)
• Jenis Kelamin Biner (0=laki-laki dan 1=perempuan)
• Intervensi: Perlakuan (0=tidak dan 1=ya)

5. Membentuk Model Logit

linpred <- -1 + 1.2*Intervensi + 0.03*Usia + 0.5*JK
p <- exp(linpred)/(1+exp(linpred))

• Model logit digunakan untuk menghitung probabilitas
• Nilai p adalah peluang terjadinya status = 1

6. Membentuk Variabel Dependen

Status <- rbinom(length(p), 1, p)

• Status Diet berupa data biner (0=gagal dan 1=berhasil)
• Dibangkitkan berdasarkan probabilitas p

7. Membentuk dataset

data10 <- data.frame(ID, Bulan, Usia, JK, Intervensi, Status)
head(data10)

##   ID Bulan Usia JK Intervensi Status
## 1  1     0   51  1          0      0
## 2  1     3   51  1          0      1
## 3  1     6   51  1          0      1
## 4  1     9   51  1          0      0
## 5  2     0   26  0          1      1
## 6  2     3   26  0          1      0

8. Pemodelan GEE

library(geepack)

## Warning: package 'geepack' was built under R version 4.5.3

model <- geeglm(Status ~ Intervensi + JK + Usia,
                id = ID,
                data = data10,
                family = binomial,
                corstr = "exchangeable")

summary(model)

## 
## Call:
## geeglm(formula = Status ~ Intervensi + JK + Usia, family = binomial, 
##     data = data10, id = ID, corstr = "exchangeable")
## 
##  Coefficients:
##             Estimate  Std.err  Wald Pr(>|W|)
## (Intercept) -0.79939  1.00204 0.636    0.425
## Intervensi   0.34978  0.35489 0.971    0.324
## JK           0.04465  0.44437 0.010    0.920
## Usia         0.03542  0.02637 1.804    0.179
## 
## Correlation structure = exchangeable 
## Estimated Scale Parameters:
## 
##             Estimate Std.err
## (Intercept)   0.9982 0.08688
##   Link = identity 
## 
## Estimated Correlation Parameters:
##       Estimate Std.err
## alpha  -0.1721 0.05178
## Number of clusters:   15  Maximum cluster size: 4

• Menggunakan model GEE dengan distribusi binomial
• Struktur korelasi exchangeable

9. Evaluasi Model

QIC(model)

##       QIC      QICu Quasi Lik       CIC    params      QICC 
##     79.32     83.10    -37.55      2.11      4.00     85.99

• QIC digunakan untuk mengevaluasi model
• Tidak digunakan untuk perbandingan karena hanya satu model

Berdasarkan hasil analisis: - Variabel intervensi tidak signifikan (p > 0,05) - Variabel jenis kelamin tidak signifikan (p > 0,05) - Variabel usia tidak signifikan (p > 0,05)

10. Kesimpulan Model GEE menunjukkan bahwa tidak terdapat pengaruh signifikan dari intervensi, jenis kelamin, dan usia terhadap status. Hal ini kemungkinan disebabkan oleh data simulasi dan jumlah sampel yang relatif kecil.