Modul 6: Analisis Regresi Logistik — Dari Univariate hingga Multivariate

Daftar Isi

A. Deskripsi Modul
B. Capaian Pembelajaran Modul
C. Materi Inti
D. Pertanyaan Diskusi
E. Rangkuman
F. Referensi

A. Deskripsi Modul

Pada modul-modul sebelumnya, analisis yang dibahas bersifat bivariat — satu paparan, satu outcome, dalam tabel 2×2. Kenyataan klinis dan epidemiologis jauh lebih kompleks: kematian ibu tidak disebabkan oleh satu faktor tunggal, preeklampsia tidak hanya berhubungan dengan satu variabel, dan luaran persalinan dipengaruhi oleh puluhan faktor yang saling berinteraksi secara simultan. Untuk menganalisis kompleksitas ini, diperlukan analisis multivariat — dan dalam konteks outcome biner (ya/tidak, terjadi/tidak terjadi), instrumen utamanya adalah regresi logistik.

Regresi logistik adalah salah satu metode statistik yang paling sering digunakan dalam penelitian obstetri ginekologi. Hampir setiap studi observasional tentang faktor risiko komplikasi maternal, determinan luaran perinatal, atau prediktor persalinan prematur menggunakan regresi logistik dalam analisisnya. Namun pemahaman yang dangkal tentang asumsi, interpretasi, dan keterbatasan metode ini menyebabkan banyak kesalahan dalam literatur — dari over-interpretation OR hingga model yang overfitted tanpa validasi.

Modul ini membangun pemahaman regresi logistik dari fondasi konseptual, melalui tahapan analisis univariat dan multivariat, hingga evaluasi model dan interpretasi hasil yang benar dalam konteks kebijakan kesehatan reproduksi.

B. Capaian Pembelajaran Modul

Setelah menyelesaikan modul ini, peserta didik mampu:

Menjelaskan prinsip dasar regresi logistik dan mengapa metode ini sesuai untuk outcome biner dalam penelitian obstetri ginekologi
Melakukan dan menginterpretasikan analisis univariat sebagai langkah awal seleksi variabel
Membangun model multivariat dengan strategi seleksi variabel yang tepat dan menghindari overfitting
Menginterpretasikan koefisien regresi logistik, adjusted OR, dan confidence interval secara benar
Mengevaluasi kualitas model regresi logistik menggunakan uji kalibrasi dan diskriminasi
Mengidentifikasi dan menghindari kesalahan umum dalam penerapan dan pelaporan regresi logistik pada penelitian obstetri

C. Materi Inti

C.1. Mengapa Regresi Logistik?

Ketika outcome penelitian bersifat biner — meninggal/hidup, prematur/aterm, preeklampsia/tidak — dan kita ingin menganalisis hubungannya dengan beberapa prediktor secara bersamaan, regresi linear biasa tidak dapat digunakan karena beberapa alasan fundamental:

Masalah 1

Nilai prediksi melampaui rentang 0–1

Regresi linear dapat menghasilkan prediksi probabilitas negatif atau lebih dari 1, yang tidak bermakna secara matematis maupun biologis.

Masalah 2

Asumsi linearitas dilanggar

Hubungan antara prediktor kontinu dan outcome biner tidak linear — pada nilai prediktor yang sangat tinggi atau rendah, probabilitas outcome mendekati 0 atau 1 secara asimtotik, membentuk kurva sigmoid, bukan garis lurus.

Masalah 3

Distribusi residual tidak normal

Regresi linear mengasumsikan residual berdistribusi normal — asumsi ini tidak dapat dipenuhi untuk outcome biner.

Solusi: Transformasi Logit

Regresi logistik mengatasi masalah ini dengan mentransformasi probabilitas (p) menjadi log-odds atau logit:

$$\text{logit}(p) = \ln\left[\frac{p}{1-p}\right] = \ln(\text{odds})$$

Logit dapat bernilai dari −∞ hingga +∞, sehingga dapat dimodelkan sebagai fungsi linear dari prediktor:

$$\text{logit}(p) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k$$

Dan probabilitas dapat diperoleh kembali dengan transformasi invers:

$$p = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k)}}$$

Ini menghasilkan kurva sigmoid yang dibatasi antara 0 dan 1 — sesuai dengan sifat probabilitas.

C.2. Konsep Dasar Koefisien Regresi Logistik

C.2.1. Koefisien β dan Odds Ratio

Dalam regresi logistik, koefisien β untuk variabel Xⱼ menyatakan perubahan dalam log-odds outcome untuk setiap kenaikan satu unit Xⱼ, dengan semua variabel lain dipegang konstan (ceteris paribus).

Hubungan antara koefisien β dan OR:

$$OR = e^\beta$$

Ini adalah hubungan yang fundamental: eksponensial dari koefisien regresi logistik adalah Odds Ratio.

Sehingga:

β > 0 → OR > 1 → prediktor meningkatkan odds outcome
β = 0 → OR = 1 → tidak ada asosiasi
β < 0 → OR < 1 → prediktor menurunkan odds outcome

C.2.2. Interpretasi OR dalam Model Multivariat

OR dalam model multivariat adalah adjusted OR — OR yang telah dikontrol terhadap semua variabel lain dalam model. Ini berbeda secara fundamental dari crude OR (bivariat):

Crude OR: asosiasi bivariat tanpa pengendalian confounding
Adjusted OR: asosiasi setelah mengontrol semua covariat dalam model

Contoh interpretasi:
Model regresi logistik untuk outcome kematian neonatal dengan tiga prediktor:

Variabel	β	OR	95% CI	p-value
BBLR (<2500g)	1,946	7,00	3,82–12,83	<0,001
Usia ibu <20 tahun	0,693	2,00	1,12–3,57	0,019
Persalinan di non-faskes	0,916	2,50	1,43–4,37	0,001
Konstanta (β₀)	−4,605	—	—	—

Interpretasi adjusted OR untuk BBLR: "Neonatus dengan BBLR memiliki odds kematian neonatal 7,00 kali lebih tinggi dibandingkan neonatus dengan berat lahir normal, setelah dikontrol terhadap usia ibu dan tempat persalinan."

Kata kunci: "setelah dikontrol terhadap" atau "adjusted for" — ini yang membedakan adjusted OR dari crude OR.

C.3. Analisis Univariat: Langkah Pertama

Sebelum membangun model multivariat, analisis univariat dilakukan untuk setiap calon prediktor secara terpisah. Tujuannya:

Eksplorasi distribusi dan karakteristik masing-masing variabel
Estimasi crude OR dan 95% CI untuk setiap prediktor
Seleksi kandidat variabel untuk model multivariat

Strategi seleksi variabel berdasarkan univariat:

Pendekatan konvensional: menggunakan threshold p < 0,25 (bukan p < 0,05) sebagai kriteria masuk ke model multivariat.

Alasan menggunakan batas yang lebih longgar:

p < 0,05 terlalu ketat dan dapat mengeksklusi variabel yang bermakna klinis
Confounding dapat menyembunyikan asosiasi yang bermakna pada analisis bivariat
Variabel yang penting secara biologis atau klinis harus dimasukkan terlepas dari p-value univariat

Catatan kritis: Seleksi variabel tidak boleh semata-mata mekanis berdasarkan p-value. Pertimbangkan:

Relevansi biologis dan klinis
Teori dan literatur yang ada
Directed Acyclic Graph (DAG) untuk memandu seleksi berdasarkan struktur kausal

C.4. Membangun Model Multivariat

C.4.1. Rasio Outcome terhadap Prediktor (EPV)

Aturan praktis yang paling penting dalam membangun model logistik: Events Per Variable (EPV).

$$EPV = \frac{\text{Jumlah events}}{\text{Jumlah prediktor}}$$

EPV minimal yang direkomendasikan: 10–15

Artinya: jika studi Anda memiliki 80 kasus kematian ibu (events), model regresi logistik maksimal dapat memuat sekitar 5–8 prediktor secara andal. Melebihi batas ini menyebabkan overfitting — model terlalu "menghafal" data sampel dan tidak dapat digeneralisasikan.

Contoh praktis: Studi kasus-kontrol kematian ibu dengan 60 kasus dan 120 kontrol. Events = 60. EPV ≥ 10 berarti model hanya boleh memuat maksimal 6 prediktor. Memasukkan 15 variabel dengan 60 kasus adalah kesalahan metodologis serius yang sayangnya masih sering ditemukan dalam tesis dan publikasi lokal.

C.4.2. Strategi Membangun Model

1 Enter (Forced Entry)
Semua variabel yang dipilih berdasarkan teori dan relevansi klinis dimasukkan sekaligus.

Ini adalah pendekatan yang paling direkomendasikan oleh metodolog karena transparan dan tidak bergantung pada data.

2 Forward Selection
Mulai dari model kosong, tambahkan variabel satu per satu berdasarkan kontribusinya terhadap model.

Risiko: variabel yang dimasukkan belakangan mungkin tidak diuji dalam konteks variabel lain.

3 Backward Elimination
Mulai dari model penuh, eliminasi variabel satu per satu yang tidak bermakna.

Lebih disukai dari forward selection karena semua variabel awalnya dievaluasi bersama.

4 Stepwise
Kombinasi forward dan backward.

Sering digunakan secara otomatis di software statistik tetapi tidak direkomendasikan untuk penelitian konfirmatori karena sangat bergantung pada data dan menghasilkan model yang sulit direplikasi.

Rekomendasi terbaik: Gunakan a priori model berdasarkan teori dan DAG, masukkan semua variabel yang relevan secara klinis-biologis (forced entry), laporkan baik crude maupun adjusted OR.

C.4.3. Penanganan Variabel Kontinu

Variabel kontinu dalam regresi logistik dapat diperlakukan dengan beberapa cara:

a. Linear (default)

Mengasumsikan hubungan log-odds linear dengan prediktor. Perlu diverifikasi dengan pengujian linearitas (misalnya fractional polynomials atau restricted cubic splines).

b. Kategorisasi

Membagi variabel kontinu menjadi kategori (misal: usia <20, 20–35, >35 tahun). Lebih mudah interpretasi tetapi kehilangan informasi dan memperkenalkan arbitrariness dalam penentuan cut-off.

c. Restricted Cubic Splines

Memodelkan hubungan non-linear secara fleksibel tanpa kategorisasi arbitrari. Ini adalah pendekatan modern yang direkomendasikan ketika hubungan linear tidak dapat diasumsikan.

Contoh dalam obstetri: Hubungan antara usia ibu dan risiko preeklampsia tidak linear — risiko meningkat di usia sangat muda (<18 tahun) dan usia lanjut (>35 tahun), dengan risiko lebih rendah di usia pertengahan. Memodelkan usia sebagai variabel linear akan menghasilkan estimasi yang terdistorsi.

C.5. Evaluasi Model Regresi Logistik

Model yang sudah dibangun harus dievaluasi dari dua dimensi: kalibrasi (seberapa baik model memprediksi probabilitas) dan diskriminasi (seberapa baik model membedakan kasus dari non-kasus).

C.5.1. Kalibrasi: Hosmer-Lemeshow Test

Hosmer-Lemeshow test membagi data menjadi 10 desil berdasarkan probabilitas prediksi, kemudian membandingkan frekuensi outcome yang diamati vs. yang diprediksi di masing-masing desil menggunakan uji chi-square.

H₀: Tidak ada perbedaan antara frekuensi yang diamati dan diprediksi
(model terkalibrasi dengan baik)

Interpretasi: p > 0,05 → gagal tolak H₀ → kalibrasi baik (tidak ada perbedaan bermakna antara yang diamati dan diprediksi).

Perhatian: Hosmer-Lemeshow test memiliki kekuatan rendah pada sampel kecil (sehingga mudah mendapatkan p > 0,05 meskipun kalibrasi buruk) dan terlalu sensitif pada sampel sangat besar. Calibration plot (grafik observed vs. predicted probability) lebih informatif.

C.5.2. Diskriminasi: Area Under ROC Curve (AUC/c-statistic)

AUC model regresi logistik (disebut c-statistic dalam konteks regresi) mengukur kemampuan model membedakan kasus dari non-kasus. Interpretasi sama dengan yang dibahas di Modul 5:

AUC	Interpretasi
0,5	tidak lebih baik dari chance
0,6–0,7	Poor
0,7–0,8	Acceptable
0,8–0,9	Excellent
> 0,9	Outstanding

C.5.3. Pseudo R-squared

Tidak ada R² sejati dalam regresi logistik seperti dalam regresi linear. Beberapa ukuran pseudo R² tersedia:

Cox-Snell R²: Berkisar antara 0 dan nilai maksimum < 1; kurang intuitif
Nagelkerke R²: Versi yang dinormalisasi Cox-Snell, berkisar 0–1; lebih sering dilaporkan
McFadden R²: Berbasis perbandingan log-likelihood; nilai 0,2–0,4 dianggap excellent

Catatan: Pseudo R² tidak dapat diinterpretasikan sebagai "proporsi variansi yang dijelaskan" seperti R² dalam regresi linear — interpretasinya terbatas dan hanya berguna untuk perbandingan model.

C.5.4. Uji Likelihood Ratio untuk Perbandingan Model

Ketika membandingkan dua model bersarang (nested models), Likelihood Ratio Test (LRT) dapat digunakan:

$$LR = -2 \times (\text{log-likelihood}_{\text{model sederhana}} - \text{log-likelihood}_{\text{model kompleks}})$$

LR berdistribusi chi-square dengan derajat bebas = selisih jumlah parameter antara dua model. LRT digunakan untuk menguji apakah penambahan variabel secara signifikan meningkatkan kesesuaian model.

C.6. Masalah Khusus dalam Regresi Logistik

C.6.1. Complete Separation

Terjadi ketika satu atau lebih prediktor memisahkan outcome secara sempurna — semua kasus memiliki nilai prediktor di atas threshold tertentu dan semua non-kasus di bawah. Akibatnya, algoritma maximum likelihood tidak konvergen dan menghasilkan koefisien yang sangat besar dengan SE yang sangat besar.

Contoh: Dalam studi kecil, jika semua ibu yang meninggal ternyata semuanya tidak menerima magnesium sulfat, dan semua yang selamat menerima magnesium sulfat — terjadi complete separation.

Solusi: Penalized likelihood (Firth's logistic regression) atau exact logistic regression — keduanya menghasilkan estimasi yang lebih stabil pada sampel kecil dengan complete separation.

C.6.2. Multikolinearitas

Terjadi ketika dua atau lebih prediktor berkorelasi sangat kuat satu sama lain. Akibatnya:

Standard error koefisien menjadi sangat besar
Estimasi OR menjadi tidak stabil
Arah efek dapat berubah tergantung variabel lain yang dimasukkan

Deteksi: Variance Inflation Factor (VIF) > 10 mengindikasikan multikolinearitas bermasalah.

Solusi: Eliminasi salah satu variabel yang berkolinearitas, atau gabungkan menjadi satu indeks komposit.

C.6.3. Overfitting dan Validasi Model

Overfitting terjadi ketika model terlalu kompleks dan "menghafal" noise dalam data sampel, sehingga performanya menurun drastis ketika diterapkan pada data baru. Tanda-tanda overfitting:

EPV < 10
AUC training set jauh lebih tinggi dari AUC validation set
Koefisien yang sangat besar

Strategi validasi:

🔁 Internal validation

Bootstrap resampling: Sampel ulang dari data yang ada ratusan kali, bangun model di setiap bootstrap sample, evaluasi performa di data asli. Memberikan estimasi optimism-corrected c-statistic.
Cross-validation (k-fold): Bagi data menjadi k bagian; latih model pada k−1 bagian, tes pada 1 bagian, rotasi hingga semua bagian digunakan sebagai test set.

🌍 External validation

Terapkan model yang sudah dibangun pada dataset independen dari populasi atau periode waktu berbeda. Ini adalah standar tertinggi validasi model prediksi.

C.7. Contoh Lengkap: Model Faktor Risiko Preeklampsia

Konteks: Studi kohort retrospektif di RSUD Kabupaten, n=450 ibu hamil, 67 kasus preeklampsia (14,9%). EPV = 67/prediktor → maksimal 4–6 prediktor.

Tabel Analisis Univariat (seleksi):

Variabel	Crude OR	95% CI	p-value	Masuk Multivariat?
Primipara	2,34	1,28–4,28	0,006	Ya
Riwayat DM	3,12	1,45–6,71	0,004	Ya
Obesitas (BMI≥30)	2,87	1,56–5,27	0,001	Ya
Usia ≥35 tahun	1,89	0,98–3,64	0,057	Ya (p<0,25)
Pendidikan rendah	1,23	0,67–2,27	0,502	Tidak (p>0,25, tidak bermakna klinis)
Anemia	1,45	0,78–2,71	0,243	Ya (p<0,25 + relevansi klinis)

Tabel Analisis Multivariat (hasil akhir):

Variabel	Adjusted OR	95% CI	p-value
Primipara	1,98	1,05–3,73	0,035
Riwayat DM	2,67	1,18–6,04	0,019
Obesitas (BMI≥30)	2,41	1,26–4,61	0,008
Usia ≥35 tahun	1,54	0,77–3,08	0,225
Anemia	1,28	0,66–2,47	0,467

Evaluasi model:

Hosmer-Lemeshow: χ²=7,43; p=0,49 → kalibrasi baik
AUC (c-statistic): 0,74 (95% CI: 0,67–0,81) → acceptable discrimination
Nagelkerke R²: 0,18

Interpretasi: Setelah mengontrol variabel lain, primipara, riwayat DM, dan obesitas secara bermakna berhubungan dengan preeklampsia. Usia ≥35 tahun dan anemia tidak mencapai signifikansi statistik setelah adjustment — kemungkinan efeknya sebagian dimediasi oleh atau dikacaukan oleh variabel lain. Penurunan crude OR menjadi adjusted OR (misal DM: 3,12 → 2,67) menunjukkan sebagian efek DM diconfound oleh obesitas (yang berkorelasi dengan DM).

C.8. Kesalahan Umum dalam Publikasi Obstetri

Memasukkan terlalu banyak variabel (EPV rendah)
Sangat umum dalam tesis: 10–15 variabel dengan hanya 50–80 kasus.
Stepwise selection tanpa justifikasi
Menggunakan automatic stepwise dan melaporkan hanya variabel yang "lolos" tanpa melaporkan variabel yang dieksklusi.
Tidak melaporkan crude OR
Hanya melaporkan adjusted OR tanpa crude OR membuat pembaca tidak dapat menilai seberapa besar perubahan yang terjadi akibat adjustment.
Menginterpretasikan OR sebagai RR
Khususnya untuk outcome yang umum (seperti SC, BBLR, komplikasi ringan) di mana OR secara bermakna melebih-lebihkan RR.
Tidak mengevaluasi model
Melaporkan OR tanpa uji kalibrasi (Hosmer-Lemeshow) atau diskriminasi (AUC).
Multikolinearitas tidak diperiksa
Memasukkan variabel yang sangat berkorelasi (misal: BMI dan berat badan) secara bersamaan tanpa memeriksa VIF.

D. Pertanyaan Diskusi (Thread Dosen – Minggu 6)

Pertanyaan 1 Diskusi

Seorang peneliti melakukan studi kasus-kontrol tentang faktor risiko kematian ibu dengan 45 kasus dan 90 kontrol. Ia membangun model regresi logistik dengan 12 variabel menggunakan metode stepwise backward, dan melaporkan 5 variabel yang "bermakna" dengan adjusted OR beserta p-value. Ia tidak melaporkan crude OR, tidak melaporkan hasil Hosmer-Lemeshow test, dan tidak mendiskusikan EPV. Identifikasi minimal TIGA masalah metodologis utama dalam pendekatan analisis peneliti tersebut. Untuk setiap masalah, jelaskan konsekuensinya terhadap validitas kesimpulan dan bagaimana seharusnya peneliti memperbaikinya.

Pertanyaan 2 Diskusi

Anda membaca sebuah artikel yang melaporkan model regresi logistik untuk memprediksi persalinan prematur dengan AUC = 0,83 dan Hosmer-Lemeshow p = 0,67 pada data training. Namun ketika model ini divalidasi secara eksternal di RS yang berbeda, AUC turun menjadi 0,61. Apa yang paling mungkin menjelaskan penurunan performa yang dramatis ini? Apa implikasinya terhadap penggunaan model ini sebagai alat skrining di tingkat kebijakan nasional?

E. Rangkuman

Regresi logistik adalah metode analisis multivariat untuk outcome biner yang bekerja dengan mentransformasi probabilitas menjadi log-odds (logit) sehingga dapat dimodelkan sebagai fungsi linear dari prediktor — mengatasi keterbatasan regresi linear untuk outcome biner
Koefisien regresi logistik (β) berkaitan langsung dengan Odds Ratio melalui hubungan OR = e^β; adjusted OR dari model multivariat menyatakan asosiasi setelah mengontrol semua covariat lain dalam model — berbeda fundamental dari crude OR
Aturan EPV (minimal 10–15 events per variabel) adalah batasan kritis yang sering dilanggar dalam penelitian lokal; melanggar EPV menyebabkan overfitting dan menghasilkan estimasi yang tidak stabil dan tidak dapat digeneralisasikan
Evaluasi model harus mencakup dua dimensi: kalibrasi (Hosmer-Lemeshow test dan calibration plot) dan diskriminasi (AUC/c-statistic) — model yang hanya dilaporkan OR-nya tanpa evaluasi ini belum lengkap secara metodologis
Kesalahan umum yang harus dihindari: EPV rendah, stepwise selection tanpa justifikasi, tidak melaporkan crude OR, menginterpretasikan OR sebagai RR untuk outcome umum, dan tidak memvalidasi model

F. Referensi

Hosmer DW, Lemeshow S, Sturdivant RX. Applied Logistic Regression. 3rd ed. Hoboken: Wiley; 2013. https://www.wiley.com/en-us/Applied+Logistic+Regression%2C+3rd+Edition-p-9780470582473
Vittinghoff E, McCulloch CE. Relaxing the rule of ten events per variable in logistic and Cox regression. American Journal of Epidemiology. 2007;165(6):710-718. https://doi.org/10.1093/aje/kwk052
Steyerberg EW. Clinical Prediction Models: A Practical Approach to Development, Validation, and Updating. 2nd ed. Cham: Springer; 2019. https://link.springer.com/book/10.1007/978-3-030-16399-0
Harrell FE. Regression Modeling Strategies: With Applications to Linear Models, Logistic and Ordinal Regression, and Survival Analysis. 2nd ed. Cham: Springer; 2015. https://link.springer.com/book/10.1007/978-3-319-19425-7
Peduzzi P, Concato J, Kemper E, Holford TR, Feinstein AR. A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology. 1996;49(12):1373-1379. https://doi.org/10.1016/S0895-4356(96)00236-3
Greenland S, Mansournia MA, Altman DG. Sparse data bias: a problem hiding in plain sight. BMJ. 2016;352:i1981. https://doi.org/10.1136/bmj.i1981
Moons KGM, Altman DG, Reitsma JB, et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD): explanation and elaboration. Annals of Internal Medicine. 2015;162(1):W1-73. https://doi.org/10.7326/M14-0698 | https://www.tripod-statement.org
Firth D. Bias reduction of maximum likelihood estimates. Biometrika. 1993;80(1):27-38. https://doi.org/10.1093/biomet/80.1.27
Rothman KJ, Greenland S, Lash TL. Modern Epidemiology. 3rd ed. Philadelphia: Lippincott Williams & Wilkins; 2008.
Zou G. A modified Poisson regression approach to prospective studies with binary data. American Journal of Epidemiology. 2004;159(7):702-706. https://doi.org/10.1093/aje/kwh090

Referensi Tambahan yang Direkomendasikan

Altman DG, Royston P. What do we mean by validating a prognostic model? Statistics in Medicine. 2000;19(4):453-473. https://doi.org/10.1002/(SICI)1097-0258(20000229)19:4%3C453::AID-SIM350%3E3.0.CO;2-5
Steyerberg EW, Harrell FE Jr, Borsboom GJ, et al. Internal validation of predictive models: efficiency of some procedures for logistic regression analysis. J Clin Epidemiol. 2001;54(8):774-781. https://doi.org/10.1016/S0895-4356(01)00341-9
Collins GS, Reitsma JB, Altman DG, Moons KG. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. BMJ. 2015;350:g7594. https://doi.org/10.1136/bmj.g7594
Centers for Disease Control and Prevention (CDC). Principles of Epidemiology in Public Health Practice. 3rd ed. Atlanta: CDC; 2012. https://www.cdc.gov/csels/dsepd/ss1978/
OpenEpi — Free Online Epidemiologic Statistics Calculator: https://www.openepi.com/Logistic/Logistic.htm
R Project for Statistical Computing — Software untuk analisis regresi logistik: https://www.r-project.org/
MathJax Documentation — Untuk rendering formula matematika: https://docs.mathjax.org/

Prinsip Etis dalam Penerapan Regresi Logistik untuk Penelitian KR

Transparansi metodologis: Laporkan semua variabel yang dipertimbangkan, bukan hanya yang "signifikan" — termasuk alasan eksklusi
Kejujuran tentang keterbatasan: Akui ketika EPV rendah, model belum divalidasi eksternal, atau asumsi tidak terpenuhi
Hindari over-claiming: Jangan menginterpretasikan asosiasi statistik sebagai kausalitas tanpa evaluasi menyeluruh terhadap confounding dan bias
Relevansi klinis: Prioritaskan variabel dengan makna klinis nyata, bukan hanya signifikansi statistik — p-value kecil tidak selalu berarti penting secara klinis
Equity consideration: Pastikan model tidak secara sistematis kurang akurat untuk subpopulasi tertentu (misal: perempuan di daerah terpencil, kelompok etnis minoritas)