Konfounding dan

Interaksi
Departemen Biostatistika
FKM UI, 2010

CONFOUNDING
Daribahasa latin cunfundere (tomixtogether)
Pengertian:
Suatu distorsi (gangguan) dalam menaksir pengaruh paparan
terhadap kejadian penyakit/outcomesebagai akibat tercampurnya
pengaruh sebuah atau beberapa variabel luar.

Suatu kondisi biasdalam mengestimasi efek paparan terhadap

kejadian penyakit/masalah kesehatan,akibat perbandingan yang
tidak seimbang antara kelompok exposeddan nonexposed.

Suatu situasi ditemukannya hubungan noncausalantara

exposure/paparan dan outcomeyangditeliti akibat adanya
pengaruh variabel ketiga (Moyses S.&F.JavierN.,2000)

Variabel luar (ketiga)=confounder

Confounder
Exposure

Disease

Confounder

Berhubungan dengan paparan/faktor resiko yangditeliti (causallyor

noncausallyassociated)
Berhubungan dengan penyakit/outcome(causallyassociated)
Bukan merupakan konsekuensi dari paparan (tidak terletak diantara
E&D/variabel antara)

Arah Confounding
1. Positif Overestimate(riskvaluemenjauhi Nullvalue)
OR/RR
0

0.3

0.5

CF controlled
CF not controlled

1
Null
value

1.3

1.7

CF controlled
CF not controlled

Negatif Underestimate(riskvaluemendekati Nullvalue)

kurang beresiko orkurang protektif
3.Crossover asosiasi berubah arah:negatif
positif (confounder
yangkuat pada asosiasi lemah)

2.

Mengontrol Confounding

Pada tahap Design

1.

Restriksi (pada experimental&observationalstudy)

membatasi obyek penelitian pada levelconfounderyangsama
(confoundertidak bervariasi)antara groupE nE dan D nD
Kelemahan:efek modifikasi tidak dapat dievaluasi,generalizability?

2.Matching (pada experimental&observationalstudy)

Type:a).Fullmatching,b).partialmatching
Method:a).Frequency/marginalmatching,b).Individualmatching
Problem:Overmatching

3.Randomisasi (hanya pada experimentalstudy)

subyek penelitian ditempatkan secara randompada group2yang
diperbandingkan (E&nE)

Pada tahap Analisa

1.
2.

Stratifikasi
Analisa Multivariate

INTERAKSI
Interaksi =Efek modifikasi
Pengertian:
Keberagaman/heterogenitas/variasi efek dari suatu faktor resiko
terhadap kemunculan penyakit/outcome,pada levelyangberbeda
dari faktor resiko lain,pada basepopulation

Suatu situasi dimana 2atau lebih faktor resiko saling memodifikasi

(besar dan/atau arah)efek nya terhadap kejadian/outcomeyang
diteliti (Moyses S.&F.JavierN.,2000)

Efek modifikasi menunjukkan seberapa jauh efek faktor resiko

utama terhadap munculnya penyakit/outcome,dimodifikasi oleh
faktor resiko lain(modifier)

Macam Interaksi

Interaksi Aditif

Keberadaannya dinilai dengan memakai ukuran asosiasi berupa risk/rate

difference(AR).
Bermanfaat untuk kepentingan programkesmas atau intervensi pencegahan
penyakit

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 study

Berhubungan dengan design study

Menambah/memodifikasi efek E

Mengganggu efek E yang diteliti

OR1 = OR2 = OR3 = OR4 = ORn

OR1 = OR2

OR crude

Bias sistematik

Qualitative measure of association

(affect validity)

Bukan

bias

Quantitative measure of association

(not a validity issue)

OR adjusted

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

Analisa Regresi Linier/Logistik Ganda

Regresi Linier Ganda

9
a)
b)

Adanya Konfounder akan menyebabkan

Perubahan R Square
Perubahan (unstandardized) coefisien B (OR) sebesar >
10%
Adanya Interaksi antar 2 variabel independent ditunjukan
dengan nilai Sig. < 0.05

b
Model Summary

Model Summary
Model
1

R
R Square
a
.926
.858

Adjusted Std. Error of

R Square the Estimate
.845
1.5061

Model
1

Adjusted Std. Error of

R
R Square R Square the Estimate
.943a
.889
.876
1.3491

DurbinWatson
1.840

a. Predictors: (Constant), lemakKt_prpr, umur, sex, lemakpersen,

lemakkulit
b. Dependent Variable: imt

a. Predictors: (Constant), sex, umur, lemakkulit,

lemakpersen

R square regresi linier ganda

dengan konfounder masuk
pada model

R square regresi linier ganda

dengan konfounder tidak
masuk pada model
Variabel

Masih Lengkap

umur keluar
dari model

Perubahan
Coefficien 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%

Umur merupakan konfounder karena menyebabkan ORlemak

persen berubah >10%

Uji Interaksi
Dilakukan pada variabelvariabel yangdiduga secara
substansi berinteraksi.
ModelPersamaan Regresi linierganda
Imt =17.074 0.126umur +0.08lemakkulit +0.204lemakpersen +3.074sex

1). variable lemak kulit dan lemak persen secara substansi diduga berinteraksi
Coefficientsa

Model
1

(Constant)
umur
lemakkulit
lemakpersen
sex
lemakKt_prpr

Unstandardized
Coefficients
B
Std. Error
22.651
3.151
-.133
.041
-.063
.043
.082
.048
2.436
.693
.003
.001

a. Dependent Variable: imt

Standardized
Coefficients
Beta
-.176
-.437
.238
.268
1.251

t
7.188
-3.220
-1.461
1.713
3.513
3.440

Sig.
.000
.002
.151
.094
.001
.001

Collinearity Statistics
Tolerance
VIF
.863
.029
.134
.444
.020

1.158
34.599
7.451
2.254
51.140

2). secara substansi umur akan mempengaruhi lemak persen,

Coefficientsa

Model
1

(Constant)
umur
lemakkulit
lemakpersen
sex
umur_lemakpr

Unstandardized
Coefficients
B
Std. Error
-2.875
11.880
.189
.187
.078
.014
.729
.305
2.724
.757
-.008
.005

Standardized
Coefficients
Beta
.251
.534
2.111
.300
-1.494

t
-.242
1.011
5.683
2.391
3.598
-1.734

Sig.
.810
.317
.000
.021
.001
.090

Collinearity Statistics
Tolerance
VIF
.050
.350
.004
.444
.004

19.908
2.861
252.645
2.253
240.709

a. Dependent Variable: imt

Sehingga persamaan regresi linier akhir untuk memprediksi nilai imt

adalah:
Imt = 22.651 0.133 umur - 0.063 lemakkulit + 0.082 lemakpersen + 2.436 sex +
0.003 lemakkt_prpr

Regresi Logistik Ganda

9

Adanya Konfounder akan menyebabkan perubahan nilai Exp(B)

/OR sebesar > 10%
Exp(B) Crude - Exp(B) Adjusted * 100% >10% konfounder
Exp(B) Adjusted

dari

variabel independent utama (faktor resiko) dalam pemodelan

faktor resiko, atau
variabel independent lain dalam pemodelan prediksi

Adanya Interaksi antar 2 variabel independent ditunjukan

dengan nilai Sig. < 0.05

Variables in the Equation

B
Step
a
1

IMT3
IMT3(1)
IMT3(2)
SEX
Constant

1,872
2,711
,921
-2,727

S.E.
,858
,946
,541
,882

Wald
8,265
4,764
8,206
2,899
9,563

df
2
1
1
1
1

Sig.
,016
,029
,004
,089
,002

Exp(B)
6,503
15,045
2,511
,065

95,0% C.I.for EXP(B)

Lower
Upper
1,211
2,354
,870

34,940
96,155
7,245

a. Variable(s) entered on step 1: IMT3, SEX.

Apakah SEX adalah Konfounder terhadap IMT31dan IMT32?

Lihat perubahan nilai Exp(B):
SEX masuk dalam pemodelan,nilai Exp(B) 6,503dan 15,045
SEX tidak masuk dalam pemodelan,nilai Exp(B) 4,388dan 9,149
Besar perubahan:
Darihasil perhitungan ratio=32,52%(>10%)
maka sex merupakan variablekonfounder.

Confounding

Confounding = bias estimasi efek pajanan

terhadap penyakit akibat perbandingan tidak
seimbang antara kelompok terpajan dengan
kelompok tidak terpajan
Terjadi akibat adanya perbedaan risiko
terjadinya penyakit pada kelompok terpajan
dengan kelompok tidak terpajan
Risiko terjadinya penyakit berbeda meskipun
pajanan dihilangkan pada kelompok terpajan

Syarat Confounding

C merupakan faktor risiko D

C memiliki asosiasi dengan E

Contoh Confounding

Ibu Anemia

St.Gizi Ibu

BBLR

Contoh confounding
Hubungan anemia dg BBLR Ibu Anemia

BBLR

Kelompok gizi kurang dan gizi baik

BBLR+
BBLRJumlah
Anemia +
24
36
60
Anemia 36
24
60
Jumlah
60
60
120
OR = (24*24)/(36*36)=0,44
Simpulan: Anemia faktor pencegah terjadinya BBLR ??

Contoh confounding
Hubungan anemia dg BBLR (Dipisah menurut status Gizi)

Simpulan:
Anemia adalah
faktor risiko
terjadinya BBLR
(baik pd gizi baik
maupun pd gizi
kurang)

Kelompok gizi baik

BBLR+
Anemia +
18
Anemia 2
Jumlah
20

BBLR34
6
40

Jumlah
52
8
60

BBLR-

Jumlah

OR = (18*6)/(34*2) = 1,58

Kelompok gizi kurang

BBLR+
Anemia +
6
Anemia 34
Jumlah
40
OR = (6*18)/(2*34) = 1,58

2
18
20

8
52
60

Contoh confounding

BBLR

St.Gizi ibu

Hubungan status gizi dengan BBLR

BBLR+
BBLRJumlah
Gizi kurang
40
20
60
Gizi baik
20
40
60
Jumlah
60
60
120
OR = (40*40)/(20*20) = 4,00
Status gizi kurang merupakan faktor
risiko BBLR

Contoh confounding
Ibu Anemia

St.Gizi Ibu

Distibusi status gizi menurut anemia

Gizi kurang Gizi baik
Jumlah
Anemia +
8
52
60
Anemia 52
8
60
Jumlah
60
60
120

Distribusi status gizi tidak seimbang

pada ibu anemia dan ibu non anemia

Contoh confounding

Pada contoh, status gizi merupakan confounder

karena

Status gizi kurang merupakan faktor risiko BBLR ?

Distribusi status gizi tidak seimbang pada ibu anemia dan
ibu non anemia
Hasil analisis menunjukkan status gizi merupakan faktor
risiko BBLR ?

Pengontrolan Confounding

Pada Desain

Pada Pengumpulan Data

Restriksi
Matching
Confounding harus diukur

Pada Analisis

Analisis multivariat