Efek pengacau: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
Merapikan artikel |
Fitur saranan suntingan: 3 pranala ditambahkan. Tag: VisualEditor Suntingan perangkat seluler Suntingan peramban seluler Tugas pengguna baru Disarankan: tambahkan pranala |
||
| (19 revisi perantara oleh 6 pengguna tidak ditampilkan) | |||
Baris 1:
'''Confounding''' (atau sering kali dikenal sebagai efek perancu/pengacau) merupakan bias yang bersumber dari proses pencampuran efek pajanan utama terhadap efek dari dampak risiko luar lainnya atau adanya variabel pengganggu yang digunakan sebagai perancu pada saat analisis yang bahkan tidak menggunakan metode yang tidak diperhitungkan.<ref name=":2">{{Cite web|last=Thomas|first=Lauren|date=2020|title=Understanding confounding variables|url=https://www.scribbr.com/methodology/confounding-variables/|website=www.scribbr.com|language=en-EN|access-date=2021-12-05}}</ref> Confounding juga diartikan sebagai isu yang penting untuk diperhatikan, karena kehadirannya dapat mempengaruhi ''p'' value dan besaran risiko yang dapat menyebabkan kesalahan dalam pengambilan keputusan.<ref name=":0" />
==
Confounding dalam [[bahasa Indonesia]] dapat diartikan sebagai variabel pengganggu, variabel pengacau ataupun variabel perancu.<ref>{{Cite web|last=UNAIR News|first=|date=2020|title=Confounding Variable's Haruskah Dibuang Begitu Saja?|url=http://news.unair.ac.id/2020/07/26/confounding-variable-s-haruskah-dibuang-begitu-saja/|website=news.unair.ac.id|language=id-ID|access-date=2021-12-05}}</ref>
[[Berkas:Modifier determinan.png|jmpl|Ilustasi peran modifikasi deteminan terhadap ''outcome'' (hasil)]]
Efek pengacau (''confounding'') adalah distorsi berupa efek dalam memprediksi hubungan atau asosiasi antara faktor pajanan (''
Dalam istilah statistik, confounding juga variabel pengganggu, faktor pembaur, determinan asing dan atau variabel pembaur adalah variabel yang mempengaruhi variabel terikat dan variabel bebas sehingga menyebabkan asosiasi palsu. Pembaur yang dimaksud adalah [[Kausalitas|konsep kausal]] sehingga tidak dapat dijelaskan dalam hal korelasi atau hubungan.
== Ciri-ciri umum ==
Ciri-ciri umum ''confounding'' dibagi menjadi paparan hasil
=== ''Confounding'' sebagai paparan hasil
Faktor perancu yang sebenarnya adalah prediksi hasil bahkan tanpa adanya paparan dimana faktor perancu potensial atau ''potential confounding factor'' (PCF) mungkin menjadi penyebab atau mungkin tidak menjadi. Persyaratan utama adalah bahwa hubungan independen antara faktor dan hasilnya ada dan bahwa PCF
[[Berkas:Asosiasi-outcome.png|pus|188x188px]]
=== ''Confounding'' sebagai paparan
Faktor perancu juga dikaitkan dengan paparan
[[Berkas:Asosiasi-eksposur.png|pus|186x186px]]
Situasi yang mengandung angka dari hasil
[[Berkas:Asosiasi-outcome-eksposur.png|pus|250x250px]]
=== ''Confounding'' bukan sebagai paparan hasil
Sebuah perancu tidak bisa menjadi perantara antara paparan dan hasilnya. Misalnya, hubungan antara diet dan penyakit jantung koroner dapat dijelaskan dengan mengukur kadar kolesterol serum. [[Kolesterol]] bukanlah pembaur atau perancu karena dapat menjadi hubungan sebab akibat antara diet dan penyakit jantung koroner.<ref name=":4" /> ''Confounding'' yang bukan sebagai paparan hasil
[[Berkas:Asosiasi-bukan-outcome-eksposur.png|pus|300x300px]]
Baris 40:
Berdasarkan persamaan berikut:{{NumBlk|:|<math>P(y \mid \text{do}(x)) \ne P(y \mid x)</math>|{{EquationRef|2}}}}Dikarenakan kuantitas pengamatan mengandung informasi tentang korelasi antara ''X'' dan ''Z'', dan kuantitas intervensi tidak (atau karena ''X'' tidak berkorelasi dengan ''Z'' dalam percobaan acak). Ahli statistik menginginkan estimasi yang tidak bias <math>P(y \mid \text{do}(x))</math>, tetapi dalam kasus di mana hanya data observasional yang tersedia, perkiraan yang tidak bias hanya dapat diperoleh dengan "menyesuaikan" untuk semua faktor pengganggu, yaitu dengan mengkondisikan berbagai nilai dan rerata hasilnya. Dalam kasus pembaur tunggal ''Z'', ini mengarah ke "rumus penyesuaian":{{Sfn|Pearl|2009|p=101}}{{NumBlk|:|<math>P(y \mid \text{do}(x)) = \sum_{z} P(y \mid x, z) P(z)</math>|{{EquationRef|3}}}}Dengan memberikan perkiraan yang tidak bias untuk efek kausal dari ''X'' pada ''Y''. Rumus penyesuaian yang sama bekerja ketika ada beberapa pembaur khusus. Dalam hal ini, pilihan set ''Z'' variabel yang akan menjamin perkiraan yang tidak bias harus dilakukan dengan hati-hati. Kriteria untuk pilihan variabel yang tepat disebut Pintu Belakang{{Sfn|Pearl|2009|p=127}} dan mensyaratkan bahwa himpunan ''Z yang'' dipilih "memblokir" (atau memotong) setiap jalan dari ''X'' ke ''Y'' yang diakhiri dengan panah ke X. Himpunan seperti itu disebut "Pintu Belakang dapat diterima" dan mencakup variabel yang bukan merupakan penyebab umum ''X'' dan ''Y'', tetapi hanya proksinya. Kembali ke contoh penggunaan narkoba, karena ''Z'' mematuhi persyaratan Pintu Belakang (yaitu, dikarenakan ia memotong satu jalur Pintu Belakang <math>X \leftarrow Z \rightarrow Y</math> ), rumus penyesuaian Pintu Belakang berlaku:{{NumBlk|:|<math>\begin{align}P(Y = \text{recovered}\mid \text{do}(x = \text{give drug})) = {} & P(Y = \text{recovered}\mid X = \text{give drug}, Z = \text{male}) P(Z = \text{male}) \\ & {} + P(Y = \text{recovered}\mid X = \text{give drug}, Z = \text{female}) P(Z = \text{female})\end{align}</math>|{{EquationRef|4}}}}Jadi, dengan cara ini dokter dapat memprediksi kemungkinan efek pemberian obat dari studi observasional di mana probabilitas bersyarat yang muncul di sisi kanan persamaan dapat diperkirakan dengan regresi.
Berlawanan dengan kepercayaan umum, menambahkan kovariat ke set penyesuaian ''Z'' dapat menimbulkan bias. Misalnya, pada tandingan yang khas terjadi ketika ''Z'' adalah efek umum dari ''X'' dan ''Y'',
Secara umum, pengganggu dapat dikendalikan dengan penyesuaian jika dan hanya jika ada satu set kovariat yang diamati yang memenuhi kondisi Pintu Belakang. Selain itu, jika ''Z'' adalah himpunan seperti itu, maka rumus penyesuaian Persamaan. (3) valid <4,5>. Kalkulus do Pearl memberikan kondisi tambahan di mana <math>P(y \mid \text{do}(x))</math> dapat diperkirakan, tanpa harus dengan rumus penyesuaian.<ref>{{Cite journal|last=Shpitser|first=I.|last2=Pearl|first2=J.|year=2008|title=Complete identification methods for the causal hierarchy|url=https://ftp.cs.ucla.edu/pub/stat_ser/r336-published.pdf|journal=The Journal of Machine Learning Research|language=en|volume=9|pages=1941–1979}}</ref>
== Jenis eksperimen penelitian ==
Jenis confounding dapat dikategorikan menurut sumbernya yakni pilihan instrumen pengukuran (''operational confound''), karakteristik situasional (''procedural confound'') dan perbedaan antar individu (''person confound'').
=== Operational confound (operasional) ===
Pengganggu operasional (''operational confound'') diartikan bahwa pengganggu operasional dapat terjadi dalam dua instrumen pengukuran pada penelitian yakni eksperimental dan non-eksperimental diukur dengan indikasi yang sama atau identik. Jenis ini terjadi saat akan melakukan pengukuran yang akan dirancang untuk menilai
=== Procedural confound (
Pengganggu prosedural (''procedural confound'') diartikan bahwa pengganggu operasional dapat terjadi pada karakteristik situasi eksperimen laboratorium atau eksperimen semu. Jenis ini terjadi ketika peneliti secara keliru membiarkan variabel lain dan berubah bersama dengan variabel bebas yang dimanipulasi.<ref>{{cite
===
Pengganggu individu (''person confound'') diartikan bahwa pengganggu operasional dapat terjadi ketika dua atau lebih kelompok/unit yang berbeda kemudian dianalisis bersama-sama atau terjadi ketika adanya perbedaan individu mempengaruhi variabel hasil.<ref>{{cite book|last1=Steg|first1=Linda|last2=Rothengatter|first2=Talib|date=2008|url=https://id1lib.org/ireader/2935457|title=Applied Social Psychology Understanding and Managing Social Problems|place=[[New York]]|publisher=Cambridge University Press|isbn=9780521869799|pages=91|language=en|coauthors=}}{{Pranala mati|date=Januari 2023 |bot=InternetArchiveBot |fix-attempted=yes }}</ref> Misalnya, pekerja dari pekerjaan yang berbeda, meskipun bermacam-macam menurut satu atau lebih karakteristik lain yang diamati atau tidak diamati sebagai contoh jenis kelamin.
==
Peneliti dalam melakukan penelitian eksperimental dapat meminimalisir pengaruh confounding dengan dua pilihan secara konseptual yakni mengeluarkan ''confounding'' potensial dari eksperimen penelitian ataupun
Efek pengganggu lebih kecil kemungkinannya karena hanya terjadi dan bertindak serupa di beberapa waktu dan lokasi. Dalam memilih lokasi studi, lingkungan dapat dicirikan secara rinci di lokasi studi untuk memastikan lokasi tersebut secara ekologis serupa dan oleh karena itu kecil kemungkinannya memiliki variabel pengganggu. Terakhir, hubungan antara variabel lingkungan yang mungkin mengacaukan analisis dan parameter yang diukur
== Referensi ==
=== Catatan kaki ===
{{Reflist}}
=== Daftar pustaka ===
* {{Cite journal|last=Pearl|first=Judea|date=2009|title=Causal inference in statistics: An overview|url=https://ftp.cs.ucla.edu/pub/stat_ser/r350.pdf|journal=Statistics Surveys|language=en-EN|volume=3|pages=96-146|doi=10.1214/09-SS057|issn=1935-7516|ref={{sfnref|Pearl|2009}}}}
*{{Cite journal|last=Wunsch|first=Guillaume|date=2007|title=Confounding and control|url=https://www.demographic-research.org/volumes/vol16/4/16-4.pdf|journal=Jurnal Sciences|language=en|volume=16|issue=4|pages=97-120|doi=10.4054/DemRes.2007.16.4|ref={{sfnref|Wunsch|2007}}}}
*{{Cite journal|last=Kruuk|first=L. E. B.|date=2007|title=How to separate genetic and environmental causes of similarity between relatives|url=https://onlinelibrary.wiley.com/doi/epdf/10.1111/j.1420-9101.2007.01377.x|journal=Journal of Evolutionary Biology|language=en|volume=20|issue=5|pages=1890-1903|doi=10.1111/j.1420-9101.2007.01377.x|ref={{sfnref|Kruuk|2007}}}}
{{Statistika}}
| |||