Efek pengacau: Perbedaan antara revisi

'''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" />

 

[[Berkas:Modifier determinan.png|jmpl|Ilustasi peran modifikasi deteminan terhadap ''outcome'' (hasil)]]

 

 

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">{{cite journal|last1=Hasmawati|first1=|last2=Anggraeni|first2=Ike|last3=Susanti|first3=Rahmi|date=2019|title=Identifikasi Variabel Confounding Dengan Penerapan Uji Chi Square Mantel Haenszel Pada Hubungan Antenatal Care (ANC) Terhadap BBLR Di Kota Samarinda|url=https://ejournal2.litbang.kemkes.go.id/index.php/kespro/article/download/2069/1346/|journal=Jurnal Kesehatan Reproduksi|volume=10|issue=1|pages=22-23|doi=10.22435/kespro.v10i1.2069.21-31|id=|accessdate=2021-12-05}}</ref>[[Berkas:Simple Confounding Case.svg|jmpl|Ilustrasi efek perancu (pengacau) sederhana yang mana ''Z'' adalah penyebab dari ''X'' dan ''Y'' .]]

Pada prinsipnya, persamaan yang menentukan <math>P(y \mid \text{do}(x)) = P(y \mid x)</math> dapat diverifikasi dari model pembangkit data, dengan asumsi kita memiliki semua persamaan dan probabilitas yang terkait dengan model. Ini dilakukan dengan mensimulasikan intervensi <math>\text{do}(X = x)</math>dan memeriksa apakah probabilitas yang dihasilkan dari ''Y'' sama dengan probabilitas bersyarat <math>P(y \mid x)</math>. Namun, apabila ternyata struktur graf sudah cukup untuk memverifikasi kesetaraan <math>P(y \mid \text{do}(x)) = P(y \mid x)</math>.<ref name=":1" />

 

[[Berkas:Confounding-pasien.png|pus]]

 

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.

 

 

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>

 

 

 

 

 

== Referensi ==

 

=== Catatan kaki ===

 

=== 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}}}}

{{Statistika}}