Apa itu Biostatistika?

Berasal dari kata asal “biostatistics”, ia mengacu pada aplikasi ilmu statistik untuk disiplin ilmu biologi secara luas, diantaranya ilmu kedokteran dan hayati [Life Sciences]. Berbagai pertanyaan berikut memerlukan Biostatistik untuk memperoleh jawaban:

“Berapa besar angka kejadian Influenza di Indonesia?”

“Apakah anak sekolah SD & SMP memiliki risiko terkena influenza lebih tinggi dibandingkan dengan kelompok umur lain?

“Apakah tinggal di lingkungan perumahan yang padat meningkatkan risiko terkena influenza?”

Biostatistik merupakan ilmu yang berisikan kumpulan metode kuantitatif untuk menyimpulkan berbagai fenomena biologis berdasarkan data empiris yang didapat melalui penginderaan fisik atau observasi.

Untuk aplikasi bidang kedokteran dan kesehatan masyarakat, biostatistik merupakan alat penting untuk: mengembangkan perangkat diagnostik, metode pengobatan baru, pengukuran besar masalah suatu penyakit, identifikasi faktor risiko berbagai penyakit, evaluasi usaha pencegahan penyakit di masyarakat, dan sangat banyak pertanyaan penelitian lain yang memerlukan jawaban melalui pengukuran kuantitatif.

Biostatistik adalah ilmu untuk mengambil kesimpulan dengan bukti, berdasarkan data – data empiris yang diperoleh melalui suatu pengumpulan data/observasi berdasarkan metode ilmiah.

Multilevel Modeling dengan paket “lme4” dan “multilevel”

#Load paket lme4 dan multilevel

library(lme4)

library(multilevel)

# Model dengan random intercept#

Null.Model<-lme(migrant2005~1,random=~1|villageid,data=dsmigration, control=list(opt=”optim”))

VarCorr(Null.Model)

tmod<-aov(migrant2005~as.factor(villageid),data=dsmigration)

# Menghitung “Intra Class Correlation” / persentase variasi yang bersumber dari perbedaan antar grup#

ICC1(tmod)

GREL.DAT<-GmeanRel(Null.Model)

names(GREL.DAT)

GREL.DAT$ICC

GREL.DAT$MeanRel

mean(GREL.DAT$MeanRel) #Average group-mean reliability

ICC2(tmod)

mod.ml<-lme(migrant2005~1,random=~1|villageid,data=dsmigration,method=”ML”,

control=list(opt=”optim”))

VarCorr(mod.ml)

Null.Model.2<-gls(migrant2005~1,data=dsmigration,

control=list(opt=”optim”))

anova(Null.Model,Null.Model.2)

# Model dengan Fixed Effect dan Random intercept#

Model.1<-lme(migrant2005~ses,random=~1|villageid,data=dsmigration,

control=list(opt=”optim”))

summary(Model.1)

VarCorr(Model.1)

library(lattice)

xyplot(migrant2005~SES|as.factor(villageid),data=dsmigration[1:1582,],

type=c(“p”,”g”,”r”),col=”dark blue”,col.line=”black”,

xlab=”Socio Economic Index”,

ylab=”migration”)

#Model dengan Random Effect(slope) dan Random Intercept#

Model.2<-lme(migrant2005~ses,random=~ses|villageid, data=dsmigration,

control=list(opt=”optim”))

summary(Model.2)

Model.2a<-update(Model.2,random=~1|villageid)

# Significance Test untuk Random Slope#

anova(Model.2,Model.2a)

Final.Model<-lme(migrant2005~HRS+LEAD+G.HRS+LEAD:G.HRS,

random=~LEAD|villageid,data=dsmigration,control=list(opt=”optim”))

round(summary(Final.Model)$tTable,dig=3)