Konsep Data Hilang

1Imputasi DataSabarinah20132Tahapan manajemen dataEditingCleaningData entry

Data dengan kasus hilang?Terapi kasus hilang

Analisis dataProses di lapangan & atauDi pusat data3Data HilangData tidak adaTerjadi pada semua jenis studi (+90%)Penyebab?Partisipasi subyek pada studi:Contoh: Pertanyaan sensitifRancangan studi:Contoh: Pengukuran memakan waktu terlalu banyakInteraksi subyek rancangan studiContoh: Subyek sakit memberat sehingga tak dapat melengkapi studi4Dampak kasus hilangConstruct validity tidak akurat:Pengukuran: items, single measures, multiple measuresInternal validity rendah:Korelasi antar variabelGeneralisability (external validity) rendah:Selection bias5Kapan data hilang?Tahap pemilihan subyek:Contoh: kriteria eksklusi, drop-out sebelum dibagi menjadi kelompok intervensi & kontrol, hilangnya minat subyek u/ ikut studi sebelum informed consentTahap implementasi studi:Contoh: adanya lompatan pertanyaan, tak ada sewaktu periode pengumpulan data, menolak untuk terus berpartisipasiTahap Follow up studi:Contoh: drop-out pada waktu difollow-up (studi longitudinal), tak dapat dikontak6Type kasus hilangRandomRandom lengkap (MCAR = missing completely at random)Random (MAR = missing at random)

Non random MNAR = missing not at random 7Kasus Hilang RandomMAR kasus hilang menyebar secara random di sampel

MCAR kasus hilang menyebar secara random di sampel mewakili populasi8Diagnosis RandomTest 1:Mengelompokkan data menjadi 2:Group 1 = dengan kasus hilang (1)Group 2 = tanpa kasus hilang (0)Uji beda nilai antara ke 2 kelompok dalam variabel:Demografik: umur, gender, ras (ketiganya harus sama2 tidk sig)Variabel lain dalam kelompok variabel 9Test 2:Menggunakan variabel baru (group missing & non missing) uji perbedaan antar variabel (apakah group missing & non missing berbeda bermakna?)

Bila hasil test 1 atau test 2: tidak berbeda bermakna artinya MCAR berbeda bermakna artinya MNAR

10Mengatasi kasus hilangLihat jumlah kasus hilang bila kecil dan MCAR gunakan data yg lengkap

Bila kasus atau variabel memiliki nilai hilang yg banyak Delete kasus atau delete variabel113. Imputasi: Mengganti nilai hilang dengan nilai lainIsu imputasi:

Nilai yg digunakan u/ imputasiMetode u/ mengestimasi nilai pengganti

12Cara imputasiSubsitusi kasus dengan nilai tertentu yg mirip karakteristiknya. Contoh: RT yg memiliki kasus hilang disubstitusi dengan RT yg mirip (MCAR)

Substitusi Mean/median: nilai mean kasus yg tidak hilang menjadi nilai pengganti kasus hilang (MCAR)13Cara imputasiCold deck: nilai dari luar/studi sebelumnya menjadi nilai pengganti kasus hilang

Hot deck: nilai pengganti diambil dari nilai yg ada yg dipilih secara random (MCAR)

Regresi: memperkirakan nilai pengganti melalui persamaan regresi linier dengan variabel yg diduga (MNAR)14Cara imputasiMultiple imputasi : Kombinasi beberapa metode

Model based: Maximum likelihood15Cara imputasiGroup mean/median (MNAR)Gunakan data dari responden terakhir/berikutnya (MNAR)

Catatan:Data di-sort dulu sesuai substansi variabel yg relevanMisal: penyakit ISPA transmisi dalam rumah tangga sort kasus berdasarkan IdRT16Contoh imputasi: all mean atau nearby meanKasus NilaiImputasi1202223-(20+22+10+15)/4=16,75(22+10)/2=1641051517Contoh: hot deck imputasiKasus NilaiImputasi1202223-(10 atau 22)(random dari 20,22,10,15)41051518Langkah di SPSS Identifikasi kasus hilang (bedakan dg sysmis yg memang NA/not applicable)Contoh: 9 = missingUbah kode missing tsb menjadi 1, dan nilai lain = 0 variabel baru yg dikotomLakukan langkah diagnostik test 1:Crosstab var-dikotom by age, genderCrosstab var-dikotom by var-lain-relevan19Lakukan langkah diagnostik test 2:Crosstab var-dikotom1 by var-dikotom2Lihat hasil test1 dan test2 Bila tak berbeda bermakna maka MCAR imputasi dengan karakteristik yg sama atau hot deckBila berbeda Bermakna maka MNAR imputasi dengan metode regresiPilih cara imputasiData yg akan diimputasi mempunyai nilai yg missing jadi nilai 9 diubah menjadi sysmis Bila data ada sysmis dg nilai yg memang NA jangan diikut sertakan dalam proses imputasi select data tanpa sysmis tsbData siap diimputasi Transform Replace Missing Value