Hampir 70% studi klinis yang dipublikasikan menggunakan regresi atau korelasi dalam penelitian klinis untuk menganalisis hubungan antar variabel, namun sejumlah besar manuskrip secara keliru menerapkan metode ini—yang menyebabkan kesimpulan yang salah, kritik dari penilai, dan bahkan penolakan langsung. Sebuah tinjauan penting yang diterbitkan di The New England Journal of Medicine menemukan bahwa banyak penulis medis mengacaukan korelasi dengan regresi, terkadang menggunakan salah satunya padahal yang lain lebih tepat ( Godfrey, 1985 ). Memahami kapan harus menggunakan korelasi versus regresi adalah salah satu keputusan statistik paling penting yang akan Anda buat dalam karier penelitian Anda. Dalam panduan komprehensif ini, kami menguraikan kedua metode tersebut dengan contoh klinis nyata dari NEJM, JAMA, The Lancet , PLOS Medicine, dan Circulation —memberi Anda kerangka kerja pengambilan keputusan yang jelas untuk memilih pendekatan yang tepat setiap saat.
Apa itu korelasi dalam penelitian klinis?
Analisis korelasi mengukur kekuatan dan arah hubungan linier antara dua variabel kontinu. Analisis ini menghasilkan satu angka tunggal — koefisien korelasi (r) — yang berkisar dari −1 hingga +1. Menurut penelitian yang diindeks PubMed oleh Schober, Boer, dan Schwarte ( DOI: 10.1213/ANE.0000000000002864 ), koefisien korelasi biasanya diinterpretasikan sebagai berikut:
| Nilai r | Kekuatan | Contoh Klinis |
|---|---|---|
| 0.00 - 0.39 | Lemah | Konsumsi kopi dan variabilitas tekanan darah |
| 0.40 - 0.69 | Moderat | Indeks Massa Tubuh (BMI) dan tekanan darah sistolik |
| 0.70 - 1.00 | Kuat | FEV1 diukur dengan dua spirometer |
Pearson vs. Spearman: Memilih Koefisien Korelasi yang Tepat
Pilihan antara Pearson dan Spearman bergantung pada karakteristik data Anda. Korelasi Pearson (r) membutuhkan kedua variabel bersifat kontinu dan terdistribusi normal dengan hubungan linier. Korelasi peringkat Spearman (ρ) adalah alternatif nonparametrik yang digunakan ketika data bersifat ordinal, mengandung outlier, atau tidak mengikuti distribusi normal. Schober dkk. menekankan bahwa penggunaan koefisien yang salah akan menyebabkan hubungan yang diremehkan atau dilebih-lebihkan, yang dapat secara fundamental mengubah kesimpulan klinis Anda.
Asumsi Analisis Korelasi
Penerapan korelasi yang benar memerlukan pemenuhan beberapa asumsi kunci. Data harus berasal dari sampel acak, kedua variabel harus kontinu (untuk Pearson), hubungan harus mendekati linier, dan tidak boleh ada outlier yang signifikan. Setiap pasangan observasi harus independen. Melanggar asumsi ini tidak serta merta membatalkan analisis Anda — tetapi hal itu mengharuskan beralih ke koefisien Spearman atau alternatif kuat lainnya.
Apa itu Analisis Regresi dalam Penelitian Klinis?
Analisis regresi melampaui korelasi dengan memodelkan hubungan prediktif antara variabel dependen (hasil) dan satu atau lebih variabel independen (prediktor). Seperti yang dijelaskan oleh Vetter dan Schober dalam tutorial Anesthesia & Analgesia mereka ( DOI: 10.1213/ANE.0000000000003424 ), regresi menghasilkan persamaan yang mengukur seberapa besar perubahan hasil untuk setiap perubahan satu unit pada prediktor — perbedaan penting dari korelasi, yang hanya memberi tahu Anda apakah suatu hubungan ada dan seberapa kuat hubungan tersebut.
Persamaan regresi linier umum adalah:
Di mana Y = hasil, β₀ = intersep, β₁…βₙ = koefisien, X₁…Xₙ = prediktor, ε = kesalahan
Jenis-jenis Regresi dalam Penelitian Klinis
Jenis regresi yang Anda pilih terutama bergantung pada variabel hasil Anda . Berikut adalah empat jenis regresi yang paling umum digunakan dalam studi klinis:
| Tipe | Variabel Hasil | Ukuran Efek | Kasus Penggunaan Klinis |
|---|---|---|---|
| Linear | Kontinu (misalnya, tekanan darah, lama rawat inap) | koefisien β, R² | Memprediksi lama perawatan di ICU berdasarkan tingkat keparahan cedera. |
| logistik | Biner (ya/tidak, hidup/mati) | Rasio odds (OR), 95% CI | Memprediksi risiko kematian dari variabel klinis |
| Cox (Bahaya Proporsional) | Waktu hingga kejadian (bertahan hidup) | Rasio bahaya (HR) | Analisis kelangsungan hidup pasien kanker dengan kelompok perlakuan. |
| Poisson | Data hitungan (kejadian per waktu) | Rasio angka kejadian (IRR) | Pemodelan jumlah pasien yang dirawat kembali di rumah sakit |
Bagi para peneliti yang bekerja dengan data observasional dan potensi faktor perancu, tutorial terperinci kami tentang pencocokan skor kecenderungan dalam penelitian medis mencakup teknik-teknik canggih untuk mengatasi bias seleksi bersamaan dengan regresi.
Regresi vs Korelasi dalam Penelitian Klinis: Perbedaan Utama
Meskipun kedua metode tersebut meneliti hubungan antar variabel, regresi dan korelasi dalam penelitian klinis memiliki tujuan yang sangat berbeda. Tutorial klasik oleh Guyatt dan rekan-rekannya di Canadian Medical Association Journal (PMID: 7859197 ) menjelaskan bahwa korelasi hanya mengukur apakah dua variabel bergerak bersamaan, sedangkan regresi mengukur bagaimana dan seberapa besar satu variabel memprediksi variabel lainnya. Berikut adalah perbedaan mendasar tersebut:
Perbedaan penting terletak pada konsep arah korelasi . Dalam korelasi, variabel-variabelnya dapat dipertukarkan — mengkorelasikan BMI dengan tekanan darah memberikan nilai r yang sama dengan mengkorelasikan tekanan darah dengan BMI. Dalam regresi, variabel-variabelnya tidak dapat dipertukarkan: Anda harus menentukan mana yang merupakan prediktor (independen) dan mana yang merupakan hasil (dependen). Perbedaan ini sangat penting dalam penelitian klinis, di mana tujuannya seringkali untuk mengidentifikasi faktor risiko yang dapat dimodifikasi yang memprediksi hasil pasien.
Kapan Menggunakan Korelasi dalam Studi Klinis Anda?
Korelasi adalah pilihan yang tepat ketika tujuan penelitian Anda bersifat eksploratif — khususnya dalam situasi-situasi berikut:
1. Menjelajahi apakah dua variabel memiliki hubungan linier. Jika Anda hanya ingin mengetahui apakah kadar HbA1c berhubungan dengan nilai glukosa puasa, korelasi Pearson memberikan jawaban yang ringkas dan mudah dipahami.
2. Pembentukan hipotesis. Pada tahap awal suatu penelitian, matriks korelasi membantu mengidentifikasi variabel mana yang layak untuk diselidiki lebih lanjut melalui pemodelan regresi.
3. Tidak ada variabel yang secara jelas merupakan "hasil". Ketika Anda mempelajari hubungan antara dua biomarker (misalnya, CRP dan IL-6), tidak ada variabel yang secara logis menyebabkan variabel lainnya, sehingga korelasi adalah pilihan yang tepat.
Kapan Menggunakan Regresi dalam Studi Klinis Anda?
Regresi adalah pilihan yang tepat ketika tujuan penelitian Anda bersifat prediktif, eksploratif, atau memerlukan penyesuaian terhadap faktor pengganggu :
1. Anda ingin memprediksi suatu hasil. Algoritma prediksi penyakit jantung koroner dari Framingham Heart Study — salah satu model yang paling banyak dikutip dalam bidang kedokteran — menggunakan regresi logistik dengan prediktor kategorikal (tekanan darah, kolesterol, diabetes, merokok) untuk memperkirakan risiko PJK 10 tahun ( Wilson et al., 1998, Circulation ). Hal ini pada dasarnya tidak mungkin dilakukan hanya dengan korelasi saja.
2. Anda perlu menyesuaikan variabel pengganggu. Regresi multivariabel memungkinkan Anda untuk memeriksa hubungan antara paparan dan hasil sambil mengontrol usia, jenis kelamin, komorbiditas, dan variabel pengganggu lainnya. Ini adalah pendekatan standar dalam penelitian klinis observasional.
3. Anda ingin membandingkan kelompok setelah penyesuaian. Uji coba SuPPoRT (Hezelgrave et al., 2024, PLOS Medicine ; DOI ) menggunakan regresi biner untuk membandingkan tiga intervensi untuk pencegahan kelahiran prematur, dengan menyesuaikan usia kehamilan, BMI, dan faktor risiko sebelumnya.
4. Hasil yang Anda peroleh berupa data biner, waktu kejadian, atau data hitungan. Korelasi tidak dapat menangani jenis hasil ini — Anda memerlukan regresi logistik, regresi Cox, atau regresi Poisson.
6 Kesalahan Umum Saat Memilih Antara Regresi dan Korelasi
Menghindari kesalahan-kesalahan ini akan memperkuat manuskrip Anda dan mengurangi risiko kritik statistik dari peninjau. Untuk informasi lebih lanjut tentang menghindari masalah statistik yang menyebabkan penolakan, lihat artikel kami tentang tingkat penolakan jurnal berdasarkan bidang.
| Kesalahan | Mengapa Itu Salah | Pendekatan yang Benar |
|---|---|---|
| Dengan asumsi korelasi = sebab akibat | Nilai r yang tinggi hanya menunjukkan adanya hubungan, bukan hubungan sebab-akibat. | Gunakan regresi dengan penyesuaian faktor pengganggu; pertimbangkan metode inferensi kausal. |
| Menggunakan korelasi untuk perbandingan metode | Dua metode dapat berkorelasi sempurna namun secara sistematis berbeda pendapat. | Gunakan analisis kesepakatan Bland-Altman. |
| Hanya menggunakan nilai p, mengabaikan ukuran efek. | Ukuran sampel yang besar dapat membuat korelasi yang sepele menjadi "signifikan". | Laporkan nilai r² atau R² dan interval kepercayaan beserta nilai p. |
| Menjalankan regresi tanpa memeriksa asumsi | Asumsi yang dilanggar menghasilkan koefisien yang tidak dapat diandalkan. | Periksa plot residual, normalitas, multikolinearitas (VIF) |
| Mengabaikan faktor pengganggu dalam studi observasional | Korelasi yang tidak disesuaikan dapat sepenuhnya disebabkan oleh faktor pengganggu. | Gunakan regresi multivariabel untuk menyesuaikan faktor perancu. |
| Menggunakan regresi linier untuk hasil biner. | Probabilitas yang diprediksi dapat berada di luar rentang 0–1. | Gunakan regresi logistik untuk hasil ya/tidak. |
Contoh Nyata dari Jurnal Medis Terkemuka
Melihat bagaimana para peneliti terkemuka menerapkan metode-metode ini dalam praktik adalah cara terbaik untuk memahami perbedaannya. Berikut adalah contoh dari publikasi berdampak tinggi yang diambil dari PubMed.
Contoh 1: Studi Jantung Framingham — Regresi Logistik (Circulation)
Wilson dkk. (1998) mengembangkan algoritma prediksi penyakit jantung koroner dasar menggunakan regresi logistik dengan kategori tekanan darah JNC-V dan kategori kolesterol NCEP sebagai prediktor. Dengan mengikuti 2,489 pria dan 2,856 wanita selama 12 tahun, mereka membuat persamaan prediksi spesifik jenis kelamin yang memperkirakan risiko PJK 10 tahun. Studi ini tidak dapat dilakukan hanya dengan korelasi saja — diperlukan regresi untuk memodelkan kontribusi independen dari setiap faktor risiko sambil mengendalikan faktor-faktor lainnya ( DOI: 10.1161/01.cir.97.18.1837 ).
Contoh 2: Metode Bland-Altman — Mengapa Korelasi Gagal (Lancet)
Dalam makalah mereka di Lancet tahun 1986 , Bland dan Altman menunjukkan bahwa korelasi menyesatkan ketika membandingkan dua metode pengukuran klinis. Dua alat pengukur tekanan darah dapat menunjukkan r = 0.95 dan masih berbeda rata-rata sebesar 15 mmHg — perbedaan yang secara klinis tidak dapat diterima dan disembunyikan oleh koefisien korelasi. Alternatif yang mereka usulkan, analisis batas kesepakatan, telah menjadi standar emas. Untuk penjelasan rinci, lihat panduan visual analisis Bland-Altman kami.
Contoh 3: Uji Coba SuPPoRT — Regresi Biner dalam RCT (PLOS Medicine)
Hezelgrave dkk. (2024) menggunakan regresi biner untuk membandingkan cerclage, pesarium, dan progesteron vagina untuk mencegah kelahiran prematur pada 386 wanita dengan serviks pendek. Kerangka regresi memungkinkan estimasi langsung perbedaan risiko antar kelompok perlakuan (misalnya, cerclage vs. progesteron: RD 6.2%, 95% CI: −5.0 hingga 17.0) sambil menyesuaikan variabel minimisasi. Korelasi sederhana tidak akan bermakna dalam konteks ini — pertanyaan penelitian menuntut pendekatan regresi ( DOI: 10.1371/journal.pmed.1004427 ).
Contoh 4: Schober dkk. — Tutorial Korelasi (Anestesi & Analgesia)
Schober, Boer, dan Schwarte (2018) menerbitkan tutorial yang banyak dikutip yang secara khusus membimbing para klinisi tentang penggunaan korelasi Pearson versus Spearman yang tepat. Mereka menekankan bahwa setiap koefisien korelasi memiliki asumsi spesifik, dan melanggar asumsi tersebut akan menghasilkan hasil yang menyesatkan. Makalah ini merupakan bacaan penting bagi siapa pun yang memulai studi klinis yang melibatkan korelasi ( DOI: 10.1213/ANE.0000000000002864 ).
Langkah demi Langkah: Cara Memilih Antara Regresi dan Korelasi
Ikuti kerangka pengambilan keputusan ini setiap kali Anda menganalisis hubungan antar variabel. Pendekatan ini selaras dengan pedoman yang diterbitkan dari makalah pendamping oleh Schober dkk. dan Vetter & Schober di Anesthesia & Analgesia.
Langkah 1: Tentukan pertanyaan penelitian Anda. Apakah Anda meneliti apakah ada hubungan (→ korelasi), atau memprediksi/menjelaskan suatu hasil (→ regresi)?
Langkah 2: Identifikasi variabel Anda. Apakah ada variabel dependen (hasil) yang jelas? Jika ya → regresi. Jika tidak ada variabel yang secara logis merupakan "penyebab" → korelasi.
Langkah 3: Tentukan jenis hasil yang ingin Anda analisis. Hasil kontinu → regresi linier. Biner → regresi logistik. Waktu kejadian → regresi Cox. Jumlah → regresi Poisson.
Langkah 4: Menilai jumlah prediktor. Prediktor tunggal → regresi sederhana (atau korelasi). Beberapa prediktor atau faktor pengganggu → regresi multivariabel.
Langkah 5: Periksa asumsi Anda. Untuk korelasi: linearitas, normalitas, independensi. Untuk regresi: periksa juga distribusi residual, multikolinearitas, dan homoskedastisitas.
Langkah 6: Hitung ukuran sampel Anda . Kedua metode tersebut membutuhkan kekuatan statistik yang memadai. Sebagai panduan kasar, korelasi membutuhkan setidaknya 30 pasang data untuk presisi yang wajar, sedangkan regresi membutuhkan sekitar 10–20 observasi per variabel prediktor.
Perbandingan Perangkat Lunak: Menjalankan Korelasi dan Regresi dalam Praktik
Berikut adalah panduan singkat untuk menjalankan analisis ini di perangkat lunak statistik paling populer yang digunakan dalam penelitian klinis:
| Perangkat lunak | Perintah Korelasi | Perintah Regresi |
|---|---|---|
| R | cor.test(x, y, method="pearson") | lm(y ~ x1 + x2, data) |
| SPSS | Analisis → Korelasi → Bivariat | Analisis → Regresi → Linier |
| Been | pwcorr x y, sig | regress y x1 x2 |
| GraphPad Prisma | Analisis XY → Korelasi | Analisis XY → Regresi Linier |
Bagi mahasiswa kedokteran dan peneliti pemula yang lebih menyukai alat berbasis spreadsheet, kami juga menawarkan templat Google Sheets gratis untuk analisis statistik dasar.
Bagaimana Regresi vs Korelasi Masuk ke Dalam Perangkat Statistik yang Lebih Luas
Korelasi dan regresi hanyalah dua alat dalam perangkat statistik peneliti klinis. Memahami di mana keduanya berperan akan membantu Anda memilih metode yang tepat sejak awal. Berikut adalah bagaimana keduanya berhubungan dengan teknik umum lainnya:
Uji-t membandingkan rata-rata antara dua kelompok — uji ini tidak memodelkan hubungan prediktif. Jika Anda perlu membandingkan perlakuan versus kontrol untuk hasil kontinu, lihat panduan uji-t kami dengan contoh dunia nyata.
Pencocokan skor kecenderungan (propensity score matching/PSM) adalah alternatif penyesuaian berbasis regresi untuk faktor perancu dalam studi observasional. Tutorial PSM langkah demi langkah kami menjelaskan kapan PSM mungkin lebih disukai daripada regresi multivariabel.
Meta-regresi memperluas regresi ke data gabungan dari tinjauan sistematis, memungkinkan pemeriksaan bagaimana variabel tingkat studi memengaruhi efek pengobatan. Bagi para peneliti yang melakukan tinjauan sistematis, panduan kami tentang tinjauan sistematis vs. meta-analisis dan langkah-langkah bagan alur PRISMA memberikan kerangka kerja dasar.
Bagaimana Editverse Dapat Membantu Analisis Statistik Anda
Memilih antara regresi dan korelasi — dan menerapkannya dengan benar — membutuhkan keahlian statistik yang kurang dimiliki oleh banyak peneliti klinis. Editverse menyediakan dukungan profesional di setiap tahap penelitian Anda.
Tinjauan Sistematis Lengkap + Meta-Analisis
Dari Rp 1,800
Tinjauan sistematis lengkap dengan analisis statistik.
Penyuntingan Disertasi Lengkap
$3,200
Penyuntingan profesional termasuk peninjauan metode.
Kesimpulan: Daftar Periksa Ringkasan Singkat
Memilih antara regresi dan korelasi dalam penelitian klinis bergantung pada pertanyaan penelitian Anda, variabel Anda, dan apa yang Anda butuhkan dari analisis tersebut. Berikut adalah daftar periksa referensi cepat Anda:
✅ Gunakan korelasi saat mengeksplorasi hubungan antara dua variabel kontinu tanpa asumsi arah efek, tanpa perlu penyesuaian faktor pengganggu, dan tanpa tujuan prediksi.
✅ Gunakan regresi saat memprediksi hasil, menyesuaikan faktor pengganggu, memodelkan data biner atau data waktu kejadian, atau mengukur seberapa besar prediktor mengubah hasil.
✅ Selalu periksa asumsi sebelum menjalankan analisis apa pun — dan selalu laporkan ukuran efek dengan interval kepercayaan, bukan hanya nilai p.
✅ Jangan pernah mengacaukan korelasi dengan sebab-akibat — dan jangan pernah menggunakan korelasi untuk studi perbandingan metode.
Memilih metode statistik yang tepat adalah salah satu langkah terpenting untuk memastikan manuskrip Anda diterima, bukan ditolak. Jika Anda membutuhkan panduan ahli tentang desain statistik studi Anda, hubungi tim biostatistik kami untuk konsultasi gratis.
Butuh Analisis Statistik Ahli untuk Penelitian Anda?
Mulai dari korelasi dan regresi hingga pemodelan tingkat lanjut — ahli biostatistik Editverse membantu Anda memilih dan menjalankan analisis yang tepat untuk hasil yang siap dipublikasikan.
Sumber Daya Editverse Terkait
→ Panduan 2025: Memilih Tes Statistik yang Tepat
→ Pencocokan Skor Kecenderungan: Tutorial Lengkap Langkah demi Langkah
→ Uji T dalam Uji Klinis: Contoh di Dunia Nyata
→ Analisis Bland-Altman: Panduan Visual untuk Perbandingan Metode
→ Cara Menggunakan Kalkulator Ukuran Sampel Editverse
→ Tinjauan Sistematis vs Meta-Analisis: Perbedaan Utama
→ Panduan Mudah Langkah Diagram Alir PRISMA
→ Penjelasan tentang Metrik Jurnal dan Metrik Artikel
→ Cara Memilih Jurnal untuk Makalah Penelitian Anda (2026)
→ Bagaimana Tinjauan Sistematis Mempercepat Pertumbuhan Indeks H
Referensi
- Schober P, Boer C, Schwarte LA. Koefisien Korelasi: Penggunaan dan Interpretasi yang Tepat. Anestesi Analg. 2018;126(5):1763-1768. DOI: 10.1213/ANE.0000000000002864
- Vetter TR, Schober P. Regresi: Buah Apel Tidak Jatuh Jauh dari Pohonnya. Anestesi Analg. 2018;127(1):277-283. DOI: 10.1213/ANE.0000000000003424
- Guyatt G, Walter S, Shannon H, Cook D, Jaeschke R, Heddle N. Statistik Dasar untuk Klinisi: 4. Korelasi dan Regresi. CMAJ. 1995;152(4):497-504. PMID: 7859197
- Godfrey K. Regresi Linier Sederhana dalam Penelitian Medis. N Engl J Med. 1985;313(26):1629-1636. DOI: 10.1056/NEJM198512263132604
- Wilson PW, D'Agostino RB, Levy D, Belanger AM, Silbershatz H, Kannel WB. Prediksi Penyakit Jantung Koroner Menggunakan Kategori Faktor Risiko. Sirkulasi. 1998;97(18):1837-1847. DOI: 10.1161/01.cir.97.18.1837
- Bland JM, Altman DG. Metode Statistik untuk Menilai Kesepakatan Antara Dua Metode Pengukuran Klinis. Lanset. 1986;1(8476):307-310. PMID: 2868172
- Hezelgrave NL, Suff N, Seed P, dkk. Membandingkan Cerclage Serviks, Pesarium, dan Progesteron Vagina untuk Pencegahan Kelahiran Prematur (SuPPoRT). PLoS Med. 2024; 21 (7): e1004427. DOI: 10.1371/jurnal.pmed.1004427
- Cui H, Zhang W, Zhang L, dkk. Faktor Risiko Kanker Prostat: Tinjauan Komprehensif. PLoS Med. 2024; 21 (3): e1004362. DOI: 10.1371/jurnal.pmed.1004362