Studi epidemiologi deskriptif menggambarkan paparan , penyakit, dan karekteristik populasi lainnya dengan menggunakan ukuran-ukuran kuantitatif tertentu.
Ukuran yang digunakan dapat berupa proporsi, presentase, ukuran tendensi sentral (mean, median, mode), dispersi (deviasi standar, range, persentil), insidensi (R, resiko), incidence rate (IR), prevalensi, dan population attributable rate (PAR), dan sebagainya.
Studi epidemiologi analitik mempelajari hubungan/ pengaruh paparan terhadap penyakit. Analisis data meliputi:
(1) Pengujian hipotesis tentang hubungan/ pengaruh variabel.
(2) estimasi tentang besarnya hubungan/ pengaruh variabel.
Dalam uji hipotesis, peneliti berusaha menjawab pertanyaan: "Apakah pengaruh paparan terhadap penyakit berbeda secara signifikan terhadap hipotesis nol?"
Salam estimasi, peneliti berusaha menjawab pertanyaan: "jika ada pengaruh, berapa besar pengaruh paparan tersebut terhadap penyakit?". Taksiran besarnya pengaruh disajikan dalam satu nilai terbaik (point estimate) dan rentang nilai (interval estimate) dengan tingkat keyakinan tertentu.
Berbagai model, uji statistik, dan ukuran hubungan (measures of association) telah dikembangkan untuk tujuan analisis data. Pemilihan model, uji statistik dan ukuran hubungan tergantung masalah penelitian, hipotesis, jenis dan sifat data. Sebuah penelitian bisa menggunakan lebih dari satu uji statistik, karena sebuah penelitian dapat menguji sejumlah hipotesis, atau lebih dari sebuah jenis data. Tetapi hanya sejumlah uji statistik yang lazim ditemukan dalam jurnal internasional, karena relevan dengan masalah penelitian epidemiologi/ kedokteran/ kesehatan.
Kesalahan yang sering terjadi adalah menganggap analisis regresi linier maupun analisis regresi logistik sebagai sebuah rumus/ uji statistik. Padahal TIDAK. Analisis regresi linier maupun analisis regresi logistik merupakn model analisis statistik yang menjelaskan bentuk relasi antara variabel yang dipengaruhi (Y) dan variabel -variabel yang mempengaruhi (X).
Kesalahan lainnya adalah menggunakan metode statistik yang aneh-aneh oleh orang yang tidak tahu statistik dengan tujuan agar penelitiannya dianggap "CANGGIH" atau sekedar ingin analisis statistiknya tampak "berbeda" daripada analisis umumnya.
Sumber:
Murti B (2016). Prinsip dan Metode Riset Epidemiologi. Surakarta: Universitas Sebelas Maret.
Epidemiologi berhubungan erat dengan biostatistik. Biostatistik adalah cabang ilmu statistik tentang metode untuk mengumpulkan, menata, menganalisis, menyajikan, menginterpretasikan, dan menarik kesimpulan berdasarkan data ilmiah tentang organisme hidup, baik dalam biologi, kesehatan masyarakat, maupun ilmu-ilmu kesehatan lainnya.
Ahli biostatistik mengembangkan dan menggunakan metode-metode statistik untuk memnbuat kesimpulan tentang populasi besar (inferensi), berdasarkan pengamatan pada individu.
Ahli biostatistik melakukan evaluasi data untuk digunakan sebagai bukti ilmiah.
Cara berpikir statistik tidak selalu berpengaruh positif bagi perkembangan epidemiologi. Secara intuitif para statistisi tentunya akan cenderung menggunakan metode dan tenik statistik yang paling dikuasainya daripada yang tepat untuk digunakan dalam memecahkan masalah epidemiologi.
Hal lain yang lebih parah, banyak orang menggunakan metode statistik secara salah dan sembarangan. Banyak pengguna statistik dan beberapa kalangan "akademisi" yang sok tahu, tetapi sesungguhnya tidak mengetahui kegunaan dan ketepatan penggunaan suatu metode statistik dalam memecahkan masalah penelitian. Banyak pengguna yang tidak dapat membedakan mana yang dapat dilakukan dan mana yang tidk dapat dilakukan dengan statistik dalam metode penelitian.
Banyak pengguna yang oversetimasi (berharap berlebihan) tentang statistik. Tetapi lebih banyak lagi adalah pengguna statistik yang meremehkan peran peting statistik dalam penarikan kesimpulan tentang suatu masalah penelitian dalam penelitian kuantitatif.
Contoh kesalahan umum dari pengguna statistik:
Berkaitan dengan penggunaan uji statistik pada analisis data. Banyak pengguna mengira bahwa "signifukan secara statistik" pada nilai p< 0.05 seolah-olah kriteria sakral yang harus dipenuhi oleh setiap penelitian yang baik.
Selain itu, nilai p hampir selalu disalahartikan merupakan ukuran yang menunjukkkan ada tidaknya hubungan/ pengaruh, maupun ukuran yang menunjukkan kekuatan hubungan/ pengaruh.
Sebagai contoh, jika analisis tentang hubungan antara dua variabel menghasilkan p=0.150, maka disimpulkan bahwa kedua variabel tersebut tidak berhubungan. Cara berpikir yang keliru seperti itu sering terungkap dalam skripsi, tesis, disertasi, seminar-seminar, diskusi, maupun ujian. Banyak "akademisi" yang tersesat sampai pada tahap dimana kemaknaan statistik dianggap lebih penting daripada validitas penelitian. Tidak kurang parahnya, banyak peneliti dan editor jurnal mendewakan kemaknaan statistik, sehingga cenderung untuk hanya melaporkan atau menerbitkan temuan-temuan hubungan/ pengaruh variabel yang secara statistik signifikan, dan menyembunyikan hasil-hasil yang secara statistik tidak signifikan, suatu tradisi keblinger yang disebut bias publikasi (publication bias).
Sesungguhnya kemaknaan statistik dengan "cut off" p=0.05 tidak ada hubungannya dengan kualitas penelitian. Nilai p tidak ada hubungannya dengan validitas maupun kemaknaan praktis hasil penelitian. demikian juga nilai p bukan merupakan ukuran yang menunjukkkan hubungan/ pengaruh.
sebagai contoh, dalam penelitian hubungan antara paparan dan penyakit, hasil analisis yang menunjukkan p >= 0.05 tidak berarti bahwa tidak ada hubungan antara paparan dan penyakit. Demikian juga nilai p>= 0.05 tidak dapat dengan sendiriknya digunakan dasar untuk menyatakan bahwa hubungan antara paparan dengan penyakit tersebut tidak valid. Sebab nilai p bukan merupakan ukuran yang menunjukkan apakah penelitian yang bersangkutan mengalami bias ataupun kerancuan (confounding) sehingga disebut tidak valid. Tidak jarang faktor risiko yang sesungguhnya penting dianggap tidak penting, dan lolos dari perhatian, hanya karena tidak memenuhi kriteria kemaknaan p<0.05.
Lebih jauh lagi, betapapun validnya hubungan statistik antara paparan dan penyakit (yakni, katakanlah semua bias disingkirkan dan semua kerancuan dikendalikan) tidak dengan sendirinya dapat diartikan bahwa hubungan tersebut kausal.
Statistik merupakan alat penting dalam epidemiologi. Tetapi jika statistik sebagai alat dalam penelitian digunakan secara salah (missue) atau disalahgunakan (abuse), maka nilai dan kegunaan penelitian akan rusak. Menggunakan statistik secara salah ibarat menggunakan kampak untuk diseksi kadaver, atau menggunakan skapel untuk menggergaji kranium dalam operasi bedah syaraf.
Sumber:
Murti B (2016). Prinsip dan Metode Riset Epidemiologi. Surakarta: Universitas Sebelas Maret.
