MANOVA DAN GLM

Konsep analisis varians multivariat diperkenalkan lebih dari 70 tahun lalu oleh Wilks [26]. Namun, tidak sampai pengembangan uji statistik yang tepat dengan distribusi diajukan dan ketersediaan luas yang lebih baru dari program komputer untuk menghitung statistik ini bahwa MANOVA menjadi alat praktis bagi para peneliti. Kedua ANOVA dan MANOVA sangat berguna bila digunakan bersama dengan desain eksperimental, yaitu penelitian desain di mana peneliti secara langsung mengendalikan atau memanipulasi satu atau lebih variabel independen untuk mengetahui pengaruh terhadap variabel dependen (s).ANOVA dan MANOVA menyediakan alat yang diperlukan untuk menilai efek yang diamati (yaitu, apakah perbedaan yang diamati adalah karena efek perbaikan atau terhadap variabilitas random sampling).Namun, MANOVA memiliki peran dalam desain nonexperimental (misalnya, penelitian survei) di mana kelompok-kelompok kepentingan (misalnya, jenis kelamin, pembeli / nonpurchaser) didefinisikan dan kemudian perbedaan pada sejumlah variabel metrik (misalnya, sikap, kepuasan, harga pembelian) dinilai untuk signifikansi statistik.

SYARAT Sebelum memulai bab ini, meninjau istilah kunci untuk mengembangkan pemahaman tentang konsep dan terminologi yang akan digunakan. Sepanjang bab ini istilah kunci dicetak tebal Poin lain penekanan dalam bab dan istilah kunci referensi silang yang dicetak miring.. Alpha (a) tingkat Signifikansi terkait dengan uji statistik atas perbedaan antara dua atau lebih kelompok. Biasanya, nilai-nilai kecil, seperti .05 atau .01, diperinci untuk meminimalkan kemungkinan membuat kesalahan Tipe I Analisis varians (ANOVA) teknik statistik digunakan untuk menentukan apakah sampel dari dua atau lebih kelompok berasal dari populasi dengan cara yang sama. (yaitu, Apakah sarana kelompok berbeda secara signifikan?). Analisis varian memeriksa satu ukuran tergantung, sedangkan analisis multivariat varians membandingkan perbedaan kelompok pada dua atau lebih variabel tergantung. Tes apriori Lihat perbandingan direncanakan.. Beta (P) Lihat kesalahan Tipe II.

Memblokir faktor Karakteristik responden di ANOVA atau MANOVA yang digunakan untuk mengurangi variabilitas dalam kelompok dengan menjadi faktor tambahan dalam analisis.Paling sering digunakan sebagai variabel kontrol (yaitu, karakteristik tidak dimasukkan dalam analisis tapi satu perbedaan yang diharapkan atau diusulkan).Dengan termasuk faktor blocking dalam analisis, kelompok tambahan terbentuk yang lebih homogen dan meningkatkan kesempatan untuk menunjukkan perbedaan yang signifikan. Sebagai contoh, asumsikan bahwa pelanggan ditanya tentang niat mereka membeli suatu produk dan ukuran independen yang digunakan adalah usia. Pengalaman sebelumnya menunjukkan bahwa variasi substansial dalam membeli niat untuk produk lain dari jenis ini juga disebabkan gender. Lalu jenis kelamin dapat ditambahkan sebagai faktor lebih lanjut sehingga setiap kategori usia terpecah menjadi kelompok pria dan wanita dengan lebih besar dalam kelompok homogenitas Bonfenoni Pendekatan ketidaksetaraan untuk menyesuaikan tingkat alfa yang dipilih untuk mengendalikan Jenis secara keseluruhan saya tingkat kesalahan saat melakukan seri.tes terpisah. Prosedur ini melibatkan menghitung nilai kritis baru dengan membagi tingkat alpha yang diusulkan dengan jumlah uji statistik yang akan dilakukan. Misalnya, jika tingkat signifikansi .05 diinginkan untuk serangkaian lima tes yang terpisah, maka tingkat 01 (05-f 5) digunakan dalam setiap tes yang terpisah. Box M tes, tes statistik untuk kesetaraan varians -kovarians matriks dari variabel-variabel dependen di seluruh kelompok.Hal ini terutama sensitif terhadap kehadiran variabel tidak normal.Penggunaan tingkat signifikansi konservatif (yaitu, 01 atau kurang) disarankan sebagai penyesuaian untuk sensitivitas dari statistik. Kontras Prosedur untuk menyelidiki perbedaan kelompok tertentu yang menarik dalam hubungannya dengan ANOVA dan MANOVA (misalnya, membandingkan kelompok berarti perbedaan untuk sepasang tertentu kelompok). Kovariat, atau Gunakan analisis kovariat regresi seperti prosedur untuk menghapus asing (gangguan) variasi dalam karena satu atau lebih independen metrik yang tidak terkontrol tergantung variabel variabel (kovariat). Para kovariat diasumsikan berhubungan linier terhadap variabel dependen.Setelah disesuaikan dengan pengaruh kovariat, sebuah ANOVA standar atau MANOVA dilakukan Proses penyesuaian (dikenal sebagai ANCOVA atau MANCOVA) biasanya memungkinkan untuk tes lebih sensitif dari efek perbaikan.

Nilai Kritik, Nilai penting dari uji statistik (uji t, uji F) yang menunjukkan tingkat signifikansi yang ditentukan. Sebagai contoh, 1,96 menunjukkan tingkat signifikansi .05 untuk uji t dengan ukuran sampel. Diskriminan fungsi Dimensi perbedaan atau diskriminasi antara kelompok dalam analisis MANOVA.Fungsi diskriminan adalah variate variabel dependen. Interaksi Disordinal Bentuk interaksi antara variabel independen yang membatalkan interpretasi efek utama dari perawatan.Sebuah interaksi disordinal yang dipamerkan grafis dengan memplot sarana bagi setiap kelompok dan memiliki garis berpotongan atau menyeberang.Dalam jenis interaksi perbedaan berarti tidak hanya bervariasi, mengingat kombinasi unik dari tingkat variabel independen, tetapi urutan relatif perubahan kelompok juga. Pengaruh ukuran Standar dari perbedaan kelompok yang digunakan dalam perhitungan kekuatan statistik. Dihitung sebagai perbedaan dalam kelompok berarti dibagi dengan standar deviasi, itu kemudian sebanding di studi penelitian sebagai ukuran umum dari efek (yaitu, perbedaan dalam cara kelompok). Desain rencana Penelitian Eksperimental di mana peneliti secara langsung memanipulasi atau mengontrol satu atau lebih variabel independen (lihat perbaikan atau faktor) dan menilai efeknya pada variabel dependen.Biasa dalam ilmu fisika, hal ini mulai populer dalam bisnis dan ilmuilmu sosial.Misalnya, responden diperlihatkan iklan terpisah yang bervariasi secara sistematis pada suatu karakteristik, seperti banding berbeda (emosional dibandingkan rasional) atau jenis presentasi (warna dibandingkan hitam-putih) dan kemudian diminta sikap mereka, evaluasi, atau perasaan terhadap berbeda iklan. Tingkat Kesalahan Experimentwide Tingkat kesalahan atau gabungan secara keseluruhan bahwa hasil dari melakukan tes t beberapa atau tes F yang terkait (misalnya, tes t di antara serangkaian pasangan variabel berkorelasi atau serangkaian tes t di antara pasang kategori dalam variabel multichotomous) . Faktor variabel independen Nonmetric, juga disebut sebagai perbaikan atau variabel eksperimental. Rancangan factorial.Desain dengan lebih dari satu faktor (perlakuan).Desain faktorial meneliti efek dari beberapa faktor secara bersamaan dengan membentuk kelompok berdasarkan semua kemungkinan kombinasi dari tingkat (nilai) dari variabel berbagai perlakuan.

Model Umum linear (GLM) estimasi prosedur Generalized berdasarkan tiga komponen: (1) sebuah variate dibentuk oleh kombinasi linear dari variabel bebas, (2) distribusi probabilitas yang ditentukan oleh peneliti berdasarkan karakteristik variabel-variabel dependen, dan (3 ) persimpangan link yang menunjukkan hubungan antara variate dan distribusi probabilitas. Hotelling yang T
2,

Test untuk menilai signifikansi statistik perbedaan pada cara dua atau lebih

variabel antara dua kelompok. Ini adalah kasus khusus dari MANOVA digunakan dengan dua kelompok atau tingkat variabel perbaikan. Independen Kritis asumsi ANOVA atau MANOVA yang mengharuskan bahwa tindakan tergantung untuk setiap responden secara total berkorelasi dengan tanggapan dari responden lain dalam sampel. Kurangnya kemandirian sangat mempengaruhi validitas statistik analisis kecuali tindakan korektif diambil. Pengaruh interaksi Dalam desain faktorial, efek gabungan dari dua variabel perbaikan selain efek utama individu.Ini berarti bahwa perbedaan antara kelompok pada satu variabel perbaikan bervariasi tergantung pada tingkat variabel perlakuan kedua.Sebagai contoh, asumsikan bahwa responden diklasifikasikan oleh pendapatan (tiga tingkat) dan jenis kelamin (laki-laki dibandingkan perempuan). Sebuah interaksi yang nyata akan ditemukan ketika perbedaan antara pria dan wanita pada variabel independen (s) bervariasi secara substansial di tiga tingkat pendapatan. Hubungan fungsi Komponen utama dari model linier umum (GLM) yang menentukan transformasi antara variate variabel independen dan distribusi probabilitas tertentu.Dalam MANOVA (dan regresi) link identitas digunakan dengan distribusi normal, sesuai dengan asumsi statistik kami normalitas. Dampak utamanya Dalam desain faktorial, efek individu dari setiap variabel perlakuan terhadap variabel dependen. Generalisasi distribusi normal multivariat dari distribusi normal univariate dengan kasus variabel hal.Sebuah distribusi normal multivariat kelompok sampel adalah asumsi dasar yang dibutuhkan untuk validitas tes signifikansi dalam MANOVA. Hipotesis nol Hipotesis dengan sampel yang berasal dari populasi dengan mean sama (yaitu, sarana kelompok adalah sama) baik untuk variabel dependen (pengujian univariate) atau satu set variabel dependen (pengujian multivariate). Hipotesis null dapat diterima atau ditolak tergantung pada hasil uji signifikansi statistik.

jenisinteraksi ordinal diterima dari interaksi di mana besaran perbedaan antara kelompok bervariasi tetapi posisi relatif kelompok 'tetap konstan. Hal ini diwakili oleh grafis nilai mean dan mengamati garis nonparallel yang tidak berpotongan. Orthogonal statistik independen atau tidak adanya asosiasi.Variates Orthogonal menjelaskan variansi yang unik, tanpa penjelasan varians dibagi antara mereka.Kontras ortogonal direncanakan perbandingan yang secara statistik independen dan mewakili perbandingan yang unik dari cara kelompok. Pillai kriteria uji perbedaan multivariat mirip dengan lambda Wilks '. Perbandingan RencanaTes apriori yang tes perbandingan tertentu dari kelompok berarti perbedaan.Tes ini dilakukan bersamaan dengan tes untuk efek utama dan interaksi dengan menggunakan kontras. Post hoc test test statistik perbedaan rata-rata dilakukan setelah uji statistik untuk efek utama telah dilakukan.Paling sering, post hoc tes tidak menggunakan kontras tunggal, melainkan menguji perbedaan antara semua kemungkinan kombinasi dari kelompok.Meskipun mereka memberikan informasi diagnostik yang melimpah, mereka melakukan penggelembungan aku Tipe tingkat kesalahan keseluruhan dengan melakukan beberapa uji statistik dan dengan demikian harus menggunakan tingkat kepercayaan diri yang ketat. DayaProbabilitas mengidentifikasi efek perbaikan ketika itu benar-benar ada dalam sampel.Daya didefinisikan sebagai 1 - P (lihat beta) Power ditentukan sebagai fungsi dari tingkat signifikansi statistik (a) yang ditetapkan oleh peneliti untuk kesalahan Tipe I, ukuran sampel yang digunakan dalam analisis, dan efek ukuran sedang diperiksa. . Tindakan berulang Penggunaan dua atau lebih tanggapan dari satu individu dalam analisis ANOVA atau MANOVA.Tujuan dari desain tindakan diulang adalah untuk mengontrol tingkatindividu perbedaan yang dapat mempengaruhi varians dalam kelompok. Tindakan berulang mewakili kurangnya kemandirian yang harus diperhitungkan dengan cara yang khusus dalam analisis. Replikasi berulang administrasi percobaan dengan maksud untuk memvalidasi hasil di lain sampel responden. Roy terbesar akarStatistik (GCR) karakteristik untuk menguji hipotesis nol di MANOVA.Ini tes fungsi diskriminan pertama dari variabel-variabel dependen karena kemampuannya untuk melihat perbedaan kelompok.

Tingkat signifikansi Lihat alfa. Stepdown analisis uji kekuatan diskriminatif penambahan variabel dependen setelah efek dari variabel dependen lainnya telah diperhitungkan Mirip dengan regresi bertahap atau analisis diskriminan, prosedur ini, yang bergantung pada urutan tertentu masuk, menentukan berapa banyak yang tergantung tambahan variabel menambah penjelasan tentang perbedaan antara kelompok dalam analisis MANOVA. Statistik statistik t Test yang menilai signifikansi statistik antara dua kelompok pada variabel dependen tunggal (lihat uji t). Ujit Test untuk menilai signifikansi statistik perbedaan antara dua sampel berarti untuk variabel dependen tunggal.Uji t adalah kasus khusus dari ANOVA untuk dua kelompok atau tingkat variabel perbaikan. Perbaikan Independen variabel {faktor) yang peneliti memanipulasi untuk melihat efek (jika ada) terhadap variabel dependen.Variabel perbaikan dapat memiliki beberapa tingkatan.Sebagai contoh, intensitas yang berbeda banding iklan mungkin dimanipulasi untuk melihat efek pada kepercayaan konsumen. Tipe I Probabilitas kesalahan menolak hipotesis nol ketika harus diterima, yaitu, menyimpulkan bahwa dua cara sangat berbeda ketika di kaki mereka adalah sama. Nilai-nilai kecil dari alfa (misalnya, .05 atau .01), juga dilambangkan sebagai, menyebabkan penolakan hipotesis nol dan menerima hipotesis alternatif bahwa mean populasi tidak sama. Error Tipe II Probabilitas gagal untuk menolak hipotesis nol ketika harus ditolak, yaitu, menyimpulkan bahwa dua cara yang tidak berbeda nyata padahal sebenarnya mereka berbeda. Juga dikenal sebagai kesalahan (fi) beta.Lihat statistikUlambda Wilks '. Variate Linear kombinasi variabel. Dalam MANOVA, variabel-variabel dependen yang dibentuk menjadi variates dalam diskriminan fungsi (s) Set Vector dari bilangan real. (misalnya, X 1 ... X ") yang dapat ditulis dalam kolom atau baris. Vektor kolom dianggap konvensional, dan vektor baris dianggap ditransposisikan. Kolom vektor dan vektor baris akan ditampilkan sebagai berikut:

MANOVA: MEMPERLUAS METODE PENILAIAN UNIVARIAT PERBEDAAN GROUP

Banyak sekali teknik multivariat adalah ekstensi teknik univariat, seperti dalam kasus untuk regresi ganda, yang diperpanjang regresi sederhana (hanya dengan satu variabel bebas) untuk analisis multivariat di mana dua atau lebih variabel independen dapat digunakan. Situasi yang sama ditemukan dalam menganalisis perbedaan kelompok. Prosedur-prosedur ini

diklasifikasikan sebagai univariat bukan karena jumlah variabel independen (dikenal sebagai perlakuan atau faktor), tetapi bukan karena jumlah variabel dependen.Dalam regresi, istilah univariat dan multivariat mengacu pada jumlah variabel independen, tetapi untuk ANOVA dan MANOVA terminologi berlaku untuk penggunaan variabel dependen tunggal atau ganda.Kedua teknik ini telah lama dikaitkan dengan analisis desain eksperimental. Teknik-teknik univariat untuk menganalisis perbedaan kelompok adalah uji t (dua kelompok) dan analisis varians (ANOVA) untuk dua atau lebih kelompok.Prosedur setara multivariat adalah T Hotelling 2 dan analisis multivariat varians, masing-masing. Hubungan antara prosedur univariat dan multivariat adalah sebagai berikut:

Number of Dependent Variables Number of Groups in Independent Variable Two Groups (Specialized Case) Two or More Groups (Generalized Case) One (Univariate) t test Analysis of variance (ANOVA) Two or More (Multivariate) Hotelling's 7* Multivariate analysis of variance (MANOVA)

Uji t dan T

Hotelling yang digambarkan sebagai kasus khusus dalam bahwa mereka dibatasi

untuk menilai hanya dua kelompok (kategori) untuk variabel independen.Kedua ANOVA dan MANOVA juga dapat menangani situasi kelompok dua serta analisis alamat dimana variabel independen memiliki lebih dari dua kelompok. Sebuah tinjauan dari kedua uji t dan ANOVA tersedia dalam lampiran Statistik Dasar di situs Web ( www.pearsonhighered.com / hair atau www.mvstats.com ).

Prosedur Multivariat Menilai Perbedaan Grup Sebagai prosedur inferensi statistik, baik teknik univariat (t test dan ANOVA) dan ekstensi multivariat mereka (Hotelling yang T
2

dan MANOVA) digunakan untuk menilai

signifikansi statistik perbedaan antara kelompok.Pada uji t dan ANOVA, hipotesis null yang diuji adalah kesetaraan sarana tunggal variabel dependen di seluruh kelompok.Dalam teknik multivariat, hipotesis nol yang diuji adalah kesetaraan vektor sarana pada beberapa variabel dependen di seluruh kelompok.Perbedaan antara hipotesis diuji dalam ANOVA dan MANOVA diilustrasikan pada Gambar 1.Dalam kasus univariat, ukuran tergantung tunggal diuji untuk kesetaraan di kelompok.Dalam kasus multivariat, sebuah variate diuji untuk kesetaraan.Konsep variate adalah instrumental dalam diskusi kebanyakan teknik multivariat. Dalam MANOVA, peneliti sebenarnya memiliki dua variates, satu untuk variabelvariabel dependen dan satu lagi untuk variabel independen. Para variate variabel dependen adalah kepentingan lebih karena pengukuran metrik-dependen dapat dikombinasikan dalam kombinasi linear seperti telah kita lihat dalam regresi ganda dan analisis diskriminan.Aspek unik dari MANOVA adalah bahwa variate optimal menggabungkan langkah-langkah tergantung beberapa menjadi nilai tunggal yang memaksimalkan perbedaan antar kelompok.

KASUS DUA GROUP: HOTELLING'S T 2 Asumsikan bahwa peneliti tertarik pada kedua banding dan niat pembelian dihasilkan oleh dua pesan iklan. Jika hanya digunakan analisis univariat, para peneliti akan melakukan tes t terpisah pada peringkat kedua banding dari pesan dan niat pembelian dihasilkan oleh pesan. Namun dua langkah saling terkait, dengan demikian, apa yang sebenarnya diinginkan adalah uji perbedaan antara pesan pada kedua variabel kolektif. Di sinilah Hotelling yang T khusus dari MANOVA dan perpanjangan langsung dari uji t univariat, dapat digunakan. Mengontrol untuk Tipe I Error Rate.Hotelling T
2 2,

bentuk

yang menyediakan tes statistik dari lrom

terbentuk variate variabel tergantung, yang menghasilkan perbedaan kelompok terbesar.Ini juga membahas masalah menggembungkan Tipe I error rate yang timbul saat melakukan serangkaian tes t berarti kelompok tergantung pada tindakan beberapa.Dia mengontrol ini inflasi dari tingkat kesalahan Tipe I dengan memberikan tes secara keseluruhan tunggal perbedaan kelompok di semua variabel dependen pada tingkat tentukan. Bagaimana Hotelling T
2

yang mencapai tujuan tersebut? Perhatikan persamaan berikut untuk

variate variabel tergantung: C + W = 2 X 2 + + W "X" dimana C = skor komposit atau variate untuk responden Wi= berat untuk variabel terikat i X t = variabel dependen i

Dalam contoh kita, peringkat daya tarik pesan digabungkan dengan niat pembelian untuk membentuk komposit. Untuk setiap set timbangan, kita bisa hitung skor komposit untuk setiap responden dan kemudian menghitung statistik t biasa untuk perbedaan antara kelompok pada skor komposit. Namun, jika kita dapat menemukan satu set bobot yang memberikan nilai maksimum untuk statistik t untuk ini set data, bobot akan sama sebagai fungsi diskriminan antara kedua kelompok. Statistik maksimum t yang dihasilkan dari skor komposit yang dihasilkan oleh fungsi diskriminan dapat squared untuk menghasilkan nilai yang Hotelling T 2 [11]. Rumus komputasi untuk Hotelling T
2

yang merupakan hasil derivasi matematika yang

digunakan untuk memecahkan statistik t maksimum (dan, secara implisit, kombinasi linear yang paling membedakan dari variabel tergantung). Hal ini setara dengan mengatakan bahwa jika kita dapat menemukan fungsi diskriminan untuk kedua kelompok yang menghasilkan T signifikan kedua kelompok dianggap berbeda di seluruh vektor mean. Pengujian statistik Bagaimana Hotelling T 2 yang menyediakan uji hipotesis tidak ada perbedaan kelompok pada vektor nilai rata-rata?.Hanya sebagai statistik t mengikuti distribusi terkenal di bawah hipotesis nol tidak ada pengaruh perlakuan pada variabel dependen tunggal, Hotelling T
2 2,

yang mengikuti distribusi terkenal di bawah hipotesis nol tidak ada efek perbaikan pada salah satu dari serangkaian langkah-langkah tergantung. Distribusi ini ternyata menjadi sebuah distribusi F dengan p dan U
1

+U

- l derajat kebebasan setelah penyesuaian (dimana p =

2,

jumlah variabel tergantung). Untuk mendapatkan nilai kritis untuk Hotelling yang T

kita

menemukan nilai diajukan untuk Fcrit pada tingkat yang ditentukan dan menghitung T2crit sebagai berikut:

KASUS K-GROUP: MANOVA Sama seperti ANOVA adalah perpanjangan dari uji t, MANOVA dapat dianggap sebagai perpanjangan dari
2

prosedur T Hotelling itu. Kami

merancang bobot variabel dependen untuk menghasilkan skor variate untuk setiap responden yang berbeda secara maksimal di semua kelompok. Banyak dari masalah desain analisis yang sama dibahas untuk ANOVA berlaku untuk MANOVA, tetapi metode uji statistik berbeda dengan konsep yang ANOVA.

Analisis Desain. Semua masalah desain analisis berlaku untuk ANOVA (jumlah tingkat per faktor, jumlah faktor, dll) juga berlaku untuk MANOVA. Selain itu, jumlah variabel tergantung dan hubungan di antara tindakan ini tergantung mengangkat permasalahan-permasalahan tambahan yang akan dibahas kemudian. MANOVA memungkinkan peneliti untuk menilai dampak dari beberapa variabel independen tidak hanya pada variabel tergantung individu, tetapi pada variabel dependen secara bersama juga. Pengujian statistik.Dalam kasus dua kelompok, sekali variate terbentuk, prosedur ANOVA pada dasarnya digunakan untuk mengidentifikasi apakah ada perbedaan Dengan tiga atau lebih kelompok (baik dengan memiliki satu variabel bebas dengan tiga tingkat atau dengan menggunakan dua atau lebih variabel independen), analisis perbedaan kelompok menjadi lebih dekat bersekutu dengan analisis diskriminan.Selama tiga atau lebih kelompok, seperti dalam analisis diskriminan, variates beberapa langkah tergantung terbentuk. Para variate pertama, disebut fungsi diskriminan, menetapkan satu set bobot yang memaksimalkan perbedaan antar kelompok, sehingga memaksimalkan nilai F. Nilai F maksimum itu sendiri memungkinkan kita untuk menghitung secara langsung apa yang disebut terbesar akar karakteristik Roy (GCR) statistik, yang memungkinkan untuk tes statistik dari fungsi diskriminan pertama. Statistik akar terbesar karakteristik dapat dihitung sebagai [11]: Roysgcr = (k - 1) F m J {N - k) Untuk mendapatkan tes tunggal dari hipotesis bahwa tidak terdapat perbedaan kelompok ini vektor pertama skor rata-rata, kita bisa mengacu pada tabel distribusi GCR Roy. Hanya sebagai statistik F mengikuti distribusi yang diketahui di bawah hipotesis nol kelompok setara berarti pada variabel dependen tunggal, statistik GCR mengikuti distribusi terkenal di bawah hipotesis nol dari vektor mean kelompok setara (yaitu, berarti kelompok yang setara pada seperangkat tergantung ukuran). Suatu perbandingan dari GCR teramati dengan GCR ^ Roy memberi kita dasar untuk menolak hipotesis nol keseluruhan vektor mean kelompok setara. Setiap fungsi diskriminan selanjutnya adalah orthogonal, mereka memaksimalkan perbedaan antar kelompok berdasarkan variance sisa tidak dijelaskan oleh fungsi sebelumnya (s). Dengan demikian, dalam banyak kasus, tes untuk perbedaan antara kelompok tidak hanya melibatkan nilai variate pertama, tetapi juga satu set nilai variate yang dievaluasi secara bersamaan. Dalam kasus ini, serangkaian tes multivariat tersedia (misalnya, Wilks 'lambda, Pillai kriteria), masingmasing paling cocok untuk situasi khusus pengujian ini variates ganda.

Perbedaan Antara MANOVA dan Analisis Diskriminan.Kami mencatat sebelumnya bahwa di MANOVA uji statistik menggunakan fungsi diskriminan, yang merupakan variate variabel tergantung yang memaksimalkan perbedaan antar kelompok. Pertanyaan yang mungkin timbul: Apakah perbedaan antara MANOVA dan analisis diskriminan? Dalam beberapa aspek, MANOVA dan analisis diskriminan merupakan pencerminan.Variabel tergantung dalam MANOVA (satu set variabel metrik) adalah variabel independen dalam analisis diskriminan, dan variabel terikat tunggal nonmetric analisis diskriminan menjadi variabel independen dalam MANOVA. Selain itu, baik menggunakan metode yang sama dalam membentuk variates dan menilai signifikansi statistik antara kelompok. Perbedaan, bagaimanapun, pusat sekitar tujuan dari analisis dan peran variabel nonmetric (s).

Analisis diskriminan mempekerjakan variabel nonmetric tunggal sebagai variabel dependen. Kategori-kategori dari variabel dependen diasumsikan seperti yang diberikan, dan variabel independen digunakan untuk membentuk variates yang maksimal berbeda antara kelompok yang dibentuk oleh kategori variabel dependen.

MANOVA menggunakan set variabel metrik sebagai variabel dependen dan tujuan menjadi mencari kelompok responden yang menunjukkan perbedaan pada set variabel dependen.

Kelompok-kelompok

responden

tidak

ditetapkan

sebelumnya,

melainkan

peneliti

menggunakan satu atau lebih variabel independen (variabel nonmetric) untuk membentuk kelompok.MANOVA, bahkan ketika membentuk kelompok ini, masih mempertahankan kemampuan untuk menilai dampak dari setiap variabel nonmetric secara terpisah. ILUSTRASI hipotetis DARI MANOVA Contoh sederhana dapat menggambarkan manfaat menggunakan MANOVA sementara juga menggambarkan menggunakan dua variabel independen untuk menilai perbedaan pada dua variabel dependen. Asumsikan bahwa iklan HBAT yang mengidentifikasi dua karakteristik iklan HBAT itu (jenis produk yang diiklankan dan status pelanggan), yang mereka pikir perbedaan disebabkan dalam cara orang mengevaluasi iklan. Mereka meminta departemen penelitian untuk mengembangkan dan melaksanakan penelitian untuk menilai dampak dari karakteristik ini pada evaluasi iklan.

Analisis Desain Dalam merancang penelitian, tim peneliti mendefinisikan unsur-unsur berikut yang berkaitan dengan faktor yang digunakan, variabel tergantung, dan ukuran sampel: Faktor-faktor: Dua faktor yang didefinisikan mewakili Jenis Produk dan Status Pelanggan. Untuk setiap faktor, dua tingkat juga didefinisikan: jenis produk (produk 1 dibandingkan produk 2) dan status pelanggan (customer saat ini versus mantan pelanggan). Dalam menggabungkan kedua variabel, kita mendapatkan empat kelompok yang berbeda: Product Type Customer Status Product 1 Current Customer Group 1 Ex-Customer Group 2 Product 2 Group 3 Group 4

Dependent variabel: Evaluasi iklan HBAT digunakan dua variabel (kemampuan untuk mendapatkan perhatian dan persuasif) diukur dengan skala 10-point. Contoh: Responden menunjukkan iklan dan diminta untuk menilai mereka pada tergantung-ent langkah dua (lihat Tabel 1).

Perbedaan dari Analisis Diskriminan Meskipun MANOVA mengkonstruksi variate dan menganalisa perbedaan dalam cara yang mirip dengan analisis diskriminan, dua teknik sangat berbeda dalam bagaimana kelompok dibentuk dan dianalisis.Mari kita gunakan contoh berikut untuk menggambarkan perbedaan-perbedaan:

Dengan analisis diskriminan, kami hanya dapat menguji perbedaan antara set empat kelompok, tanpa membedakan karakteristik sebuah kelompok (jenis produk atau status pelanggan).Peneliti akan dapat menentukan apakah variate berbeda nyata hanya di kelompok, tapi tidak bisa menilai mana karakteristik kelompok yang berkaitan dengan perbedaan ini.

Dengan MANOVA, bagaimanapun, peneliti menganalisis perbedaan pada kelompok sementara juga menilai apakah perbedaan adalah karena jenis produk, jenis pelanggan, atau keduanya.Dengan demikian, MANOVA memfokuskan analisis terhadap komposisi kelompok berdasarkan karakteristik mereka (variabel independen).

MANOVA memungkinkan peneliti untuk mengajukan sebuah desain penelitian yang lebih kompleks dengan menggunakan sejumlah variabel nonmetric independen (dalam batas-batas) untuk membentuk kelompok dan kemudian mencari perbedaan yang signifikan dalam variate variabel dependen yang terkait dengan variabel nonmetric tertentu.

Membentuk variate dan MenilaiPerbedaan Dengan MANOVA kita bisa menggabungkan beberapa langkah tergantung ke variate tunggal yang kemudian akan dinilai atas perbedaan di satu atau lebih variabel independen.Mari kita lihat bagaimana variate terbentuk dan digunakan dalam contoh kita. Asumsikan untuk contoh ini bahwa dua ukuran tergantung (perhatian dan pembelian) sama-sama tertimbang ketika dijumlahkan ke dalam nilai variate (variate total = scoreayuty
untuk

mendapatkan perhatian + scorepdsnasiveness).Langkah pertama adalah identik dengan analisis diskriminan dan memberikan nilai komposit tunggal dengan variabel tertimbang untuk mencapai maksimum perbedaan antara kelompok. Dengan variate terbentuk, sekarang kita dapat menghitung sarana untuk masing-masing empat kelompok serta sarana keseluruhan untuk setiap tingkat.Dari Tabel 1 kita dapat melihat beberapa pola:

Kelompok empat berarti untuk total variabel komposit (yaitu, 4,25, 8,25,11,75, dan 14,0) bervariasi secara signifikan antara masing-masing kelompok, yang sangat berbeda satu sama lain.Jika kita menggunakananalisis criminantdisdengan keempat kelompok ditentukan sebagai ukuran tergantung, akan menghalangi saya bahwa perbedaan yang signifikan muncul pada variabel komposit dan juga bahwa kedua variabel dependen (perhatian dan pembelian) tidak memberikan kontribusi pada perbedaan.Namun dalam melakukannya, kita masih akan punya wawasan tentang bagaimana dua variabel bebas memberikan kontribusi terhadap perbedaan ini.

MANOVA, bagaimanapun, melampaui menganalisis hanya perbedaan di seluruh kelompok dengan menilai apakah jenis produk dan / atau status pelanggan dibuat kelompok dengan perbedaan ini.Penentuan ini dilakukan dengan mengevaluasi kategori berarti (dilambangkan dengan simbol ),yang ditunjukkan pada Gambar 2 bersama dengan cara kelompok individu (dua baris menghubungkan kelompok-e x-pelanggan dan pelanggan -fatau produk 1 dan produk 2).Jika kita melihat jenis produk (mengabaikan perbedaan mengenai status pelanggan), kita dapat melihat nilai rata-rata 8,0 untuk pengguna produk 1 versus nilai rata-rata 11,125 untuk pengguna produk 2.Demikian pula untuk status pelanggan, mantan pelanggan memiliki nilai rata-rata 6,25 dan pelanggan nilai rata-rata 12,875.Pemeriksaan vpermasalahanal menunjukkan bahwa kategori baik berarti menunjukkan perbedaan signifikan, dengan perbedaan untuk jenis pelanggan (12,875-6,25 = 6,625) lebih besar dari itu untuk produk (11,125-8,00 = 3,125).

Dengan mampu mewakili kategori ini berarti variabel independen dalam analisis, analisis MANOVA tidak hanya menunjukkan bahwa perbedaan secara keseluruhan antara empat kelompok memang terjadi (seperti yang dilakukan dengan analisis diskriminan), tetapi juga bahwa kedua jenis pelanggan dan jenis produk kontribusi yang signifikan terhadap membentuk kelompok-kelompok yang berbeda. Oleh karena itu, baik karakteristik "menyebabkan" perbedaan yang signifikan, tidak menemukan mungkin dengan analisis diskriminan.

PROSES KEPUTUSAN UNTUK MANOVA Proses melakukan analisis varians multivariat mirip dengan yang ditemukan di banyak teknik multivariat lainnya, sehingga dapat dijelaskan melalui proses enam-tahap model bangunan. Proses ini dimulai dengan spesifikasi tujuan penelitian. Ini kemudian mulai sejumlah permasalahan desain feeing analisis multivariat dan kemudian analisis dari asumsi yang

mendasari MANOVA. Dengan permasalahan yang dibahas, proses berlanjut dengan estimasi dari model MANOVA dan penilaian model fit secara keseluruhan. Ketika model MANOVA diterima ditemukan, maka hasilnya dapat diinterpretasikan lebih terinci.Langkah terakhir melibatkan upaya untuk memvalidasi hasil untuk memastikan generalisasi ke populasi. Gambar 3 (tahap 1-3) dan Gambar 4 (tahap 4-6, kemudian ditampilkan dalam teks) memberikan gambaran grafis dari proses, yang dibahas secara rinci dalam bagian berikut.

TAHAP 1: TUJUAN MANOVA Pemilihan MANOVA didasarkan pada keinginan untuk menganalisis hubungan ketergantungan direpresentasikan sebagai perbedaan dalam seperangkat tindakan tergantung di serangkaian kelompok yang dibentuk oleh satu atau lebih tindakan independen kategoris.Dengan demikian, MANOVA merupakan alat analisis yang kuat yang cocok untuk beragam pertanyaan penelitian. Apakah digunakan dalam situasi aktual atau kuasi-eksperimental (yaitu pengaturan

lapangan, atau penelitian survei yang independen adalah tindakan kategoris), MANOVA dapat memberikan wawasan tidak hanya sifat dan kekuatan prediksi dari langkah-langkah independen tetapi juga keterkaitan dan perbedaan terlihat pada set tindakan tergantung.

Ketika Kita Harus Gunakan MANOVA? Dengan kemampuan untuk memeriksa langkah-langkah tergantung secara bersamaan, peneliti dapat memperoleh dalam beberapa cara dari penggunaan MANOVA. Di sini kita membahas masalah dalam menggunakan MANOVA dariperspektif pengendalian akurasi statistik dan efisiensi dengan tetap menyediakan forum yang tepat untuk menguji pertanyaan multivariat. PENGENDALIAN TINGKAT KESALAHAN EXPERIMENTWIDE Penggunaan ANOVAs univariat terpisah atau tes t dapat membuat masalah ketika mencoba untuk mengontrol tingkat kesalahan expcrimentwide [12], Sebagai contoh, asumsikan bahwa kita mengevaluasi serangkaian lima variabel dependen oleh ANOVAs terpisah, setiap kali menggunakan .05 sebagai tingkat signifikansi. Mengingat ada perbedaan nyata dalam variabel dependen, kita akan mengharapkan untuk mengamati dampak yang signifikan pada setiap persen tergantung diberikan variabel 5 waktu. Namun, di lima kami tes terpisah, probabilitas kesalahan tipe I terletak di antara 5 persen, jika semua variabel tergantung berkorelasi sempurna, dan 23 persen (1-0,95s), jika semua variabel yang bergantung berkorelasi. Dengan demikian, serangkaian uji statistik terpisah meninggalkan kita tanpa kendali Jenis efektif kami secara keseluruhan atau experimentwide saya tingkat kesalahan.Jika peneliti menginginkan untuk mempertahankan kontrol atas tingkat kesalahan expcrimentwide dan setidaknya beberapa tingkat hubungan tersebut hadir antara variabel dependen, maka MANOVA adalah tepat.

PERBEDAAN ANTARA Sebuah KOMBINASI VARIABEL TERGANTUNG Serangkaian tes univariat ANOVA juga mengabaikan kemungkinan bahwa beberapa (kombinasi linier) gabungan dari variabel-variabel dependen dapat memberikan bukti adanya perbedaan kelompok secara keseluruhan yang mungkin tidak terdeteksi dengan memeriksa setiap variabel dependen secara terpisah. Tes individu mengabaikan korelasi antara variabel dependen dan dengan adanya multikolinieritas antar variabel tergantung, MANOVA akan lebih kuat daripada tes univariat terpisah dalam beberapa cara:

MANOVA dapat mendeteksi perbedaan gabungan tidak ditemukan dalam tes univariat.

Jika variates beberapa terbentuk, maka mereka dapat memberikan dimensi perbedaan yang dapat membedakan antara kelompok-kelompok lebih baik dari variabel tunggal.

Jika jumlah variabel dependen disimpan relatif rendah (lima atau lebih sedikit), kekuatan statistik dari tes MANOVA sama atau melebihi yang diperoleh dengan ANOVA tunggal [4],

Pertimbangan yang melibatkan ukuran sampel, jumlah variabel tergantung, dan kekuatan statistik yang dibahas dalam bagian berikutnya. Jenis Pertanyaan multivariat Yang Sesuai untuk MANOVA Keuntungan dari MANOVA versus serangkaian ANOVAs univariat memperpanjang masa lalu masalah statistik dalam kemampuannya untuk menyediakan satu metode pengujian berbagai pertanyaan berbeda multivariat.Sepanjang teks, kami menekankan sifat saling tergantung analisis multivariat.MANOVA memiliki fleksibilitas untuk memungkinkan peneliti untuk memilih uji statistik yang paling tepat untuk pertanyaan yang memprihatinkan.Tangan dan Taylor [10] telah mengklasifikasikan masalah multivariat ke dalam tiga kategori, masing-masing mempekerjakan berbagai aspek MANOVA dalam resolusi.Ketiga kategori tersebut adalah beberapa univariat, multivariat pertanyaan terstruktur, dan intrinsik multivariat. PERTANYAAN univariat GANDA Seorang peneliti mempelajari pertanyaan univariat beberapa mengidentifikasi sejumlah variabel dependen yang terpisah (misalnya, usia, pendapatan, pendidikan konsumen) yang akan dianalisis secara terpisah tetapi perlu kontrol atas tingkat kesalahan experimentwide. Dalam hal ini, MANOVA digunakan untuk menilai apakah perbedaan secara keseluruhan ditemukan antara kelompok, dan kemudian tes univariat terpisah yang digunakan untuk mengatasi masalah individu untuk setiap variabel dependen. PERTANYAAN MULTIVARIAT TERSTRUKTUR Seorang peneliti berhadapan dengan pertanyaan multivariat terstruktur mengumpulkan dua atau lebih tergantung tindakan yang memiliki hubungan tertentu di antara mereka.Situasi umum dalam kategori ini diulang langkah-langkah, di mana beberapa tanggapan dikumpulkan dari setiap mata pelajaran, mungkin dari waktu ke waktu atau dalam paparan pretest-posttest terhadap rangsangan tertentu, seperti iklan.Berikut MANOVA menyediakan metode terstruktur untuk menentukan perbandingan dari perbedaan kelompok pada seperangkat tindakan tergantung tetap menjaga efisiensi statistik.

PERTANYAAN intrinsik MULTIVARIAT Pertanyaan intrinsik multivariat melibatkan seperangkat tindakan tergantung di mana perhatian utama adalah bagaimana mereka berbeda secara keseluruhan di seluruh kelompok.Perbedaan tentang langkah-langkah tergantung individu yang menarik kurang dari efek kolektif mereka.Salah satu contoh adalah pengujian tindakan beberapa respon yang harus konsisten, seperti sikap, preferensi, dan niat untuk membeli, semua yang berhubungan dengan kampanye iklan yang berbeda. Kekuatan penuh MANOVA digunakan dalam hal ini dengan menilai tidak hanya perbedaan secara keseluruhan, tetapi juga perbedaan antara kombinasi dari tindakan tergantung yang tidak akan dinyatakan menjadi jelas. Jenis pertanyaan yang dilayani dengan baik oleh kemampuan MANOVA untuk mendeteksi perbedaan multivariat, bahkan ketika ada tes tunggal univariat menunjukkan perbedaan.

Memilih Tindakan Dependent Dalam mengidentifikasi pertanyaan-pertanyaan yang tepat untuk MANOVA, penting juga untuk membahas perkembangan pertanyaan penelitian, khususnya pemilihan tindakan

tergantung.Masalah yang umum ditemui dengan MANOVA adalah kecenderungan peneliti untuk menyalahgunakan salah satu nya kekuatan-kemampuan untuk menangani langkah-demi tergantung multiple termasuk variabel tanpa dasar yang kuat konseptual atau teoritis.Masalah terjadi ketika hasil menunjukkan bahwa subset dari variabel dependen memiliki kemampuan untuk mempengaruhi interpretasi dari perbedaan secara keseluruhan antara kelompok-kelompok. Jika beberapa langkah tergantung dengan perbedaan kuat tidak benar-benar tepat untuk pertanyaan penelitian, perbedaan kemudian "palsu" dapat menyebabkan peneliti untuk menarik kesimpulan yang salah tentang set secara keseluruhan. Dengan demikian, peneliti harus selalu meneliti tindakan tergantung dan membentuk alasan yang kuat untuk mereka termasuk.Setiap Urutan variabel, seperti efek sekuensial mungkin, juga harus diperhatikan.MANOVA menyediakan tes, analisis stepdown khusus, untuk menilai perbedaan statistik secara berurutan, seperti penambahan variabel untuk analisis regresi. Singkatnya, peneliti harus menilai semua aspek dari pertanyaan penelitian hati-hati dan memastikan bahwa MANOVA diterapkan dalam cara yang benar dan paling kuat. Bagian berikut membahas berbagai permasalahan yang berdampak pada keabsahan dan keakuratan

MANOVA, namun, pada akhirnya tanggung jawab peneliti untuk menggunakan teknik dengan benar. ATURAN THUMB 1 Keputusan Proses untuk MANOVA

MANOVA merupakan perluasan dari ANOVA yang meneliti pengaruh satu atau lebih variabel ent Independensi nonmetric pada dua atau lebih variabel dependen metrik

Selain kemampuan untuk menganalisis variabel dependen ganda, MANOVA juga memiliki keuntungan dari:

Mengontrol

tingkat

kesalahan

experimentwide

ketika

beberapa

derajat

intercorrelation antara variabel dependen hadir

Menyediakan lebih dari kekuatan statistik ANOVA ketika jumlah variabel terikat adalah lima atau lebih sedikit

Variabel independen Nonmetric membuat grup yang antara variabel-variabel dependen yang dibandingkan; banyak kali kelompok ini mewakili variabel eksperimental atau "efek perbaikan"

Para peneliti harus mencakup hanya variabel dependen yang memiliki dukungan teoritis yang kuat

TAHAP 2: PERMASALAHAN DALAM DESAIN PENELITIAN MANOVA MANOVA mengikuti semua prinsip-prinsip desain dasar dari ANOVA, namun dalam beberapa kasus sifat multivariat dari tindakan tergantung memerlukan perspektif yang unik. Pada bagian berikut kita akan meninjau prinsip-prinsip desain dasar dan menggambarkan masalahmasalah unik yang timbul dalam analisis MANOVA. Contoh Ukuran Persyaratan-keseluruhan dan oleh Grup MANOVA, seperti semua teknik multivariat lainnya, dapat sangat dipengaruhi oleh ukuran sampel yang digunakan.Apa yang paling berbeda untuk MANOVA (dan teknik lain menilai perbedaan kelompok seperti uji t dan ANOVA) adalah bahwa persyaratan sampel ukuran berhubungan dengan ukuran kelompok individu dan tidak total sampel per se. Sejumlah permasalahan dasar timbul mengenai ukuran sampel dibutuhkan dalam MANOVA:

Sebagai minimal, sampel dalam setiap sel (kelompok) harus lebih besar dari jumlah variabel dependen. Meskipun kekhawatiran ini mungkin tampak kecil, masuknya hanya sejumlah kecil variabel dependen (dari 5 sampai 10) dalam analisis menempatkan kendala kadang-kadang mengganggu pada pengumpulan data. Masalah ini sangat umum di bidang eksperimen atau survei penelitian, dimana peneliti kurang memiliki kendali atas sampel dicapai.

Sebagai panduan praktis, ibu Mini ukuran sel yang direkomendasikan adalah 20 observasi. Sekali lagi, ingat kuantitas ini adalah per kelompok, yang memerlukan sampel secara keseluruhan cukup besar bahkan untuk analisis yang cukup sederhana. Dalam contoh sebelumnya kita pesan iklan, kami hanya memiliki dua faktor, masing-masing dengan dua tingkat, tetapi analisis ini akan membutuhkan 80 pengamatan untuk suatu analisis yang andal.

Karena jumlah kenaikan variabel tergantung, ukuran sampel yang diperlukan untuk mempertahankan kenaikan kekuatan statistik juga. Kami akan menunda pembahasan kita tentang ukuran sampel dan daya hingga bagian berikutnya, tetapi sebagai contoh, dibutuhkan sampel ukuran meningkat hampir 50 persen sebagai jumlah variabel dependen pergi dari dua menjadi hanya enam.

Peneliti harus berusaha untuk mempertahankan ukuran sampel yang sama atau mendekati sama per kelompok. Meskipun program komputer dapat dengan mudah mengakomodasi ukuran kelompok yang tidak sama, tujuannya adalah untuk memastikan bahwa ukuran sampel yang cukup tersedia untuk semua kelompok. Dalam banyak contoh, efektivitas analisis ditentukan oleh ukuran kelompok terkecil, sehingga selalu membuat pertimbangan ukuran sampel perhatian utama.

Desain Faktor -Dua atau Lebih Perbaikan Banyak kali peneliti ingin mengetahui pengaruh beberapa variabel bebas atau perawatan dibandingkan hanya dengan menggunakan perbaikan tunggal baik dalam ANOVA atau uji MANOVA.Kemampuan ini adalah perbedaan utama antara MANOVA dan analisis diskriminan untuk dapat menentukan dampak dari beberapa variabel bebas dalam membentuk kelompok dengan perbedaan kelompok yang signifikan.Analisis dengan dua atau lebih perlakuan (faktor)

yang disebut desain faktorial.Secara umum, desain dengan perawatan n disebut desain faktorial n arah. PEMILIHAN Perbaikan. Penggunaan paling umum dari desain faktorial melibatkan pertanyaan penelitian yang berhubungan dua atau lebih variabel independen nonmetric untuk satu set variabel dependen. Dalam hal ini, variabel independen yang ditetapkan dalam desain eksperimen atau termasuk dalam desain percobaan lapangan atau kuesioner survei. Jenis Perbaikan. Sebagaimana dibahas di seluruh bab ini, perbaikan atau faktor adalah variabel independen nonmetric dengan nomor ditetapkan tingkat (kategori). Setiap tingkat mewakili kondisi yang berbeda atau karakteristik yang mempengaruhi variabel terikat (s).Dalam sebuah percobaan perawatan ini dan tingkat dirancang oleh peneliti dan dikelola dalam percobaan Di lapangan atau penelitian survei, mereka adalah karakteristik responden dikumpulkan oleh peneliti dan kemudian dimasukkan dalam analisis. Namun dalam beberapa kasus, perbaikan diperlukan selain yang di desain analisis asli.Penggunaan paling umum dari perbaikan tambahan adalah untuk mengendalikan karakteristik yang mempengaruhi variabel tergantung tetapi bukan bagian dari desain penelitian.Dalam hal ini peneliti menyadari kondisi (misalnya, metode pengumpulan data) atau karakteristik responden (misalnya, lokasi gender, geografis, dll) yang berpotensi menciptakan perbedaan dalam tindakan tergantung.Meskipun mereka adalah bukan variabel independen kepentingan penelitian, mengabaikan mereka mengabaikan potensi sumber perbedaan itu, meninggalkan belum ditemukan, mungkin mengaburkan beberapa hasil yang menarik bagi penelitian. Cara paling langsung untuk memperhitungkan efek seperti adalah melalui faktor blocking, yang merupakan karakteristik nonmetric digunakan post hoc untuk segmen responden.Tujuannya adalah untuk mengelompokkan responden untuk mendapatkan lebih besar dalam kelompok homogenitas dan mengurangi sumber MS
B

dari varians.Dengan demikian, kemampuan tes

statistik untuk mengidentifikasi perbedaan ditingkatkan. Asumsikan dalam contoh iklan kami sebelumnya kami menemukan bahwa laki-laki secara umum menunjukkan reaksi yang berbeda dari betina ke iklan. Jika gender kemudian digunakan sebagai faktor blocking, kita dapat mengevaluasi efek dari variabel independen secara terpisah untuk pria dan wanita. Mudah-mudahan, pendekatan ini akan membuat efek lebih jelas daripada ketika kita menganggap mereka berdua bereaksi sama dengan tidak membuat perbedaan pada

gender. Efek dari jenis pesan dan jenis pelanggan sekarang dapat dievaluasi untuk pria dan wanita secara terpisah, menyediakan tes yang lebih tepat dari efek masing-masing. Dengan demikian, setiap karakteristik nonmetric dapat dimasukkan langsung ke dalam analisis untuk memperhitungkan dampaknya pada kebijakan tergantung. Namun, jika variabel yang Anda ingin mengontrol adalah metrik, mereka dapat dimasukkan sebagai kovariat, yang akan dibahas pada bagian berikutnya. Jumlah Perbaikan.Salah satu keuntungan dari teknik multivariat adalah penggunaan beberapa variabel dalam analisis tunggal. Untuk MANOVA, fitur ini berkaitan dengan jumlah variabel dependen yang dapat dianalisis secara bersamaan. Seperti sudah dibahas, jumlah variabel dependen mempengaruhi ukuran sampel yang diperlukan dan masalah lain. Tapi bagaimana dengan jumlah perawatan (yaitu, variabel independen)? Meskipun ANOVA dan MANOVA dapat menganalisis beberapa perawatan pada saat yang sama, beberapa pertimbangan terkait dengan jumlah perawatan dalam analisis. Jumlah Sel Dibentuk Mungkin permasalahan yang paling membatasi yang melibatkan beberapa perawatan melibatkan jumlah sel (kelompok) terbentuk. Seperti dijelaskan dalam contoh kita sebelumnya, jumlah sel adalah produk dari jumlah tingkat untuk setiap perbaikan Sebagai contoh, jika kita memiliki dua perlakuan dengan dua tingkat masing-masing dan satu perbaikan dengan empat tingkat, total 16 sel (2 X 2 X 4 = 16) akan terbentuk. Mempertahankan ukuran sampel yang cukup untuk setiap sel (dengan asumsi 20 responden per sel) maka akan membutuhkan jumlah sampel 320. Ketika diterapkan pada data eksperimen survei atau lapangan, bagaimanapun, meningkatkan jumlah sel menjadi jauh lebih problematis.Karena penelitian lapangan umumnya tidak mampu untuk mengelola survei secara individual untuk setiap sel dari desain, peneliti harus merencanakan untuk sampel keseluruhan cukup besar untuk mengisi setiap sel dengan m minimu diperlukan. Proporsi dari total sampel dalam setiap sel yang paling mungkin sangat bervariasi (yaitu, beberapa sel akan jauh lebih mungkin terjadi daripada yang lain), terutama karena meningkatnya jumlah sel. Dalam situasi seperti itu, peneliti harus merencanakan ukuran sampel lebih besar dari ukuran ditentukan dengan mengalikan jumlah sel oleh sel um minim per. Mari kita lihat kembali ke contoh kita sebelumnya untuk menggambarkan masalah ini. Asumsikan bahwa kita memiliki desain dua faktor sederhana dengan dua tingkat untuk setiap faktor (2 x 2). Jika ini desain empat sel adalah sebuah eksperimen terkontrol, peneliti akan bisa

secara acak menetapkan 20 responden per sel untuk ukuran sampel keseluruhan 80. Apa yang kemudian jika itu adalah survei lapangan? Jika memiliki kemungkinan yang sama bahwa responden akan jatuh ke dalam setiap sel, maka peneliti bisa mendapatkan sampel total 80 dan setiap sel harus memiliki sampel dari 20. Proporsi rapi tersebut dan sampel jarang terjadi.Bagaimana jika satu sel dianggap mewakili hanya 10 persen dari populasi? Jika kita menggunakan sampel total 80, maka sel ini akan diharapkan untuk memiliki sampel dari hanya 8. Jadi, jika peneliti menginginkan sampel 20 bahkan untuk sel kecil, sampel secara keseluruhan harus ditingkatkan menjadi 200. Kecuali rencana sampling canggih digunakan untuk memastikan sampel yang diperlukan per sel, meningkatkan jumlah sel (sehingga kemungkinan proporsi populasi yang tidak sama di seluruh sel) akan membutuhkan ukuran sampel yang lebih besar daripada dalam percobaan terkontrol. Kegagalan untuk melakukannya akan menciptakan situasi di mana sifat statistik analisa dapat nyata berkurang. Penciptaan Efek Interaksi Setiap waktu lebih dari satu perbaikan yang digunakan, efek interaksi yang tercipta.Istilah interaksi merupakan efek gabungan dari dua atau lebih perlakuan. Dalam istilah sederhana, ini berarti bahwa perbedaan antara kelompok satu perbaikan tergantung pada nilai-nilai perbaikan lain. Mari kita lihat contoh sederhana: Asumsikan bahwa kita memiliki dua perlakuan: wilayah (Timur vs Barat) dan status pelanggan (pelanggan dan noncustomer). Pertama, asumsikan bahwa pada variabel terikat (sikap terhadap HBAT) pelanggan mencetak 15 poin lebih tinggi dari nonkonsumen. Namun, interaksi wilayah dan status pelanggan akan menunjukkan bahwa jumlah perbedaan antara pelanggan dan noncustomer tergantung pada wilayah pelanggan. Sebagai contoh, ketika kita memisahkan dua wilayah, kita bisa melihat bahwa pelanggan dari Timur mencetak 25 poin lebih tinggi dari nonpelanggan di Timur, sementara di Barat perbedaannya hanya 5 poin.Dalam kedua kasus pelanggan dinilai lebih tinggi, tetapi jumlah perbedaan tergantung pada daerah. Hasil ini akan menjadi interaksi dua perlakuan. Hal interaksi diciptakan untuk setiap kombinasi variabel perbaikan.Dua arah interaksi variabel diambil dua sekaligus.Tiga arah interaksi adalah kombinasi dari tiga variabel, dan sebagainya.Jumlah perbaikan menentukan jumlah istilah interaksi mungkin. Grafik berikut menunjukkan interaksi dibuat untuk dua, tiga, dan empat variabel independen:

Kami akan membahas berbagai jenis hal interaksi dan interpretasi mereka pada bagian berikut, namun peneliti harus siap untuk menafsirkan dan menjelaskan hal interaksi, apakah signifikan atau tidak, tergantung pada pertanyaan penelitian. Jelas, pertimbangan ukuran sampel adalah yang paling penting, namun peneliti tidak boleh mengabaikan implikasi dari istilah interaksi.Selain menggunakan setidaknya satu derajat kebebasan untuk setiap interaksi, mereka menyajikan masalah penafsiran dibahas dalam stadium 4. Menggunakan kovariat-ANCOVA dan MANCOVA Kita bahas sebelumnya penggunaan faktor blocking untuk mengontrol pengaruh terhadap variabel terikat yang bukan bagian dari desain penelitian namun perlu diperhitungkan dalam analisis.Hal ini memungkinkan peneliti untuk mengendalikan variabel nonmetric, tapi bagaimana dengan variabel metrik? Salah satu pendekatan adalah untuk mengkonversi variabel metrik ke dalam variabel nonmetric (misalnya, median split, dll), tetapi proses ini umumnya dianggap tidak memuaskan karena banyak informasi yang terdapat dalam variabel metrik hilang dalam konversi. Pendekatan kedua adalah untuk menyertakan variabel metrik sebagai kovariat.Variabel ini dapat mengekstrak pengaruh asing dari variabel dependen, sehingga meningkatkan varians dalam kelompok (MS W). Proses dua langkah berikut: 1. Prosedur serupa dengan regresi linier yang digunakan untuk menghapus variasi dalam variabel dependen yang terkait dengan satu atau lebih kovariat. 2. Sebuah analisis konvensional dilakukan pada variabel dependen disesuaikan. Dalam arti sederhana, menjadi analisis residual regresi sekali efek dari kovariat (s) dihapus.

Bila digunakan dengan ANOVA, analisis ini disebut analisis kovarians (ANCOVA) dan perpanjangan sederhana dari prinsip-prinsip ANCOVA untuk multivariat (variabel dependen beberapa) analisis disebut MANCOVA.

TUJUAN ANALISIS KOVARIANSI Tujuan dari kovariat adalah untuk menghilangkan efek bahwa (1) hanya mempengaruhi sebagian dari responden atau (2) bervariasi antara responden. Mirip dengan penggunaan faktor blocking, analisis kovariat dapat mencapai dua tujuan spesifik: 1. Untuk menghilangkan beberapa kesalahan sistematis di luar kendali peneliti yang dapat bias hasil 2. Untuk menjelaskan perbedaan dalam respon karena karakteristik unik dari responden Dalam pengaturan percobaan, bias yang paling sistematis bisa dihilangkan dengan penugasan acak responden untuk berbagai perbaikan.Namun, dalam penelitian nonexperimental, kontrol tersebut tidak mungkin.Sebagai contoh, dalam pengujian iklan, efek mungkin berbeda tergantung pada waktu, siang atau komposisi penonton dan reaksi mereka.Selain itu, perbedaan pribadi, seperti sikap atau pendapat, dapat mempengaruhi tanggapan, tetapi analisis tidak memasukkan mereka sebagai faktor perlakuan.Peneliti menggunakan kovariat untuk mengambil setiap perbedaan karena perbedaan faktor-faktor ini sebelum efek dari percobaan dihitung. PEMILIHAN kovariat Sebuah kovariat efektif adalah salah satu yang sangat berhubungan dengan variabel dependen (s) tetapi tidak berkorelasi dengan variabel independen.Mari kita periksa mengapa.Varians dalam variabel dependen membentuk dasar dari istilah kesalahan kita.

Jika kovariat tersebut berkorelasi dengan variabel dependen dan bukan variabel independen (s), kita dapat menjelaskan beberapa perbedaan dengan kovariat (melalui regresi linear), meninggalkan residu lebih kecil (dijelaskan) varians dalam variabel dependen. Ini varians residual menyediakan jangka kesalahan kecil (MS W) untuk statistik F dan dengan demikian tes yang lebih efisien dari efek perbaikan. Jumlah dijelaskan dengan kovariat tidak berkorelasi tidak akan dijelaskan oleh variabel independen tetap (karena kovariat tidak berkorelasi dengan variabel independen). Dengan demikian, uji variabel independen (s) adalah lebih sensitif dan kuat.

Namun, jika kovariat tersebut berkorelasi dengan variabel independen (s), maka kovariat akan menjelaskan beberapa varian yang dapat dijelaskan oleh variabel independen dan mengurangi dampaknya. Karena kovariat diekstrak pertama, variasi terkait dengan kovariat tidak tersedia untuk variabel independen.

Jadi, sangat penting bahwa peneliti memastikan bahwa korelasi dari kovariat dan variabel independen (s) cukup kecil sehingga penurunan kekuatan penjelas dari mengurangi varians yang bisa dijelaskan oleh variabel independen (s) adalah kurang dari penurunan varians tidak dapat dijelaskan terkait dengan kovariat. Jumlah kovariat.Sebuah pertanyaan umum melibatkan berapa banyak kovariat untuk menambah analisis. Meskipun peneliti ingin menjelaskan sebagai efek asing sebanyak mungkin, terlalu besar nomor akan mengurangi efisiensi statistik dari prosedur. Sebuah aturan praktis [13] menyatakan bahwa jumlah maksimum kovariat adalah sebagai berikut: Jumlah maksimum kovariat = (X .10 Besar sampel) - (Jumlah kelompok - 1) Misalnya, untuk ukuran sampel 100 responden dan 5 kelompok, jumlah kovariat harus kurang dari 6 [6 = .10 x 100 - (5 - 1)].Namun, hanya dua kelompok, analisis bisa mencakup sampai sembilan kovariat. Peneliti harus selalu berusaha untuk meminimalkan jumlah kovariat, sementara masih memastikan bahwa kovariat efektif tidak dihilangkan, karena dalam banyak kasus, terutama dengan ukuran sampel yang kecil, mereka nyata dapat meningkatkan sensitivitas tes statistik. Asumsi untuk Analisis Kovarian. Dua persyaratan untuk penggunaan analisis kovarians adalah sebagai berikut: 1. Para kovariat harus memiliki beberapa hubungan (korelasi) dengan langkahlangkah tergantung. 2. Para kovariat harus memiliki homogenitas efek regresi, yang berarti bahwa kovariat (s) memiliki efek sama terhadap variabel terikat di seluruh kelompok. Dalam hal regresi, ini menunjukkan sama koefisien untuk semua kelompok. Tes statistik yang tersedia untuk menilai apakah asumsi ini berlaku untuk setiap variate co digunakan.Jika salah satu dari persyaratan tersebut tidak terpenuhi, maka penggunaan kovariat adalah tidak tepat.

MANOVAdan Desain ANOVA lain Banyak jenis desain ANOVA ada dan dibahas dalam standar teks rancangan percobaan [15,19,22], Setiap desain memiliki pasangan ANOVA multivariat tersebut; yaitu, setiap ANOVA pada variabel dependen tunggal dapat diperluas untuk desain MANOVA. Untuk

menggambarkan fakta ini, kita harus membahas masing-masing desain ANOVA secara rinci. Jelas, ini jenis diskusi tidak mungkin dalam satu bab karena seluruh buku yang dikhususkan untuk subjek desain ANOVA. Untuk informasi lebih lanjut, pembaca disebut lebih berorientasi statistik teks [1,2,5,7, 8,9,11,20,25]. Kasus Khusus MANOVA: Tindakan yang berulang Kami membahas beberapa situasi di mana kita ingin menguji perbedaan pada langkah-langkah tergantung beberapa. Sebuah situasi khusus dari jenis ini terjadi ketika responden yang sama memberikan beberapa langkah, seperti nilai tes dari waktu ke waktu, dan kami ingin memeriksa mereka untuk melihat apakah tren pun muncul. Tanpa perlakuan khusus, kita akan melanggar asumsi yang paling penting, independen. Khusus model MANOVA, disebut berulang langkahlangkah model, akun untuk ketergantungan ini dan masih memastikan apakah perbedaan terjadi di seluruh individu untuk set variabel dependen. Perspektif dalam-orang penting sehingga setiap orang ditempatkan pada pijakan yang sama. Sebagai contoh, asumsikan kita menilai peningkatan pada nilai tes lebih semester.Kita harus menjelaskan nilai tes sebelumnya dan bagaimana mereka berhubungan dengan skor kemudian, dan kita mungkin mengharapkan untuk melihat tren yang berbeda untuk mereka yang memiliki skor awal yang rendah dibandingkan tinggi.Jadi, kita harus sesuai nilai masing-masing responden saat melakukan analisis.Perbedaan kita tertarik menjadi berapa banyak setiap perubahan orang, belum tentu perubahan kelompok berarti lebih dari semester. ATURAN THUMB 2 Penelitian Desain MANOVA

Sel (kelompok) dibentuk oleh kombinasi variabel independen, misalnya, variabel tiga kategori-berdarah nonmetric (misalnya, rendah, sedang, tinggi) yang dikombinasikan dengan variabel dua kategori nonmetric (misalnya, jenis kelamin jantan dan betina) akan menghasilkan desain 3 2 X dengan enam sel (kelompok)

Ukuran sampel per kelompok adalah masalah desain kritis: Ukuran sampel minimum per kelompok harus lebih besar dari jumlah variabel tergantung Ukuran minimum yang disarankan adalah 20 sel pengamatan per sel (kelompok) Para peneliti harus mencoba untuk memiliki ukuran sampel yang kira-kira sama per sel (kelompok)

Dan variabel kovariat pemblokiran adalah cara yang efektif untuk mengontrol pengaruh luar terhadap variabel dependen yang tidak secara langsung terwakili dalam variabel independen

Sebuah kovariat efektif adalah salah satu yang sangat berhubungan dengan variabel dependen (s) tetapi tidak berkorelasi dengan variabel bebas

Jumlah maksimum kovariat dalam model harus (.10 X Ukuran sampel) - (Jumlah kelompok - 1)

Kami tidak membahas rincian langkah-langkah model diulang dalam teks ini karena merupakan bentuk khusus dari MANOVA. Pembaca yang tertarik disebut sejumlah perawatan yang sangat baik tentang masalah [1,2,5,7,8,9,11,20,25]. TAHAP 3: ASUMSI DARI ANOVA DAN MANOVA Prosedur pengujian univariate ANOVA dijelaskan dalam bab ini berlaku (dalam arti statistik) jika diasumsikan bahwa variabel dependen terdistribusi secara normal, kelompok-kelompok independen dalam respon mereka terhadap variabel terikat, dan varians adalah sama untuk semua kelompok perlakuan . Beberapa bukti [19,27], bagaimanapun, menunjukkan bahwa F tes di ANOVA yang kuat berkaitan dengan asumsi-asumsi ini kecuali dalam kasus ekstrim. Untuk prosedur pengujian MANOVA untuk multivariat masih berlaku, asumsi tiga harus dipenuhi

Pengamatan harus independen. Varians-kovarians matriks harus sama untuk semua kelompok perlakuan. Himpunan variabel dependen harus mengikuti distribusi normal multivariat (yaitu, kombinasi linier dari variabel dependen harus mengikuti distribusi normal) [11],

Selain asumsi statistik yang ketat, peneliti juga harus memperhatikan beberapa permasalahan yang mempengaruhi kemungkinan efek-yaitu, linieritas dan multikolinieritas dari variate variabel dependen.

Independen Pelanggaran yang paling dasar, namun yang paling serius, dari asumsi berasal dari kurangnya independen antara pengamatan, yang berarti bahwa jawaban dalam setiap sel (kelompok) tidak dibuat secara independen dari tanggapan dalam kelompok lain. Pelanggaran asumsi ini dapat terjadi dengan mudah dalam situasi eksperimental serta nonexperimental. Setiap jumlah efek asing dan tidak terukur dapat mempengaruhi hasil dengan menciptakan ketergantungan antara kelompok, tetapi dua dari pelanggaran yang paling umum independen berikut: Time-memerintahkan efek (korelasi serial) yang terjadi jika tindakan dilakukan dari waktu ke waktu, bahkan dari responden yang berbeda

Mengumpulkan informasi dalam pengaturan kelompok, sehingga pengalaman yang umum (seperti ruang bising atau membingungkan set instruksi) akan menyebabkan subset dari individu (orang-orang dengan pengalaman umum) memiliki jawaban yang agak berkorelasi

Meskipun tidak ada tes memberikan kepastian yang mutlak untuk mendeteksi semua bentuk ketergantungan, peneliti harus mengeksplorasi semua kemungkinan efek dan mengoreksi mereka jika ditemukan.Salah satu solusi potensial adalah untuk menggabungkan mereka dalam kelompok-kelompok dan menganalisis skor rata-rata kelompok itu bukan nilai dari responden yang terpisah. Pendekatan lain adalah dengan menggunakan faktor memblokir atau beberapa bentuk analisis variate co untuk memperhitungkan ketergantungan. Dalam kedua kasus, atau ketika ketergantungan dicurigai, peneliti harus menggunakan tingkat signifikansi yang lebih ketat (01 atau bahkan lebih rendah).

Kesetaraan Varians Kovarian-Matriks Asumsi kedua MANOVA adalah kesetaraan matriks kovariansi di seluruh kelompok.Di sini kita prihatin dengan perbedaan besar dalam jumlah varians dari satu kelompok versus lain untuk variabel dependen (mirip dengan masalah heteroskedastisitas dalam regresi ganda). Dalam MANOVA, dengan variabel tergantung ganda, yang menarik adalah di varians-kovarians matriks dari tindakan tergantung untuk setiap kelompok. Uji varians kesetaraan adalah sangat "ketat" tes karena bukan varians yang sama untuk sebuah variabel tunggal dalam ANOVA, uji MANOVA meneliti semua elemen dari matriks kovarians dari variabel dependen. Sebagai contoh, untuk 5 variabel tergantung, 5 korelasi dan 10 covari-

ances semua diuji untuk kesetaraan di kelompok.Akibatnya, kenaikan jumlah variabel tergantung dan / atau jumlah sel / kelompok dalam analisis membuat tes lebih sensitif untuk menemukan perbedaan dan dengan demikian mempengaruhi tingkat signifikansi yang digunakan untuk menentukan apakah pelanggaran telah terjadi. Program MANOVA melakukan tes untuk kesetaraan dari kovarian matriks-biasanya Box M-test dan memberikan tingkat signifikansi untuk uji statistik yang menunjukkan kemungkinan perbedaan antara kelompok. Dengan demikian, peneliti mencari perbedaan tidak signifikan antara kelompok, dan tingkat signifikansi yang diamati uji statistik dianggap diterima jika kurang signifikan dari nilai ambang batas untuk perbandingan. Misalnya, jika tingkat 01 dianggap sebagai ambang batas untuk menunjukkan pelanggaran asumsi, nilai lebih besar dari 01 (misalnya, .02) akan dianggap diterima karena mereka menunjukkan tidak ada perbedaan antara kelompok, sedangkan nilai yang kurang dari 01 ( misalnya, .001) akan bermasalah karena mereka menunjukkan bahwa perbedaan signifikan yang hadir. Mengingat sensitivitas tes M Box dengan ukuran matriks kovarians dan jumlah kelompok dalam analisis, desain penelitian bahkan sederhana (empat hingga enam kelompok) dengan sejumlah kecil variabel dependen akan ingin menggunakan untuk menggunakan tingkat yang sangat konservatif perbedaan yang signifikan (misalnya, .01 daripada .05) ketika menilai apakah perbedaan yang hadir. Dengan meningkatnya kompleksitas desain, bahkan tingkat lebih konservatif signifikansi dapat dianggap diterima. Kotak itu tes M sangat sensitif terhadap penyimpangan dari normalitas [11, 23].Dengan demikian, kita harus selalu memeriksa normalitas univariat dari semua tindakan tergantung sebelum melakukan tes ini. Untungnya, pelanggaran terhadap asumsi ini memiliki dampak minimal jika kelompok adalah ukuran kira-kira sama (yaitu, ukuran terbesar kelompok-sTerkecil ukuran kelompok <1,5). Jika ukuran kelompok berbeda lebih dari jumlah ini dan tingkat signifikansi uji Box M tidak berada dalam tingkat yang dapat diterima, maka peneliti memiliki beberapa pilihan:

Pertama, menerapkan salah satu dari varian-menstabilkan transformasi yang tersedia dan tes ulang untuk melihat apakah masalah telah diperbaiki.

Jika varians tidak sama bertahan setelah transformasi dan ukuran kelompok sangat berbeda, peneliti harus melakukan penyesuaian untuk efek mereka dalam interpretasi dari tingkat signifikansi efek utama dan interaksi keduanya. Pertama, kita harus memastikan

kelompok mana yang memiliki varian terbesar. Penentuan ini mudah dilakukan baik dengan memeriksa matriks varians-kovarians atau dengan menggunakan determinan dari matriks varians-kovarians yang disediakan oleh semua program statistik. Dalam kedua tindakan nilai tinggi menunjukkan varians yang lebih besar. Dengan demikian,

Jika varians yang lebih besar ditemukan dengan ukuran kelompok yang lebih besar, tingkat alpha dilebih-lebihkan, yang berarti bahwa perbedaan sebenarnya harus dinilai menggunakan nilai sedikit lebih rendah (misalnya, gunakan .03 bukan .05).

Jika varians yang lebih besar ditemukan dalam ukuran kelompok yang lebih kecil, maka sebaliknya adalah benar. Kekuatan tes telah berkurang, dan peneliti harus meningkatkan tingkat signifikansi.

Pada kebanyakan situasi kehadiran ukuran sampel yang relatif sama antara kelompok meringankan setiap pelanggaran asumsi ini. Dengan demikian, penting untuk memperkuat pentingnya desain analisis dalam menjaga ukuran sampel yang sama di antara kelompok. Normalitas Asumsi terakhir normalitas kekhawatiran MANOVA dari tindakan tergantung.Dalam arti ketat, asumsi adalah bahwa semua variabel normal multivariat.Sebuah distribusi normal multivariat mengasumsikan bahwa efek gabungan dari dua variabel terdistribusi secara normal.Meskipun asumsi ini mendasari teknik yang paling multivariat, ada tes langsung yang tersedia untuk normalitas multivariat.Oleh karena itu, sebagian besar peneliti menguji normalitas univariat dari setiap variabel.Meskipun normalitas univariat tidak menjamin normalitas multivariat, jika semua variabel memenuhi persyaratan ini, maka setiap penyimpangan dari normalitas multivariat biasanya tidak penting. Pelanggaran asumsi ini berdampak kecil dengan ukuran sampel yang lebih besar, seperti yang ditemukan dengan ANOVA.Melanggar asumsi ini terutama menimbulkan masalah dalam menerapkan Box uji F, tetapi transformasi dapat memperbaiki masalah ini dalam kebanyakan situasi.Dengan ukuran sampel yang moderat, pelanggaran sederhana dapat ditampung selama perbedaan adalah karena outlier kemiringan dan tidak. Linearitas dan Multikolinearitas antara Variabel Dependent Meskipun MANOVA menilai perbedaan antar kombinasi dari tindakan tergantung, dapat membangun hubungan linear antara tindakan hanya tergantung (dan kovariat, jika

termasuk).Peneliti sekali lagi didorong pertama untuk memeriksa data, kali ini menilai keberadaan dari setiap hubungan nonlinier. Jika ada, maka keputusan dapat dibuat apakah mereka perlu dimasukkan ke dalam set variabel terikat, dengan mengorbankan peningkatan kompleksitas tapi keterwakilan yang lebih besar. Selain persyaratan linearitas, variabel tergantung tidak harus memiliki multikolinearitas tinggi, yang menunjukkan tindakan tergantung berlebihan dan menurunkan efisiensi statistik.Kami membahas dampak multikolinieritas pada kekuatan statistik MANOVA di bagian berikutnya. Sensitivitas terhadap Outliers Selain dampak heteroskedastisitas dibahas sebelumnya, MANOVA (dan ANOVA) sangat sensitif terhadap outliers dan pengaruh mereka pada Tipe I kesalahan. Peneliti sangat didorong pertama yang meneliti data untuk outliers dan menghilangkan mereka dari analisis, jika mungkin, karena dampaknya akan tidak proporsional dalam hasil secara keseluruhan. TAHAP 4: ESTIMASI MODEL MANOVA DAN MENILAI FIT KESELURUHAN Setelah analisis MANOVA dirumuskan dan asumsi diuji untuk kepatuhan, penilaian perbedaan yang signifikan antara kelompok-kelompok yang dibentuk oleh perawatan) dapat melanjutkan (lihat Gambar 4). Estimasi prosedur berdasarkan model linier umum menjadi lebih umum dan dasar

ATURAN THUMB 3 MANOVA / ANOVA Asumsi Untuk prosedur pengujian multivariate digunakan dengan MANOVA akan berlaku:

Pengamatan harus independen Varians-kovarians matriks harus sama (atau sebanding) untuk semua kelompok perlakuan Variabel tergantung harus memiliki distribusi normal multivariat Normalitas multivariat diasumsikan, tetapi banyak kali sulit untuk menilai; normalitas univariat tidak menjamin normalitas multivariat, tetapi jika semua variabel memenuhi persyaratan normalitas univariat, maka penyimpangan dari normalitas multivariat adalah tidak penting

Tes F umumnya kuat jika pelanggaran asumsi ini sederhana

permasalahan akan dibahas. Dengan model estimasi, peneliti kemudian dapat menilai perbedaan dalam cara berdasarkan statistik tes yang paling sesuai untuk tujuan penelitian. Selain itu, dalam

situasi apa pun, tetapi terutama karena analisis menjadi lebih kompleks, peneliti harus mengevaluasi kekuatan uji statistik untuk memberikan perspektif yang paling informasi tentang hasil yang diperoleh. Estimasi dengan Model Linear Umum Cara tradisional menghitung statistik uji yang tepat untuk ANOVA dan MANOVA didirikan lebih dari 70 tahun yang lalu [26]. Dalam beberapa tahun terakhir, bagaimanapun, model linier umum (GLM) [18, 21] telah menjadi sarana populer memperkirakan ANOVA dan model MANOVA. Prosedur GLM, seperti namanya, adalah keluarga model, masing-masing terdiri dari tiga unsur:

Variate Kombinasi linear dari variabel independen sebagaimana ditentukan oleh peneliti.. Setiap variabel bebas memiliki berat diperkirakan merupakan sumbangan variabel untuk nilai prediksi.

Komponen acak. Distribusi probabilitas diasumsikan mendasari variabel dependen. Distribusi probabilitas yang tipikal adalah pada keadaan normal, poisson, binomial, dan distribusi multinomial. Setiap distribusi dikaitkan dengan jenis variabel respon (misalnya, variabel kontinyu berhubungan dengan distribusi normal, proporsi berhubungan dengan distribusi binomial, dan variabel dikotomis berkaitan dengan distribusi Poisson). Peneliti memilih komponen acak berdasarkan jenis variabel respon.

Linkfunction. Menyediakan koneksi teoritis antara variate dan komponen acak untuk mengakomodasi formulasi model yang berbeda. Fungsi link menetapkan jenis transformasi yang dibutuhkan untuk menentukan model yang diinginkan. Tiga fungsi link yang paling umum adalah identitas, logit, dan link log.

Pendekatan GLM menyediakan peneliti dengan model estimasi yang tunggal dalam sejumlah model statistik yang berbeda dapat diakomodasi.Dua keuntungan unik dari pendekatan GLM adalah fleksibilitas dan kesederhanaan dalam desain model.

Dengan menetapkan kombinasi spesifik dari komponen acak dan fungsi link digabungkan dengan jenis variabel dalam variate, berbagai macam model multivariat dapat diperkirakan. Seperti terlihat pada Tabel 2, kombinasi komponen ini sesuai dengan banyak teknik multivariat sudah dibahas. Dengan demikian, prosedur estimasi tunggal dapat digunakan untuk berbagai macam model empiris.

Peneliti juga dapat bervariasi baik fungsi link atau distribusi probabilitas untuk paling cocok dengan sifat yang sebenarnya dari data daripada menggunakan transformasi yang luas dari data. Dua contoh menggambarkan fitur ini. Pertama, dalam kasus heteroskedastisitas, substitusi dari distribusi gamma akan memungkinkan untuk estimasi model tanpa mengubah ukuran tergantung. Kedua, jika variate diasumsikan perkalian daripada aditif, salah satu alternatif adalah dengan menggunakan transformasi logaritmik dari variate. Dalam GLM, para variate dapat tetap dalam formulasi aditif dengan fungsi link log digunakan sebagai gantinya.

TABEL 2 Menentukan Model multivariat sebagai Komponen GLM Tanggapan Multivariat Teknik Beberapa Regresi Logistik Regresi ANOVA / MANOVA (Dependent) Independen Variabel Metrik Nonmetric Metrik Variabel Metrik Metrik Nonmetric Link Fungsi Kemungkinan Distribusi

Identitas Normal Logit Suku dua

Identitas Normal

Sebuah diskusi yang lebih menyeluruh dari prosedur GLM dan banyak variasi yang tersedia dalam beberapa teks [6,14,18]. Sini, kami memberikan pengenalan singkat ini dengan konsep GLM karena telah menjadi metode yang dpermasalahankai untuk estimasi ANOVA dan MANOVA antara banyak peneliti dan beberapa paket statistik (misalnya, SPSS). Kriteria Signifikansi untuk Pengujian Dalam diskusi kita tentang kemiripan MANOVA untuk analisis diskriminan kita disebut akar karakteristik terbesar dan fungsi diskriminan pertama, dan istilah-istilah ini menyiratkan bahwa fungsi diskriminan beberapa dapat bertindak sebagai variates variabel dependen.Jumlah fungsi didefinisikan oleh lebih kecil dari (k - 1) atau p di mana k adalah jumlah kelompok dan p adalah jumlah variabel dependen.Dengan demikian, setiap tindakan untuk menguji signifikansi statistik dari perbedaan kelompok di MANOVA mungkin perlu mempertimbangkan perbedaan antar fungsi diskriminan ganda.

PENGUKURAN STATISTIK Seperti pada analisis diskriminan, peneliti menggunakan sejumlah kriteria statistik untuk menerapkan tes signifikansi yang berkaitan dengan perbedaan antar dimensi dari variabel dependen. Langkah yang paling banyak digunakan adalah:

Terbesar akar karakteristik Roy (GCR), seperti namanya, mengukur perbedaan hanya pada fungsi diskriminan pertama di antara variabel dependen. Kriteria ini memberikan keuntungan dalam kekuasaan dan spesifisitas dari tes tetapi membuatnya kurang berguna dalam situasi tertentu di mana semua dimensi harus dipertimbangkan. Roy tes GCR paling tepat ketika variabel dependen adalah sangat saling terkait pada dimensi tunggal, tetapi juga ukuran yang paling mungkin terkena dampak pelanggaran asumsi.

Wilks 'lambda (juga dikenal sebagai statistik U) berkali-kali disebut sebagai F multivariat dan umumnya digunakan untuk pengujian signifikansi keseluruhan antara kelompok dalam situasi multivariat. Tidak seperti statistik GCR Roy, yang didasarkan pada fungsi diskriminan pertama, lambda Wilks 'menganggap semua fungsi diskriminan, yaitu mengkaji apakah kelompok yang entah bagaimana berbeda tanpa peduli dengan apakah mereka berbeda pada setidaknya satu kombinasi linear dari variabel-variabel dependen . Meskipun distribusi lambda Wilks 'adalah kompleks, perkiraan yang baik untuk pengujian signifikansi tersedia dengan mengubahnya menjadi sebuah statistik F [22],

Pillai kriteria dan Hotelling T2 yang dua ukuran lain yang serupa dengan lambda Wilks 'karena mereka menganggap semua karakteristik akar dan dapat didekati dengan statistik F.

Dengan hanya dua kelompok, semua tindakan adalah sama. Perbedaan terjadi karena jumlah peningkatan fungsi diskriminan.Aturan Utama mengidentifikasi 4 ukuran (s) paling cocok untuk situasi yang berbeda. Statistik Kekuatan Pengujian multivarian Dalam istilah sederhana untuk MANOVA, kekuasaan adalah probabilitas bahwa uji statistik akan mengidentifikasi efek perbaikan yang jika itu benar-benar ada. Daya juga dapat dinyatakan sebagai salah satu minus probabilitas Ketik n kesalahan atau beta (P) kesalahan (yaitu, Daya = 1 - P). Kekuatan statistik memainkan peran penting dalam setiap analisis MANOVA karena digunakan baik dalam proses perencanaan (yaitu, menentukan ukuran sampel yang diperlukan) dan sebagai tindakan diagnostik hasil, terutama ketika efek tidak bermakna ditemukan. Bagian

berikut pertama meneliti dampak pada kekuatan statistik dan kemudian permasalahanpermasalahan unik untuk memanfaatkan daya analisis dalam desain MANOVA. ATURAN THUMB 4 Memilih Mengukur statistik

Ukuran yang dipilih adalah salah satu yang paling kebal terhadap pelanggaran asumsi yang mendasari dan MANOVA namun mempertahankan kekuatan terbesar

Setiap ukuran lebih dpermasalahankai dalam situasi yang berbeda: Pillai kriteria atau Wilks 'lambda adalah ukuran yang lebih dpermasalahankai ketika pertimbangan desain dasar (ukuran sampel yang memadai, tidak ada pelanggaran asumsi, ukuran sel kira-kira sama) terpenuhi

Kriteria Pillai dianggap lebih kuat dan harus digunakan jika ukuran sampel menurun, ukuran sel yang tidak sama muncul, atau homogenitas covariances dilanggar

GCR Roy adalah statistik uji lebih kuat jika peneliti yakin bahwa semua asumsi terpenuhi secara ketat dan langkah-langkah tergantung mewakili dimensi tunggal efek

Dalam sebagian besar situasi, semua ukuran statistik memberikan kesimpulan yang sama Ketika dihadapkan dengan kondisi yang saling bertentangan, namun, ukuran statistik dapat dipilih yang memenuhi situasi yang dihadapi oleh peneliti

DAMPAK TERHADAP DAYA STATISTIK Tingkat daya untuk salah satu GCR empat statistik kriteria-Roy, Wilks 'lambda, Hotelling yang T 2, atau yang Pillai kriteria-didasarkan pada tiga pertimbangan: alpha (a) tingkat, ukuran efek dari perbaikan , dan ukuran sampel dari kelompok. Masing-masing pertimbangan dapat dikontrol dalam berbagai tingkat dalam desain MANOVA dan menyediakan peneliti dengan sejumlah pilihan dalam mengelola kekuasaan untuk mencapai tingkat yang diinginkan kekuasaan di kisaran 0,80 atau di atas. Signifikansi statistik Level (alpha).Daya berbanding terbalik dengan alpha (a) tingkat dipilih.Banyak peneliti berasumsi bahwa tingkat signifikansi tetap pada beberapa tingkat (misalnya, .05), tetapi sebenarnya adalah penilaian oleh peneliti ke mana untuk menempatkan penekanan dari pengujian statistik.Banyak kali dua unsur lainnya yang mempengaruhi daya (efek ukuran dan ukuran sampel) yang sudah ditentukan atau data telah dikumpulkan, sehingga tingkat alpha menjadi alat utama dalam menentukan kekuatan analisis. Dengan menetapkan tingkat alpha diperlukan untuk menunjukkan signifikansi statistik, peneliti adalah menyeimbangkan keinginan untuk menjadi ketat dalam apa yang dianggap perbedaan

yang signifikan antara kelompok sementara masih tidak menetapkan kriteria begitu tinggi sehingga perbedaan tidak dapat ditemukan.

Meningkatkan alfa (yaitu, menjadi lebih konservatif, seperti pindah ,05-0,01) mengurangi kemungkinan perbedaan menerima sebagai signifikan ketika mereka tidak benar-benar signifikan. Namun, hal tersebut mengurangi kekuasaan karena menjadi lebih selektif dalam apa yang dianggap perbedaan statistik juga meningkatkan kesulitan dalam menemukan perbedaan yang signifikan.

Penurunan tingkat alpha diperlukan untuk signifikansi statistik (misalnya, bergerak ,050,10) dianggap berkali-kali sebagai "kurang statistik" karena peneliti bersedia untuk menerima perbedaan kelompok yang lebih kecil sebagai signifikan. Namun, dalam kasus di mana efek ukuran atau ukuran sampel yang lebih kecil dari yang diinginkan mungkin perlu menjadi kurang peduli menerima ini positif palsu dan penurunan tingkat alpha untuk meningkatkan daya. Salah satu contohnya adalah ketika membuat beberapa perbandingan. Untuk mengontrol tingkat kesalahan experimentwide, tingkat alpha meningkat untuk setiap perbandingan terpisah. Namun, untuk membuat beberapa perbandingan dan masih mencapai tingkat keseluruhan .05 mungkin memerlukan tingkat yang ketat (misalnya, 01 atau kurang) untuk setiap perbandingan yang terpisah, sehingga membuatnya sulit untuk menemukan perbedaan yang signifikan (yaitu, daya yang rendah). Di sini peneliti dapat meningkatkan tingkat alpha secara keseluruhan untuk memungkinkan tingkat alpha lebih masuk akal untuk tes terpisah.

Peneliti harus selalu menyadari implikasi dari menyesuaikan tingkat alfa, karena tujuan utama dari analisis ini tidak hanya Jenis menghindari kesalahan saya tetapi juga mengidentifikasi efek perbaikan jika mereka memang ada Jika tingkat alpha diatur terlalu ketat, maka daya mungkin terlalu rendah untuk mengidentifikasi hasil yang valid. Peneliti harus mencoba untuk mempertahankan tingkat alpha diterima dengan kekuatan di kisaran .80. Pengaruh Ukuran. Bagaimana peneliti meningkatkan daya sekali tingkat alpha ditentukan?Alat utama di pembuangan peneliti adalah ukuran sampel dari kelompok.Sebelum kita menilai peran ukuran sampel, bagaimanapun, kita perlu memahami dampak dari efek ukuran, yang merupakan ukuran standar dari perbedaan kelompok, biasanya dinyatakan sebagai perbedaan kelompok berarti dibagi dengan standar deviasi mereka. Formula ini menyebabkan beberapa generalisasi:

Seperti yang diharapkan, semua hal lain sama, efek ukuran yang lebih besar memiliki daya lebih (yaitu, lebih mudah ditemukan) daripada efek ukuran lebih kecil.

Besarnya efek ukuran memiliki dampak langsung pada kekuatan uji statistik Untuk setiap ukuran sampel yang diberikan, kekuatan uji statistik akan lebih tinggi ukuran efeknya lebih besar. Sebaliknya, jika perbaikan memiliki efek ukuran kecil yang diharapkan, ia akan mengambil ukuran sampel yang lebih besar untuk mencapai kekuatan yang sama sebagai perbaikan dengan efek ukuran besar.

Para peneliti selalu berharap untuk merancang percobaan dengan efek ukuran besar.Namun, bila digunakan dengan penelitian lapangan, peneliti harus "mengambil apa yang mereka dapatkan" dan dengan demikian menyadari efek ukuran mungkin ketika merencanakan penelitian mereka dan juga ketika menganalisis hasil. Contoh Ukuran Sampel. Dengan tingkat alpha ditentukan dan ukuran dampak diidentifikasi, elemen terakhir yang mempengaruhi daya adalah ukuran sampel.Dalam banyak kasus, elemen ini adalah yang paling dapat dikontrol oleh peneliti. Sebagaimana dibahas sebelumnya, ukuran sampel meningkat umumnya mengurangi kesalahan sampling dan meningkatkan sensitivitas (daya) faktor uji lain dibahas sebelumnya (tingkat alpha dan efek ukuran) juga mempengaruhi daya, dan kita dapat menarik beberapa generalisasi untuk ANOVA dan desain MANOVA:

Dalam analisis dengan ukuran kelompok kurang dari 30 anggota, memperoleh tingkat daya yang diinginkan bisa sangat bermasalah. Jika efek ukuran kecil, maka peneliti mungkin diperlukan untuk menurunkan alpha (misalnya, 0,05-0,10) untuk mendapatkan daya yang diinginkan.

Meningkatkan ukuran sampel dalam setiap kelompok memiliki efek nyata sampai kelompok ukuran sekitar 150 tercapai, dan kemudian kenaikan daya memperlambat nyata.

Ingat bahwa ukuran sampel besar (misalnya, 400 atau lebih besar) mengurangi komponen sampling error sampai ke level kecil yang perbedaan yang paling kecil dianggap signifikan secara statistik Bila ukuran sampel yang menjadi besar dan signifikansi statistik ditunjukkan, peneliti harus memeriksa daya dan efek ukuran untuk memastikan tidak hanya bermakna secara statistik tetapi signifikansi praktis juga.

Masalah Unik dengan MANOVA. Kemampuan untuk menganalisis variabel dependen beberapa di MANOVA menciptakan kendala tambahan pada kekuatan dalam analisis MANOVA.Salah satu sumber [17] tabel diterbitkan menyajikan kekuasaan dalam beberapa situasi umum yang MANOVA diterapkan.Namun, kita dapat menarik beberapa kesimpulan umum dari memeriksa serangkaian kondisi yang dihadapi dalam desain penelitian banyak.Tabel 3 memberikan gambaran tentang ukuran sampel yang dibutuhkan untuk berbagai tingkat kompleksitas analisis.Sebuah tinjauan meja menyebabkan beberapa poin umum.

Peningkatan jumlah variabel dependen membutuhkan ukuran sampel yang meningkat untuk mempertahankan tingkat tertentu kekuasaan. Ukuran sampel tambahan yang diperlukan akan lebih parah untuk efek ukuran lebih kecil.

Untuk efek ukuran kecil, peneliti harus siap untuk terlibat dalam upaya penelitian besar untuk mencapai tingkat yang dapat diterima kekuasaan.Misalnya, untuk mencapai kekuatan yang disarankan .80 ketika menilai efek ukuran kecil di desain empat kelompok, 115 subyek per kelompok diperlukan jika dua ukuran tergantung digunakan.Ukuran sampel yang dibutuhkan meningkat menjadi 185 per kelompok jika delapan variabel dependen dianggap. Seperti yang kita lihat, keuntungan dari memanfaatkan tindakan tergantung beberapa datang dengan biaya dalam analisis kami. Dengan demikian peneliti harus selalu menyeimbangkan penggunaan tindakan-tindakan lebih tergantung dibandingkan manfaat parsimoni pada set variabel dependen yang terjadi tidak hanya dalam interpretasi tetapi dalam tes statistik untuk perbedaan kelompok juga.

Menghitung Tingkat Daya. Untuk menghitung daya untuk analisis ANOVA, sumber yang diterbitkan [3, 24] serta program komputer sekarang tersedia. Metode komputasi kekuatan MANOVA, bagaimanapun, adalah jauh lebih terbatas.Untungnya, program komputer yang paling memberikan penilaian kekuasaan untuk pengujian signifikansi dan memungkinkan peneliti untuk menentukan apakah kekuasaan harus memainkan peran dalam interpretasi hasil. Dalam hal materi yang dipublikasikan untuk tujuan perencanaan, sedikit ada untuk MANOVA karena banyak unsur mempengaruhi kekuatan dari analisis MANOVA.Peneliti, bagaimanapun, harus memanfaatkan utilitas yang tersedia untuk ANOVA dan kemudian melakukan penyesuaian dijelaskan untuk mendekati kekuatan desain MANOVA.

MENGGUNAKAN KEKUATAN DALAM PERENCANAAN DAN ANALISIS Estimasi daya harus digunakan baik dalam perencanaan analisis dan dalam menilai hasil.Dalam tahap perencanaan, peneliti menentukan ukuran sampel yang dibutuhkan untuk mengidentifikasi efek ukuran yang diperkirakan.Dalam banyak kasus, ukuran efek dapat diperkirakan dari penelitian sebelumnya atau beralasan penilaian, atau bahkan ditetapkan pada tingkat minimum signifikansi praktis.Dalam setiap kasus, ukuran sampel yang diperlukan untuk mencapai tingkat tertentu kekuasaan dengan tingkat alpha ditentukan dapat ditentukan. Dengan menilai kekuatan kriteria pengujian setelah analisis selesai, peneliti menyediakan konteks untuk menafsirkan hasil, terutama jika perbedaan yang signifikan tidak ditemukan. Peneliti pertama harus menentukan apakah kekuatan dicapai cukup (0,80 atau di atas). Jika tidak, bisa analisis ditata ulang untuk memberikan tenaga lebih banyak? Sebuah kemungkinan mencakup beberapa bentuk perbaikan memblokir atau analisis kovariat yang akan membuat tes lebih efisien dengan menonjolkan ukuran efek. Jika daya adalah cukup dan signifikansi statistik tidak ditemukan untuk efek perbaikan, maka kemungkinan besar ukuran efek untuk perawatan itu terlalu kecil untuk menjadi signifikansi statistik atau praktis.

PENGARUH VARIABEL multikolinieritas TERGANTUNG PADA KEKUATAN Sampai saat ini kita membahas kekuatan dari perspektif berlaku bagi ANOVA dan MANOVA. Dalam MANOVA, bagaimanapun, peneliti juga harus mempertimbangkan dampak dari multikolinieritas variabel tergantung pada kekuatan dari tes statistik. Peneliti, baik dalam tahap perencanaan atau analisis, harus mempertimbangkan kekuatan dan arah korelasi serta

ukuran efek dari variabel-variabel dependen. Jika kita mengklasifikasikan variabel dengan efek ukuran mereka sebagai kuat atau lemah, maka beberapa pola muncul [4],

Pertama, jika pasangan variabel berkorelasi terdiri dari baik variabel kuat-kuat atau lemah-lemah, maka kekuatan terbesar dicapai bila hubungan antara variabel sangat negatif. Hasil ini menunjukkan bahwa MANOVA dioptimalkan dengan menambah variabel tergantung dengan korelasi negatif yang tinggi. Misalnya, bukan termasuk dua tindakan berlebihan kepuasan, peneliti mungkin menggantinya dengan tindakan berkorelasi kepuasan dan ketidakpuasan untuk meningkatkan daya.

Ketika pasangan variabel berkorelasi adalah campuran (kuat-lemah), maka daya dimaksimalkan ketika korelasi yang tinggi, baik positif atau negatif.

Satu pengecualian untuk pola umum ini adalah temuan bahwa menggunakan beberapa item untuk meningkatkan hasil kehandalan dalam keuntungan bersih kekuasaan, bahkan jika item yang berlebihan dan berkorelasi positif.

REVIEW DAYA DI MANOVA Salah satu pertimbangan paling penting dalam MANOVA sukses adalah kekuatan statistik analisis.Meskipun peneliti terlibat dalam percobaan memiliki kontrol lebih atas tiga unsur yang mempengaruhi kekuasaan, mereka harus yakin untuk mengatasi masalah yang diangkat dalam bagian sebelumnya atau potensi masalah yang mengurangi daya di bawah nilai yang diinginkan .80 dapat dengan mudah terjadi. Dalam penelitian lapangan, peneliti dihadapkan tidak hanya dengan pasti kurang tentang efek ukuran dalam analisis, tetapi juga kurangnya kontrol dari ukuran kelompok dan ukuran kelompok berpotensi kecil yang mungkin terjadi dalam proses sampling. Karena itu, permasalahan dalam desain dan pelaksanaan penelitian lapangan dibahas di tahap 2 sangat penting dalam analisis sukses juga.

ATURAN THUMB 5 MANOVA Estimasi

Empat langkah yang paling banyak digunakan untuk menilai signifikansi statistik antara kelompok pada variabel independen adalah:

Roy akar terbesar karakteristik Wilks 'lambda Pillai kriteria

Hotelling yang T 2 Pada kebanyakan situasi hasil / kesimpulan akan sama di semua empat ukuran, tapi dalam beberapa hal unik hasilnya akan berbeda antara langkah-langkah

Mempertahankan kekuatan statistik yang memadai sangat penting: Daya dalam kisaran .80 untuk tingkat alpha yang dipilih dapat diterima Ketika efek ukuran kecil, peneliti harus menggunakan ukuran sampel yang lebih besar per kelompok untuk mempertahankan tingkat yang dapat diterima dari kekuatan statistik

Model linier umum (GLM) banyak digunakan saat ini dalam pengujian ANOVA atau model MANOVA; GLM tersedia dalam paket statistik yang paling seperti SPSS dan SAS

TAHAP 5: INTERPRETASI HASIL MANOVA Setelah signifikansi statistik dari perawatan telah dinilai, peneliti ternyata perhatian untuk menguji hasil untuk memahami bagaimana setiap perlakuan mempengaruhi tindakan tergantung. Dengan demikian, serangkaian tiga langkah yang harus diambil di: 1. Menginterpretasikan efek kovariat, jika digunakan. 2. Menilai mana variabel dependen (s) menunjukkan perbedaan antar kelompok perlakuan masing-masing. 3. Identifikasi apakah kelompok berbeda pada variabel dependen tunggal atau divariasikan tergantung seluruh. Kami pertama meneliti metode dimana kovariat signifikan dan variabel dependen diidentifikasi, dan kemudian kita membahas metode yang perbedaan antara kelompok-kelompok individu dan variabel terikat dapat diukur. Mengevaluasi kovariat Kovariat dapat memainkan peran penting dengan memasukkan variabel metrik ke dalam desain MANOVA atau ANOVA.Namun, karena tindakan kovariat sebagai ukuran kontrol pada variate tergantung, mereka harus dinilai sebelum perawatan diperiksa.Setelah bertemu dengan asumsi untuk menerapkan kovariat, peneliti dapat menafsirkan efek sebenarnya dari kovariat pada variate tergantung dan dampaknya terhadap uji statistik sebenarnya dari perawatan.

MENILAI DAMPAK KESELURUHAN Peran paling penting dari kovariat (s) adalah dampak keseluruhan dalam tes statistik untuk perawatan.Pendekatan paling langsung untuk mengevaluasi dampak tersebut adalah dengan menjalankan analisis dengan dan tanpa kovariat. Kovariat yang efektif akan meningkatkan kekuatan statistik dari tes dan mengurangi dalam kelompok varians. Jika peneliti tidak melihat peningkatan yang substansial, maka kovariat dapat dihilangkan, karena mereka mengurangi derajat kebebasan tersedia untuk tes dari efek perbaikan.Pendekatan ini juga dapat mengidentifikasi contoh-contoh di mana kovariat yang terlalu kuat dan mengurangi varians sedemikian rupa bahwa perawatan yang tidak signifikan sekali.Seringkali situasi ini terjadi ketika sebuah kovariat termasuk yang berkorelasi dengan salah satu variabel independen dan dengan demikian menghilangkan perbedaan ini, sehingga mengurangi kekuatan penjelas dari variabel independen. INTERPRETASI kovariat Karena MANCOVA dan ANCOVA adalah aplikasi prosedur regresi dalam analisis metode variansi, menilai dampak dari kovariat pada variabel terikat adalah cukup mirip dengan memeriksa persamaan regresi.Jika dampak keseluruhan dianggap signifikan, maka setiap kovariat dapat diperiksa untuk kekuatan hubungan prediktif dengan tindakan tergantung.Jika kovariat mewakili efek secara teoritis berbasis, maka hasil ini memberikan dasar yang obyektif untuk menerima atau menolak hubungan yang diusulkan.Dalam nada yang praktis, peneliti dapat menguji dampak dari kovariat dan menghilangkan mereka yang sedikit atau tidak berpengaruh. Menilai Efek pada memvariasikan Dependent Dengan dampak, jika ada, dari kovariat diperhitungkan dalam analisis, langkah berikutnya adalah untuk menguji dampak dari setiap perlakuan (variabel independen) terhadap variabel dependen. Dalam melakukannya, pertama kita akan membahas bagaimana menilai perbedaan yang timbul dari setiap perlakuan Dengan efek perbaikan didirikan, kita kemudian akan menilai apakah efek-efek independen dalam kasus dua atau lebih perawatan. Akhirnya, kita akan memeriksa apakah efek dari perawatan memperpanjang ke set dari tindakan tergantung seluruh atau tercermin dalam hanya sebagian ukuran.

EFEK UTAMA DARI PERBAIKAN Kita sudah membahas langkah-langkah yang tersedia untuk menilai signifikansi statistik dari perbaikan.Ketika dampak yang signifikan ditemukan, kita menyebutnya sebagai efek utama, yang berarti bahwa perbedaan yang signifikan antara dua kelompok atau lebih didefinisikan oleh perbaikan.Dengan dua tingkat perbaikan, efek utama yang signifikan memastikan bahwa kedua kelompok berbeda secara signifikan.Dengan tiga atau lebih tingkat, bagaimanapun, efek utama yang signifikan tidak menjamin bahwa ketiga kelompok berbeda secara signifikan, bukannya hanya bahwa setidaknya satu perbedaan yang signifikan hadir antara sepasang kelompok. Sebagaimana akan kita lihat pada bagian berikutnya, beragam uji statistik yang tersedia untuk menilai kelompok mana yang berbeda pada kedua variabel dependen variate dan terpisah. Jadi bagaimana kita menggambarkan efek yang utama?Efek utama biasanya dijelaskan oleh perbedaan antara kelompok pada variabel dependen dalam analisis. Asumsikan bahwa gender memiliki efek utama yang signifikan pada skala kepuasan 10-point. Kami kemudian bisa melihat perbedaan dalam cara sebagai cara untuk menggambarkan dampak. Jika kelompok perempuan memiliki skor rata-rata 7,5 dan pria memiliki skor rata-rata 6,0, kita bisa menyatakan bahwa perbedaan karena gender adalah 1,5. Jadi, semua hal lain sama, perempuan diharapkan untuk mencetak 1,5 poin lebih tinggi daripada laki-laki. Untuk menentukan efek utama dalam hal ini, bagaimanapun, memerlukan tambahan dua analisis: 1. Jika analisis mencakup lebih dari satu perbaikan, peneliti harus meneliti hal interaksi untuk melihat apakah mereka signifikan dan, jika demikian, apakah mereka memungkinkan untuk menafsirkan efek utama. 2. Jika perawatan yang melibatkan lebih dari dua tingkat, maka peneliti harus melakukan serangkaian tes tambahan antara kelompok untuk melihat pasang kelompok berbeda secara signifikan Kita akan membahas penafsiran istilah interaksi pada bagian berikutnya dan kemudian memeriksa jenis uji statistik yang tersedia untuk menilai perbedaan kelompok ketika analisis melibatkan lebih dari dua kelompok.

DAMPAK SYARAT INTERAKSI Istilah interaksi merupakan efek gabungan dari dua atau lebih perlakuan.Setiap kali desain penelitian memiliki dua atau lebih perbaikan, peneliti harus terlebih dahulu meneliti interaksi sebelum pernyataan pun dapat dibuat tentang efek utama. Pertama, kita akan membahas bagaimana mengidentifikasi interaksi yang signifikan. Kemudian kita akan membahas bagaimana untuk mengklasifikasikan interaksi yang signifikan untuk menafsirkan dampaknya terhadap efek utama dari variabel perbaikan. Menilai Signifikansi statistik efek Interaksi dievaluasi dengan kriteria yang sama sebagai efek utama, yaitu kedua tes statistik multivariat dan univariat dan kekuatan statistik.. Program perangkat lunak menyediakan satu set lengkap hasil untuk setiap istilah interaksi selain efek utama. Semua kriteria dibahas sebelumnya berlaku untuk mengevaluasi interaksi serta efek utama. Tes statistik yang menunjukkan interaksi yang terjadi tidak signifikan menunjukkan efek independen dari perawatan.Independen dalam desain faktorial berarti bahwa efek dari satu perbaikan (yaitu, kelompok perbedaan) adalah sama untuk setiap tingkat perlakuan lainnya) dan bahwa efek utama dapat diinterpretasikan langsung. Di sini kita bisa menggambarkan perbedaan antara kelompok sebagai konstan bila dianggap dalam kombinasi dengan perlakuan kedua Kami akan membahas interpretasi efek utama dalam contoh sederhana pada bagian selanjutnya. Jika interaksi dianggap signifikan secara statistik sangat penting bahwa peneliti mengidentifikasi jenis interaksi (ordinal dibandingkan disordinal) karena memiliki kaitan langsung pada kesimpulan yang dapat ditarik dari hasil. Sebagaimana akan kita lihat pada bagian berikutnya, interaksi dapat berpotensi mengacaukan setiap deskripsi dari efek utama tergantung pada sifat mereka. Jenis Interaksi signifikan.Signifikansi statistik dari istilah interaksi dibuat dengan kriteria statistik yang sama digunakan untuk menilai dampak dari efek utama. Setelah menilai pentingnya istilah interaksi, peneliti harus meneliti efek perbaikan (yaitu, perbedaan antara kelompok) untuk menentukan jenis interaksi dan dampak dari interaksi pada interpretasi efek utama. Interaksi yang signifikan dapat diklasifikasikan dalam dua jenis: interaksi ordinal atau disordinal.

Interaksi ordinal. Ketika efek dari perbaikan yang tidak sama di semua tingkatan perbaikan lain, namun perbedaan kelompok (s) selalu ke arah yang sama, kita istilah ini interaksi ordinal. Dengan kata lain, kelompok berarti untuk satu tingkat adalah selalu lebih besar / lebih rendah dari tingkat lain perlakuan yang sama tidak peduli bagaimana mereka dikombinasikan dengan perawatan lainnya. Asumsikan bahwa dua perlakuan (jenis kelamin dan umur) digunakan untuk mengukur kepuasan.Interaksi ordinal terjadi, misalnya, ketika perempuan selalu lebih puas dibandingkan laki-laki, tetapi jumlah perbedaan antara pria dan wanita berbeda menurut kelompok umur. Ketika interaksi signifikan adalah ordinal, peneliti harus menafsirkan istilah interaksi untuk memastikan bahwa hasilnya dapat diterima secara konseptual.Di sini peneliti harus mengidentifikasi di mana variasi dalam perbedaan kelompok terjadi dan bagaimana variasi yang berhubungan dengan model konseptual yang mendasari analisis.Jika demikian, maka efek perbaikan masing-masing harus dijelaskan dalam hal perlakuan lainnya berinteraksi dengan. Dalam contoh sebelumnya, kita dapat membuat pernyataan umum bahwa gender tidak mempengaruhi kepuasan dalam bahwa perempuan selalu lebih puas dibandingkan lakilaki.Namun, peneliti tidak dapat menyatakan perbedaan dalam hal sederhana seperti bisa dilakukan dengan efek utama sederhana. Alih-perbedaan gender harus dijelaskan untuk setiap kategori usia karena pria / wanita perbedaan bervariasi menurut umur.

Interaksi Disordinal Ketika perbedaan antara saklar tingkat, tergantung pada bagaimana mereka dikombinasikan dengan tingkat dari perawatan lain, ini dinamakan interaksi disordinal.. Berikut efek dari satu perbaikan yang positif untuk beberapa tingkat dan negatif untuk tingkattingkat perlakuan lainnya Dalam contoh kita memeriksa kepuasan berdasarkan jenis kelamin dan usia, interaksi disordinal terjadi ketika perempuan memiliki kepuasan yang lebih tinggi daripada laki-laki dalam beberapa kategori usia, tetapi laki-laki lebih puas dalam kategori usia lainnya. Jika interaksi yang signifikan dipandang disordinal, maka efek utama dari perawatan yang terlibat dalam interaksi tidak dapat ditafsirkan dan penelitian harus dirancang ulang Saran ini berasal dari kenyataan bahwa dengan interaksi disordinal, efek utama bervariasi tidak hanya di tingkat perbaikan tetapi juga arah (positif atau negatif). Dengan demikian, perbaikan tidak mewakili efek yang konsisten

Contoh Interaksi Interaksi Interpreting. Merupakan selisih berarti kelompok ketika dikelompokkan berdasarkan tingkat variabel lainperbaikan. Meskipun kita bisa menafsirkan interaksi dengan melihat tabel nilai, penggambaran grafis yang cukup efektif dalam mengidentifikasi jenis interaksi antara dua perlakuan.Hasilnya adalah sebuah grafik garis ganda, dengan tingkat satu perbaikan diwakili pada sumbu horisontal.Setiap baris kemudian merupakan satu tingkat dari variabel perlakuan kedua. Gambar 5 menggambarkan setiap jenis interaksi menggunakan contoh interaksi antara dua perlakuan: sereal bentuk dan warna. Bentuk sereal memiliki tiga tingkatan (bola, kubus, dan bintang) seperti halnya warna (merah, biru, dan hijau).Sumbu vertikal mewakili evaluasi ratarata (variabel dependen) dari setiap kelompok responden di seluruh kombinasi tingkat perbaikan.Sumbu X mewakili tiga kategori untuk warna (merah, biru, dan hijau).Garis menghubungkan kategori berarti untuk setiap bentuk di tiga warna. Sebagai contoh, dalam grafik atas nilai untuk bola merah adalah sekitar 4,0, nilai untuk bola biru adalah sekitar 5,0, dan nilai meningkat sedikit menjadi sekitar 5,5 untuk bola hijau. Bagaimana grafik mengidentifikasi jenis interaksi? Seperti yang kita akan membahas, masingmasing tiga interaksi memiliki pola tertentu: Tidak ada interaksi. Tampil dengan garis paralel mewakili perbedaan berbagai bentuk di seluruh tingkat warna (efek yang sama akan terlihat jika perbedaan warna yang digambarkan di tiga jenis bentuk). Dalam hal tidak ada interaksi, efek dari setiap perlakuan (perbedaan antara kelompok) adalah konstan pada setiap tingkat dan garis-garis kira-kira paralel.

Interaksi ordinal Efek. Dari setiap perlakuan tidak konstan sehingga garis tidak sejajar. Perbedaan untuk merah berukuran besar, tetapi mereka menurun sedikit untuk sereal biru dan bahkan lebih untuk sereal hijau. Dengan demikian, perbedaan dengan warna berbedabeda di bentuk. Urutan relatif antara tingkat bentuk yang sama, bagaimanapun, dengan bintang-bintang selalu tertinggi, diikuti dengan batu dan kemudian bentuk bola.

Interaksi Disordinal Perbedaan warna bervariasi tidak hanya dalam besarnya tetapi juga arah.. Interaksi ini ditunjukkan oleh garis yang tidak sejajar dan silang antara tingkat. Evaluasi bola lebih tinggi dari batu dan bintang-bintang untuk merah dan biru, tapi dievaluasi lebih rendah daripada baik untuk warna hijau.

Grafik melengkapi tes signifikansi statistik dengan memungkinkan peneliti untuk segera mengkategorikan interaksi, terutama menentukan apakah interaksi yang signifikan jatuh ke dalam kategori ordinal atau disordinal. Mengidentifikasi Perbedaan Antara Grup individu Meskipun tes univariat dan multivariat dari ANOVA dan MANOVA memungkinkan kita untuk menolak hipotesis nol bahwa sarana kelompok 'semua sama, mereka tidak menentukan di mana perbedaan besar terbentang di antara lebih dari dua kelompok. Tes t Beberapa tanpa bentuk penyesuaian yang tidak sesuai untuk menguji signifikansi perbedaan antara sarana kelompok dipasangkan karena kemungkinan Tipe I kesalahan meningkat dengan jumlah perbandingan antarkelompok dibuat (mirip dengan masalah menggunakan ANOVAs univariat beberapa

dibandingkan MANOVA).Banyak prosedur yang tersedia untuk pemeriksaan lebih lanjut atas kelompok tertentu berarti perbedaan kepentingan dengan menggunakan pendekatan yang berbeda untuk mengontrol tingkat kesalahan Tipe I di beberapa tes.

TES univariat GANDA UNTUK MENGATUR RATE ERROR EXPERIMENTWIDE Sering kali pendekatan yang paling sederhana adalah melakukan serangkaian tes univariat dengan beberapa bentuk penyesuaian manual oleh peneliti untuk memperhitungkan tingkat kesalahan experimentwide.Peneliti dapat membuat penyesuaian berdasarkan apakah perlakuan melibatkan dua atau lebih tingkat (kelompok). ATURAN THUMB 6 Interpreting kovariat dan Efek Interaksi

Ketika kovariat terlibat dalam model GLM: Menganalisis model baik dengan dan tanpa kovariat Jika kovariat tidak meningkatkan kekuatan statistik atau tidak berpengaruh pada pentingnya efek perbaikan, maka mereka dapat dijatuhkan dari analisis akhir

Setiap kali dua atau lebih variabel independen (perawatan) dimasukkan dalam analisis, interaksi

harus diperiksa sebelum menarik kesimpulan tentang efek utama untuk setiap variabel independen

Jika interaksi tidak signifikan secara statistik, maka efek utama dapat ditafsirkan secara langsung karena perbedaan antara perawatan dianggap konstan di kombinasi tingkat

Jika interaksi secara statistik signifikan dan perbedaan yang tidak konstan di seluruh kombinasi tingkat, maka interaksi harus bertekad untuk menjadi ordinal atau disordinal:

Interaksi ordinal berarti bahwa arah perbedaan tidak bervariasi menurut tingkat (misalnya, laki-laki selalu kurang dari perempuan) meskipun perbedaan antara pria / wanita bervariasi tergantung pada tingkat perawatan lainnya, dalam hal ini, ukuran efek utama (misalnya , laki-laki dibandingkan perempuan) seharusnya hanya dijelaskan secara terpisah untuk setiap tingkat perlakuan lainnya

Interaksi disordinal signifikan terjadi bila arah dari perubahan efek yang diamati utama dengan tingkat perbaikan yang lain (misalnya, laki-laki lebih besar daripada perempuan

untuk satu tingkat dan kurang dari perempuan untuk tingkat lain); interaksi disordinal mengganggu interpretasi efek utama Dua Kelompok Analisa Dua kelompok perlakuan.Mengurangi untuk serangkaian tes t di langkah-langkah tergantung tertentu.Namun, para peneliti harus menyadari bahwa sebagai jumlah dari kenaikan tes, salah satu manfaat utama dari pendekatan multivariat untuk signifikansi pengujian pengendalian dari Tipe I error rate-adalah dinegasikan kecuali penyesuaian tertentu dalam statistik kesalahan. Jika kita ingin menguji perbedaan kelompok secara individual untuk setiap variabel tergantung, kita bisa menggunakan akar kuadrat dari T 2 ^ (yaitu, T ^ J sebagai nilai kritis yang diperlukan untuk menetapkan signifikansi. Prosedur ini akan memastikan bahwa probabilitas dari setiap Tipe I kesalahan di semua tes akan ditahan (di mana ditentukan dalam perhitungan T 2 ^) [11]. Ar-Group Analisis.Kita bisa membuat tes serupa untuk itu kelompok situasi dengan menyesuaikan tingkat oleh ketidaksetaraan Bonferroni, yang menyesuaikan tingkat alfa untuk sejumlah tes yang dibuat. Tingkat alpha disesuaikan digunakan dalam tes terpisah didefinisikan sebagai tingkat alpha keseluruhan dibagi dengan jumlah tes [disesuaikan a = (secara keseluruhan) / (jumlah tes)]. Misalnya, jika tingkat kesalahan keseluruhan (a) adalah .05 dan lima uji statistik harus dibuat, maka penyesuaian Bonferroni akan meminta tingkat 01 untuk digunakan untuk setiap tes individu. TERSTRUKTUR Multigrup menguji prosedur yang dijelaskan di bagian sebelumnya paling baik digunakan dalam situasi sederhana dengan beberapa tes yang dipertimbangkan.Jika peneliti ingin sistematis menguji perbedaan kelompok di pasang khusus untuk satu atau lebih tindakan tergantung, uji statistik yang lebih terstruktur harus digunakan. Pada bagian ini kita akan membahas dua jenis tes:

T dibuat yang mengontrol untuk inflasi dari Tipe I

Pasangan tes hoc. Pengujian variabel tergantung antara semua pasangan yang mungkin dari perbedaan kelompok yang diuji setelah pola data yang ditetapkan.

Sebuah tes apriori Pengujian direncanakan dari sudut pandang pengambilan keputusan teoritis atau praktis sebelum melihat data..

Perbedaan utama antara kedua jenis tes adalah bahwa post hoc pendekatan tes semua kombinasi yang mungkin, menyediakan sarana sederhana dari perbandingan kelompok tetapi dengan

mengorbankan daya yang rendah. Sebuah tes apriori memeriksa hanya perbandingan yang ditentukan, sehingga peneliti harus secara eksplisit menentukan perbandingan yang akan dibuat, tetapi dengan tingkat yang lebih besar yang dihasilkan kekuasaan. Metode tersebut dapat digunakan untuk menguji satu atau lebih perbedaan kelompok, meskipun apriori tes juga menyediakan peneliti dengan total kontrol atas jenis perbandingan dibuat antara kelompok. Posting Metode Hoc.Post hoc metode yang banyak digunakan karena kemudahan di mana beberapa perbandingan yang dibuat. Di antara hoc prosedur yang lebih umum pos adalah (1) metode Scheffe, (2) jujur perbedaan yang signifikan Tukey (HSD) metode, (3) perpanjangan Tukey perbedaan Fisher paling signifikan (LSD) pendekatan, (4) Duncan beberapa jarak tes, dan (5) uji Newman-Keuls. Setiap metode yang mengidentifikasi perbandingan antara kelompok-kelompok (misalnya, kelompok 1 dibandingkan kelompok 2 dan 3) memiliki perbedaan yang signifikan.Meskipun mereka menyederhanakan identifikasi perbedaan kelompok, metode ini semua berbagi masalah memiliki tingkat cukup rendah daya untuk setiap tes individu karena mereka memeriksa semua kemungkinan kombinasi. Ini pasca lima hoc atau multi-perbandingan tes signifikansi telah kontras untuk daya [23] dan beberapa kesimpulan dapat ditarik:

Metode Scheffe adalah yang paling konservatif sehubungan dengan kesalahan Tipe I, dan tes yang tersisa adalah peringkat dalam urutan ini: Tukey HSD, LSD Tukey, NewmanKeuls, dan Duncan.

Jika efek ukuran yang besar atau jumlah kelompok kecil, metode post hoc dapat mengidentifikasi perbedaan kelompok. Namun, peneliti harus mengetahui batas-batas metode ini dan menerapkan metode yang lain jika perbandingan yang lebih spesifik dapat diidentifikasi.

Sebuah diskusi tentang pilihan yang tersedia dengan metode masing-masing adalah di luar lingkup bab ini. Diskusi yang sangat baik dan penjelasan tentang prosedur ini dapat ditemukan dalam teks-teks lain [13,27].

Sebuah Priori atau Perbandingan direncanakan.Peneliti juga dapat membuat perbandingan antara kelompok-kelompok tertentu dengan menggunakan tes apriori (juga dikenal sebagai perbandingan direncanakan). Metode ini mirip dengan tes post hoc dalam metode statistik

untuk membuat perbandingan kelompok, tetapi berbeda dalam desain dan kontrol oleh peneliti dalam tiga aspek:

Peneliti menentukan perbandingan mana kelompok harus dibuat dibandingkan menguji seluruh himpunan, seperti yang dilakukan di tes hoc pos.

Perbandingan yang direncanakan lebih kuat karena jumlah yang lebih kecil dari perbandingan, tetapi lebih banyak kekuatan adalah penggunaan sedikit jika peneliti tidak secara khusus menguji untuk perbandingan kelompok yang benar.

Perbandingan yang direncanakan yang paling tepat ketika basis konseptual dapat mendukung perbandingan tertentu yang akan dibuat. Mereka tidak boleh digunakan dengan cara eksplorasi, namun, karena mereka tidak memiliki kontrol efektif terhadap menggembungkan Jenis experimentwide saya tingkat kesalahan.

Peneliti menentukan kelompok untuk dibandingkan melalui kontras, yang merupakan kombinasi sarana kelompok yang mewakili suatu perbandingan yang direncanakan tertentu. Kontras dapat dinyatakan secara umum sebagai C = W t G t + W 2 G 2 + ...+ W k G k dimana C = nilai kontras W = bobot G = kelompok berarti Kontras diformulasikan dengan pemberian bobot positif dan negatif untuk menentukan kelompok untuk dibandingkan sambil memastikan bahwa jumlah bobot ke 0. Sebagai contoh, asumsikan kita memiliki sarana kelompok tiga (G G l5 2, dan G 3). Untuk menguji perbedaan antara G dan G menjadi: C = (i + 1X? (-1) 2 + G (0) G 3 Untuk menguji apakah rata-rata Gi dan G 2 G berbeda dari 3, kontras adalah: C = (0,5) Gi + (0,5) G 2 + (-1) G 3 Sebuah statistik F terpisah dihitung untuk masing-masing kontras Dengan cara ini, peneliti dapat membuat perbandingan yang diinginkan dan menguji mereka secara langsung, tapi kemungkinan kesalahan Tipe I untuk setiap perbandingan apriori adalah sama dengan. Dengan demikian, perbandingan direncanakan beberapa akan mengembang I Type
l 2

(dan mengabaikan G3 untuk perbandingan ini), kontras akan

tingkat kesalahan secara keseluruhan. Semua paket statistik dapat melakukan baik secara apriori atau hoc pasca tes untuk variabel terikat tunggal atau variate. Jika peneliti ingin melakukan perbandingan antara variate tergantung seluruh, ekstensi dari metode yang tersedia. Setelah menyimpulkan bahwa vektor mean kelompok tidak sama, peneliti mungkin tertarik apakah perbedaan kelompok terjadi pada variate tergantung komposit. Sebuah statistik ANOVA F standar dapat dihitung dan dibandingkan dengan F ^ = (N-fygcT ^ Jik - 1), dimana nilai GCR
mt

diambil dari distribusi GCR dengan derajat kebebasan yang tepat. Paket

perangkat lunak yang memiliki kemampuan untuk melakukan perbandingan yang direncanakan untuk variate tergantung serta variabel tergantung individu.

Menilai Signifikansi untuk Variabel Dependent individu Sampai saat ini kami telah memeriksa hanya tes multivariat penting untuk set kolektif variabel dependen. Bagaimana dengan setiap variabel dependen yang terpisah?Apakah perbedaan yang signifikan dengan tes multivariat memastikan bahwa setiap variabel dependen juga secara signifikan berbeda?Atau apakah efek yang tidak signifikan berarti bahwa semua variabel tergantung juga memiliki perbedaan tidak bermakna?Dalam kedua kasus jawabannya tidak. Hasil dari pengujian multivariate perbedaan di set langkah-langkah tergantung tidak selalu mencakup setiap variabel secara terpisah, hanya secara kolektif. Dengan demikian, peneliti harus selalu memeriksa hasil multivariat untuk sejauh mana mereka memperluas ke tindakan tergantung individu.

SIGNIFIKANSI univariat TES Langkah pertama adalah untuk menilai mana dari variabel dependen berkontribusi pada perbedaan secara keseluruhan yang ditunjukkan oleh uji statistik. Langkah ini penting karena subset dari variabel dalam set variabel tergantung dapat menonjolkan perbedaan, sedangkan lain subset dari variabel mungkin tidak signifikan atau dapat menutupi efek signifikan sisanya. Kebanyakan paket statistik memberikan tes signifikansi terpisah univariat untuk setiap ukuran tergantung di samping tes multivariat, memberikan penilaian individu dari setiap variabel.Peneliti kemudian dapat menentukan bagaimana masing-masing variabel dependen individu sesuai dengan efek pada variate.

ANALISIS stepdown Sebuah prosedur yang dikenal sebagai analisis stcpdown [16, 23] juga dapat digunakan untuk menilai perbedaan individual dari variabel dependen. Prosedur ini melibatkan komputasi statistik F univariat untuk variabel dependen setelah menghilangkan efek dari variabel dependen lain mendahuluinya dalam analisis. Prosedur ini agak mirip dengan regresi bertahap, tapi di sini kita memeriksa apakah suatu variabel dependen tertentu memberikan kontribusi unik (tidak berkorelasi) informasi mengenai perbedaan kelompok. Hasil stepdown akan persis sama dengan melakukan analisis kovariat, dengan variabel lain tergantung sebelumnya digunakan sebagai kovariat. Asumsi kritis analisis stepdown adalah bahwa peneliti harus tahu urutan variabel-variabel dependen harus dimasukkan, karena interpretasi dapat bervariasi secara dramatis memberikan perintah masuk yang berbeda.Jika urutan ini memiliki dukungan teoritis, maka tes stepdown valid.Variabel ditunjukkan menjadi tidak signifikan berlebihan dengan variabel sebelumnya yang signifikan, dan mereka tidak menambahkan informasi lebih lanjut mengenai perbedaan tentang kelompok. Urutan variabel dependen dapat diubah untuk menguji apakah efek dari variabel baik berlebihan atau unik, namun proses menjadi agak rumit karena meningkatnya jumlah variabel dependen. Kedua analisis ini diarahkan menuju membantu peneliti dalam memahami mana dari variabel dependen kontribusi pada perbedaan dalam variate tergantung di perawatan).

TAHAP 6: VALIDASI HASIL Analisis teknik varians (ANOVA dan MANOVA) dikembangkan dalam tradisi eksperimentasi, dengan replikasi sebagai sarana utama dari validasi. Kekhasan perbaikan eksperimental memungkinkan untuk penggunaan luas dari percobaan yang sama pada populasi ganda untuk menilai

ATURAN THUMB 7 Interpreting Perbedaan Antara Grup individu Ketika variabel independen memiliki lebih dari dua kelompok, dua jenis prosedur dapat digunakan untuk mengisolasi sumber perbedaan:

Post hoc tes menguji perbedaan statistik potensial di antara semua kemungkinan kombinasi dari cara kelompok; post hoc tes memiliki kekuatan terbatas sehingga paling cocok untuk mengidentifikasi efek besar

Perbandingan yang direncanakan sesuai apabila alasan apriori teoritis menunjukkan bahwa kelompok-kelompok tertentu akan berbeda dari kelompok lain atau kelompok lain; Tipe I kesalahan mengembang sebagai jumlah perbandingan yang direncanakan meningkat

generalisasi hasil. Walaupun merupakan prinsip utama dari metode ilmiah, dalam ilmu sosial dan penelitian bisnis, eksperimentasi yang benar adalah berkali-kali diganti dengan tes statistik dalam nonexperi-mental situasi seperti penelitian survei.Kemampuan untuk memvalidasi hasil dalam situasi ini didasarkan pada peniruan dari perawatan. Dalam banyak kasus, karakteristik demografi seperti usia, jenis kelamin, pendapatan, dan sejenisnya yang digunakan sebagai perlakuan. Perawatan ini mungkin tampak untuk memenuhi kebutuhan komparatif, namun peneliti harus memastikan bahwa elemen tambahan tugas acak untuk sebuah sel juga bertemu, namun kali dalam keacakan penelitian survei belum sepenuhnya tercapai. Misalnya, memiliki usia dan jenis kelamin menjadi variabel independen adalah contoh umum dari penggunaan ANOVA atau MANOVA dalam penelitian survei. Dalam hal validasi, peneliti harus waspada terhadap menganalisis populasi ganda dan membandingkan hasil sebagai bukti tunggal validitas.Karena responden dalam arti sederhana pilih sendiri, perlakuan dalam hal ini tidak dapat diberikan oleh peneliti, dan dengan demikian tugas acak tidak mungkin. Peneliti sangat harus mempertimbangkan penggunaan kovariat untuk mengendalikan fitur lain yang mungkin karakteristik dari kelompok usia atau jenis kelamin yang dapat mempengaruhi variabel tergantung tetapi tidak dimasukkan dalam analisis. Masalah lainnya adalah klaim sebab-akibat bila metode eksperimental atau teknik bekerja. Untuk tujuan kita di sini, peneliti harus ingat bahwa dalam semua pengaturan penelitian, termasuk percobaan, kriteria konseptual tertentu (misalnya, pemesanan temporal efek dan hasil) harus dibentuk sebelum sebab-akibat mungkin tidak didukung. Aplikasi tunggal teknik tertentu yang digunakan dalam suasana eksperimental tidak menjamin sebab-akibat.

RINGKASAN Kami mendiskusikan aplikasi yang sesuai dan pertimbangan penting dari MANOVA dalam menangani analisis multivariat dengan langkah-langkah tergantung ganda.Meskipun manfaat yang cukup besar berasal dari penggunaannya, MANOVA harus hati-hati dan tepat diterapkan pada pertanyaan di tangan.Ketika melakukan itu, peneliti miliki mereka teknik dengan fleksibilitas dan kekuatan statistik.Kita sekarang menggambarkan aplikasi MANOVA (dan ANOVA rekan univariat nya) dalam serangkaian contoh.

GAMBARAN DARI ANALISIS MANOVA Analisis varians multivariat (MANOVA) memberikan peneliti dengan kemampuan untuk menilai perbedaan di satu atau lebih variabel independen nonmetric untuk satu set variabel dependen metrik. Menyediakan sarana untuk menentukan sejauh mana kelompok responden (dibentuk oleh karakteristik mereka pada variabel independen nonmetric) berbeda dalam tindakan tergantung.Memeriksa perbedaan-perbedaan ini dapat dilakukan secara terpisah atau dalam kombinasi. Pada bagian berikut, kami akan detail analisis yang diperlukan untuk memeriksa dua karakteristik (X \ dan X 5) untuk dampaknya terhadap satu set hasil pembelian (X
19,X

^ o, dan X

\). Pertama kita akan menganalisis setiap karakteristik secara terpisah dan

kemudian kedua dalam kombinasi. Pembaca harus mencatat bahwa versi diperluas dari HBAT (HBAT200 dengan ukuran sampel 200) digunakan dalam analisis ini untuk memungkinkan untuk analisis desain dua faktor.Ini kumpulan data yang tersedia di Web di

www.pearsonhighered.com / hair atau www.mvstats.com . Tahun terakhir telah melihat ditingkatkannya perhatian pada bidang sistem distribusi. Dipicu oleh meluasnya penggunaan Internet berbasis sistem untuk integrasi saluran dan penghematan biaya disadari oleh sistem logistik yang lebih baik, manajemen atas di HBAT tertarik dalam menilai situasi saat ini dalam sistem distribusi mereka, yang memanfaatkan baik langsung (broker berbasis ) dan saluran langsung. Dalam saluran tidak langsung, produk yang dijual ke pelanggan dengan broker bertindak baik sebagai Salesforce eksternal dan bahkan pedagang besar dalam beberapa kasus. HBAT juga mempekerjakan Salesforce sendiri, kontak penjual dan pelanggan jasa secara langsung dari kedua kantor perusahaan dan kantor lapangan.

TABEL Ukuran Grup 4 untuk Analisis Dua-Faktor Menggunakan Data HBAT (100 pengamatan)

Kekhawatiran telah timbul bahwa perubahan mungkin diperlukan dalam sistem distribusi, terutama berfokus pada sistem broker yang dirasakan untuk tidak berperforma baik, terutama dalam membina hubungan jangka panjang dengan HBAT. Untuk mengatasi masalah ini, tiga pertanyaan yang diajukan: 1. Apa perbedaan yang hadir dalam kepuasan pelanggan dan hasil pembelian lainnya antara dua saluran dalam sistem distribusi? 2. Apakah HBAT membangun hubungan baik dengan pelanggan dari waktu ke waktu, sebagaimana tercermin dalam kepuasan pelanggan dan hasil pembelian lainnya? 3. Apa hubungan antara sistem distribusi dan hubungan dengan pelanggan dalam hal hasil pembelian? Dengan pertanyaan penelitian ditentukan, peneliti sekarang ternyata perhatian untuk mendefinisikan variabel independen dan dependen yang akan digunakan dan persyaratan sampel berikutnya ukuran. Untuk memeriksa masalah ini, peneliti memutuskan untuk menggunakan MANOVA untuk menguji efek dari X 5 (Sistem Distribusi) dan X 1 (Jenis Pelanggan) pada tiga ukuran Pembelian Hasil (X 19, Kepuasan; X 2 o, Kemungkinan HBAT Merekomendasikan; dan X
21,

Kemungkinan

Beli Masa Depan). Meskipun ukuran sampel 100 pengamatan akan cukup untuk salah satu analisis dari variabel individu, tidak akan sesuai untuk menyapa mereka dalam kombinasi.

Sebuah perhitungan cepat dari ukuran kelompok untuk analisis dua faktor (lihat Tabel 4) mengidentifikasi setidaknya satu kelompok dengan kurang dari 10 pengamatan dan beberapa lebih dengan kurang dari 20 pengamatan. Karena ukuran kelompok tidak akan mampu kemampuan untuk mendeteksi efek ukuran menengah atau kecil dengan tingkat yang diinginkan kekuatan statistik (lihat Tabel 3), keputusan dibuat untuk mengumpulkan tanggapan tambahan untuk melengkapi 100 pengamatan sudah tersedia. Sebuah upaya penelitian kedua ditambah 100 pengamatan lebih untuk ukuran sampel total 200. Ini dataset baru bernama HBAT200 dan akan digunakan untuk analisis MANOVA yang mengikuti. Analisis pendahuluan menunjukkan bahwa kumpulan data ditambah memiliki karakteristik dasar yang sama seperti HBAT, sehingga menghilangkan kebutuhan untuk pemeriksaan tambahan ini data baru untuk menentukan sifat dasarnya.

Contoh 1: PERBEDAAN ANTARA DUA KELOMPOK INDEPENDEN Untuk memperkenalkan manfaat praktis dari analisis multivariat dari perbedaan kelompok, kita mulai diskusi kita dengan salah satu yang paling terkenal desain: desain dua kelompok di mana setiap responden diklasifikasikan berdasarkan tingkatan (kelompok) perbaikan (variabel independen ). Jika analisis ini sedang dilakukan dalam suasana eksperimental, maka responden akan ditugaskan untuk kelompok secara acak (misalnya, tergantung pada apakah mereka melihat sebuah iklan atau jenis sereal mereka rasa). Banyak kali, bagaimanapun, kelompok dibentuk bukan oleh tugas acak, tetapi berdasarkan hanya pada beberapa karakteristik responden (misalnya, usia, jenis kelamin, pekerjaan, dll). Dalam pengaturan penelitian, bagaimanapun, juga tidak realistis untuk menganggap bahwa perbedaan antara dua kelompok eksperimental akan terwujud hanya dalam variabel dependen tunggal. Sebagai contoh, dua pesan iklan tidak hanya menghasilkan berbagai tingkat niat pembelian, tetapi juga dapat mempengaruhi sejumlah lainnya (berpotensi berkorelasi) aspek dari respon untuk iklan (misalnya, produk evaluasi secara keseluruhan, kredibilitas pesan, minat, perhatian). Banyak peneliti menangani situasi multi-kriteria aplikasi berulang dari individu tes t univariat sampai semua variabel dependen telah dianalisis. Namun, pendekatan ini memiliki kekurangan yang serius:

Inflasi Tipe I error rate lebih tes t beberapa Ketidakmampuan tes t berpasangan untuk mendeteksi perbedaan antara kombinasi variabel tergantung tidak terlihat dalam tes univariat

Untuk mengatasi masalah ini, MANOVA dapat digunakan untuk mengontrol Jenis secara keseluruhan saya tingkat kesalahan tetap menyediakan sarana untuk menilai perbedaan pada masing-masing variabel dependen baik secara kolektif dan individual. Tahap 1: Tujuan Analisis Langkah pertama melibatkan mengidentifikasi variabel-variabel dependen dan independen sesuai.Sebagaimana dibahas sebelumnya, HBAT mengidentifikasi sistem distribusi sebagai elemen kunci dalam strategi hubungan pelanggan dan kebutuhan pertama untuk memahami dampak dari sistem distribusi pada pelanggan. Pertanyaan Penelitian.HBAT berkomitmen untuk memperkuat strategi hubungan pelanggan, dengan salah satu aspek berfokus pada sistem distribusi. Perhatian telah dibangkitkan tentang perbedaan karena sistem saluran distribusi (X
5),

yang terdiri dari dua saluran: langsung melalui

19,

HBAT yang Salesforce atau tidak langsung melalui broker. Hasil pembelian tiga (X Kepuasan; X
w,

Kemungkinan HBAT Merekomendasikan; dan X

\, Kemungkinan Beli Masa

Depan) telah diidentifikasi sebagai masalah fokus dalam mengevaluasi dampak dari kedua sistem distribusi.Tugas kita adalah untuk mengidentifikasi apakah ada perbedaan antara kedua sistem di semua atau bagian dari hasil pembelian. Meneliti Profil Grup Tabel 5 memberikan ringkasan dari profil kelompok pada masing-masing hasil pembelian di dua kelompok (sistem distribusi langsung vs tidak langsung)..Sebuah inspeksi vpermasalahanal mengungkapkan bahwa saluran distribusi langsung memiliki nilai ratarata lebih tinggi untuk setiap hasil pembelian.Tugas MANOVA adalah untuk menguji perbedaan-perbedaan dan menilai sejauh mana perbedaan ini berbeda secara signifikan, baik secara individu maupun kolektif.

Tahap 2: Penelitian Desain MANOVA Pertimbangan utama dalam desain dari dua kelompok MANOVA adalah ukuran sampel di masing-masing sel, yang secara langsung mempengaruhi kekuatan statistik. Juga, seperti yang terjadi dalam penelitian survei paling, ukuran sel tidak sama, membuat uji statistik lebih sensitif terhadap pelanggaran asumsi,

TABEL 5 Statistik Deskriptif Hasil Pengukuran Pembelian (X Kelompok X5 (Sistem Distribusi)

X 5 Sistem Distribusi X lg Kepuasan Tidak langsung melalui broker Langsung ke pelanggan Total X2 o Kemungkinan untuk Kenalkan Tidak langsung melalui broker Langsung ke pelanggan Total X 2 i Kemungkinan untuk Pembelian Tidak langsung melalui broker Langsung ke pelanggan Total Berarti 6.325 7.688 6.952 6.488 7.498 6.953 7.336 8.051 7.665

19,

20,

dan X

21)

untuk

Std.Penyimpangan 1.033 1.049 1.241 .986 .930 1.083 .880 .745 .893

N 108 92 200 108 92 200 108 92 200

terutama tes untuk homogenitas varians dari variabel dependen. Kedua masalah ini harus dipertimbangkan dalam menilai desain penelitian menggunakan X 5. Sebagaimana dibahas sebelumnya, perhatian untuk ukuran sampel yang cukup di seluruh analisis MANOVA seluruh mengakibatkan penambahan 100 survei tambahan untuk survei HBAT asli (lihat Tabel 4).Berdasarkan dataset yang lebih besar (HBAT200), 108 perusahaan menggunakan sistem broker tidak langsung dan 92 responden menggunakan sistem langsung dari HBAT. Ini ukuran kelompok akan memberikan lebih dari kekuatan statistik yang memadai pada probabilitas 80 persen untuk mendeteksi efek ukuran sedang dan hampir mencapai tingkat yang diperlukan untuk mengidentifikasi ukuran kecil efek (lihat Tabel 3). Hasilnya adalah desain penelitian dengan ukuran kelompok relatif seimbang dan kekuatan statistik yang cukup untuk mengidentifikasi perbedaan pada setiap tingkat manajerial yang signifikan.

Tahap 3: Asumsi di MANOVA Asumsi paling penting berkaitan dengan MANOVA adalah independen pengamatan, homoscedasticity di seluruh kelompok, dan normalitas. Masing-masing asumsi akan dibahas dalam hal masing-masing dari hasil pembelian. Juga menjadi perhatian adalah kehadiran outlier dan pengaruh potensial mereka terhadap kelompok berarti untuk variabel pembelian hasil. Pengamatan Independen.Independensi responden dipastikan sebanyak mungkin dengan rencana random sampling. Jika penelitian telah dilakukan dalam suasana eksperimental, tugas acak individu akan menjamin independensi yang diperlukan pengamatan.

Homoscedasticity.Asumsi kritis kedua berkaitan dengan homogenitas dari varians-kovarians matriks antara kedua kelompok.Analisis pertama menilai homogenitas varians univariat di dua kelompok. Seperti terlihat pada Tabel 6, univariat tes (uji Levene 's) untuk

ketiga variabel yang tidak signifikan (yaitu, signifikansi lebih besar dari .05). Langkah berikutnya adalah untuk menilai variabel dependen agregat dengan menguji kesamaan varianskovarians matriks antara seluruh kelompok. Sekali lagi, pada Tabel 6 M tes Kotak untuk persamaan matriks kovarian menunjukkan nilai tidak signifikan (0,607), menunjukkan ada perbedaan yang signifikan antara kedua kelompok pada tiga variabel dependen secara kolektif. Dengan demikian, asumsi homoscedasticity terpenuhi untuk setiap variabel individu secara terpisah dan tiga variabel kolektif.

Korelasi dan Normalitas Variabel Dependent. Tes lain harus dilakukan untuk menentukan apakah tindakan tergantung secara signifikan berkorelasi. Tes yang paling banyak digunakan untuk tujuan ini adalah uji Bartlett untuk kebulatan.Itu menguji korelasi antara semua variabel

dependen dan menilai apakah, secara kolektif, intercorrelation yang signifikan. Dalam contoh kita, tingkat signifikan intercorrelation tidak ada (signifikansi = .000) (lihat Tabel 6). Asumsi normalitas untuk variabel dependen (X
19,

20,

dan X

21)

sebelumnya ditemukan untuk

dapat diterima.Ini mendukung hasil pengujian untuk kesetaraan varians-kovarians matriks antara kelompok. Outlier.Permasalahan terakhir yang akan dibahas adalah adanya outlier. Suatu pendekatan sederhana yang mengidentifikasi titik ekstrim untuk setiap kelompok adalah penggunaan boxplots (lihat Gambar 6).Meneliti box plot untuk setiap ukuran tergantung menunjukkan sedikit, jika ada, titik ekstrim di kelompok.Ketika kita meneliti titik-titik ekstrim di tiga tindakan tergantung, observasi tidak ada nilai ekstrim pada semua tiga ukuran tergantung, juga tidak setiap pengamatan memiliki nilai sangat ekstrim yang didikte eksklusi. Jadi, semua 200 pengamatan akan disimpan untuk analisis lebih lanjut.

Tahap 4: Estimasi Model MANOVA dan Menilai Fit Keseluruhan Langkah berikutnya adalah untuk menilai apakah kedua kelompok menunjukkan perbedaan yang signifikan secara statistik untuk tiga variabel pembelian hasil, pertama secara kolektif dan kemudian secara individual.Untuk melakukan tes, pertama-tama kita tentukan Type tingkat saya kesalahan maksimum yang diijinkan. Dalam melakukannya, kita menerima bahwa 5 kali dari 100 kita dapat menyimpulkan bahwa jenis saluran distribusi memiliki dampak pada variabel pembelian hasil padahal sebenarnya tidak

PENGUJIAN STATISTIK MULTIVARIAT DAN ANALISIS DAYA Setelah mengatur Jenis diterima saya tingkat kesalahan, pertama kita menggunakan tes multivariat untuk menguji set variabel tergantung atas perbedaan antara kedua kelompok dan kemudian melakukan tes univariat pada setiap hasil pembelian. Akhirnya, tingkat daya yang dinilai. Pengujian statistik multivariat.Tabel 7 berisi empat tes multivariat yang paling umum digunakan (kriteria Pillai, Wilks 'lambda, yang Hotelling T
2

dan akar karakteristik terbesar

Roy).Masing-masing dari empat ukuran menunjukkan bahwa himpunan hasil pembelian memiliki perbedaan yang sangat signifikan (0,000) antara dua jenis saluran distribusi.Ini menegaskan perbedaan kelompok yang terlihat pada Tabel 5 dan boxplots dari Gambar 6.

Pengujian statistik univariat.Meskipun kita dapat menunjukkan bahwa himpunan hasil pembelian berbeda antar kelompok, kita juga perlu memeriksa setiap hasil pembelian secara terpisah untuk perbedaan antar kedua jenis saluran distribusi.Tabel 7 juga berisi tes univariat untuk setiap hasil pembelian individu. Seperti kita lihat, semua tes individu juga sangat nyata (signifikansi = 0,000), menunjukkan bahwa setiap variabel mengikuti pola yang sama dari hasil pembelian yang lebih tinggi (lihat Tabel 5) untuk mereka yang dilayani oleh sistem distribusi langsung (pelanggan Distribusi Langsung memiliki nilai-nilai 7,688, 7,498 dan 8,051 dibandingkan nilai 6,325, 6,488 dan 7,336 untuk tidak langsung Melalui Broker pelanggan pada X 19,Xya, dan X 2 \, masing-masing).

StatistikPower.Kekuatanuntuk teswsstatistik1.0, menunjukkan bahwa ukuransampel danukuranefekadalahcukup untuk memastikanbahwa perbedaanyang signifikanakan terdeteksijika terjadiperbedaankarena kesalahansampling.

Tahap 5: Interpretasi Hasil Kehadiran dua kelompok hanya menghilangkan kebutuhan untuk melakukan semua jenis tes post hoc. Signifikansi statistik dari tes multivariat dan univariat menunjukkan perbedaan kelompok pada variate tergantung (vektor sarana) dan hasil pembelian individu menyebabkan peneliti untuk pemeriksaan hasil untuk menilai konsistensi logis mereka. Seperti disebutkan sebelumnya, perusahaan menggunakan jenis langsung dari sistem distribusi skor yang lebih tinggi daripada yang dilayani melalui saluran distribusi broker berbasis tidak langsung. Kelompok ini berarti ditunjukkan pada Tabel 5, berdasarkan tanggapan atas skala 10point, menunjukkan bahwa pelanggan yang menggunakan saluran distribusi langsung lebih puas (7,688-6,325 = 1,363), lebih mungkin untuk merekomendasikan HBAT (7,498-6,488 = 1,01) ,

dan lebih mungkin untuk membeli di masa depan (8,051-7,336 = 0,715). Perbedaan ini juga tercermin dalam boxplots untuk tiga hasil pembelian pada Gambar 6. Hasil ini mengkonfirmasi bahwa jenis saluran distribusi tidak mempengaruhi persepsi pelanggan dalam hal tiga hasil pembelian.Perbedaan ini signifikan secara statistik, yang dari besarnya cukup untuk menunjukkan signifikansi manajerial juga, menunjukkan bahwa saluran distribusi langsung lebih efektif dalam menciptakan persepsi pelanggan yang positif pada berbagai hasil pembelian.
TABLE 8 Descriptive Statistics of Purchase Outcome Measures (X19, X20. and X2i) for Groups of Xj (Customer Type) Mean Std. Deviation X1 Customer Type N Xlg Satisfaction Less than 1 year 1 to 5 years More than 5 years Total Less than 1 year 1 to 5 years More than 5 years Total Less than 1 year 1 to 5 years More than 5 years Total 5.729 7.294 7.853 6.952 6.141 7.209 7.522 6.953 6.962 7.883 8.163 7.665 .764 .708 1.033 1.241 .995 .714 .976 1.083 .760 .643 .777 .893 68 64 68 200 68 64 68 200 68 64 68 200

X2Q Likely to Recommend

X2\ Likely to Purchase

Tahap 3: Asumsi di MANOVA Setelah sudah membahas masalah normalitas dan intercorrelation (uji Bartlett dari kebulatan dalam Tabel 6) dari variabel-variabel dependen dalam contoh sebelumnya, hanya kekhawatiran yang tersisa terletak pada homoscedasticity dari hasil pembelian di seluruh kelompok yang dibentuk oleh X1 dan identifikasi dari setiap outlier .Kami pertama meneliti homoscedasticity ini di tingkat multivariat (semua pembelian tiga variabel datang bersama-sama) dan kemudian untuk setiap variabel dependen secara terpisah.Uji multivariat untuk homogenitas varians dari tiga hasil pembelian dilakukan dengan uji M Box, sementara tes Levene yang digunakan untuk menilai setiap variabel hasil pembelian secara terpisah. Homoscedasticity.Tabel 9 berisi hasil dari kedua tes multivariat dan univariat dari homoscedasticity. Kotak itu tes M menunjukkan tidak adanya heteroskedastisitas (signifikansi =

0,069). Dalam tes yang Levene untuk kesetaraan varians kesalahan, dua dari hasil pembelian (X20 dan x21).

menunjukkan hasil yang tidak signifikan dan homoscedasticity dikonfirmasi. Dalam kasus X

19,

tingkat signifikansi .001, menunjukkan kemungkinan adanya heteroskedastisitas untuk variabel ini. Namun, mengingat ukuran sampel yang relatif besar dalam setiap kelompok dan adanya homoscedasticity untuk dua hasil lainnya pembelian, obat korektif tidak dibutuhkan untuk X l9. . Outlier Pemeriksaan boxplot untuk setiap variabel hasil pembelian (lihat Gambar 7) menunjukkan sejumlah kecil titik ekstrim untuk setiap ukuran tergantung (observasi 104 untuk X
l9;

pengamatan 86, 104, 119, dan 149 untuk X ^ l dan pengamatan 104 dan 187 untuk X

i).

Hanya satu pengamatan memiliki nilai-nilai ekstrim pada semua tiga ukuran tergantung dan tidak satu pun dari nilai-nilai begitu ekstrim dalam setiap kasus untuk nyata mempengaruhi nilai-nilai kelompok. Jadi, tidak ada duka pengamatan tergolong outlier ditunjuk untuk pengecualian dan semua 200 celakalah pengamatan digunakan dalam analisis ini. Tahap 4: Estimasi Model MANOVA dan Menilai Fit Keseluruhan Menggunakan MANOVA untuk menguji variabel independen dengan tiga atau lebih tingkat mengungkapkan perbedaan antar tingkat untuk ukuran tergantung dengan uji statistik multivariat dan univariat diilustrasikan dalam contoh sebelumnya. Dalam situasi ini, uji statistik menguji

untuk efek utama yang signifikan, yang berarti bahwa perbedaan antara kelompok, bila dilihat secara kolektif, adalah cukup kuat untuk dianggap signifikan secara statistik. Perlu dicatat bahwa signifikansi statistik dari efek utama tidak menjamin bahwa setiap kelompok juga signifikan berbeda dari setiap kelompok lain. Sebaliknya, tes terpisah dijelaskan di bagian selanjutnya dapat memeriksa kelompok mana yang menunjukkan perbedaan yang signifikan. Semua tiga ukuran tergantung menunjukkan pola tertentu meningkat dengan panjang peningkatan hubungan pelanggan (lihat Tabel 8 dan Gambar 7). Langkah pertama adalah dengan memanfaatkan tes multivariat dan menilai apakah himpunan hasil pembelian, yang masingmasing individu tampaknya mengikuti pola yang sama meningkat dengan meningkatnya waktu, tidak bervariasi secara statistik signifikan (yaitu, efek utama yang signifikan). Tabel 10 berisi empat tes multivariat paling sering digunakan dan seperti yang kita lihat, keempat tes menunjukkan perbedaan yang signifikan secara statistik dari himpunan kolektif dari tindakan tergantung di tiga kelompok. Selain tes multivariat, tes univariat untuk setiap ukuran tergantung menunjukkan bahwa ketiga tindakan tergantung, bila dianggap secara individual, juga memiliki efek utama yang signifikan. Dengan demikian, baik secara kolektif dan individual, hasil pembelian tiga (X
19,

X ^, dan X 2 i)

lakukan bervariasi pada tingkat yang signifikan secara statistik melintasi tiga kelompok X], Tahap 5: Interpretasi Hasil Menginterpretasikan analisis MANOVA dengan variabel independen dari tiga atau lebih tingkat memerlukan proses dua langkah:

Pemeriksaan efek utama dari variabel independen (dalam hal ini, Xj) pada tiga ukuran tergantung

Mengidentifikasi perbedaan antara kelompok individu untuk setiap tindakan tergantung dengan baik perbandingan direncanakan atau hoc pasca tes

Analisis pertama meneliti perbedaan keseluruhan di tingkat untuk ukuran tergantung, sedangkan analisis kedua menilai perbedaan antara kelompok individu (misalnya, kelompok 1 dibandingkan kelompok 2, kelompok 2 dibandingkan kelompok 3, kelompok 1 lawan kelompok 3, dll) untuk mengidentifikasi perbandingan kelompok mereka dengan perbedaan yang signifikan. Menilai Pengaruh Utama X 5. Semua tes multivariat dan univariat menunjukkan efek utama yang signifikan dari X] (Customer Type) pada masing-masing variabel dependen individual maupun himpunan variabel-variabel dependen bila dianggap secara kolektif. Efek utama yang signifikan

berarti bahwa variabel dependen (s) yang bervariasi dalam jumlah yang signifikan antara tiga kelompok pelanggan berdasarkan panjang hubungan pelanggan. Seperti yang kita lihat pada Tabel 8 dan Gambar 7 pola pembelian meningkat dalam setiap ukuran tergantung seperti hubungan pelanggan jatuh tempo. Misalnya, kepuasan pelanggan (X
19)

adalah terendah (5,729)

untuk para pelanggan kurang dari 1 tahun, meningkat (7,294) untuk para pelanggan antara 1 dan 5 tahun sampai mencapai tingkat tertinggi (7,853) untuk para pelanggan dari 5 tahun atau lebih. Pola yang sama terlihat untuk dua tindakan terikat lainnya.

PEMBUATAN POST HOC PERBANDINGAN Seperti dicatat sebelumnya, efek utama yang signifikan menunjukkan bahwa himpunan total perbedaan kelompok (misalnya, kelompok 1 dibandingkan kelompok 2, dll) cukup besar untuk dianggap signifikan secara statistik. Juga harus dicatat bahwa efek utama yang signifikan tidak menjamin bahwa setiap salah satu perbedaan kelompok juga signifikan Kita mungkin menemukan bahwa efek utama yang signifikan sebenarnya karena perbedaan kelompok tunggal (misalnya, kelompok 1 dibandingkan kelompok 2) sementara semua dari perbandingan lainnya (kelompok 1 lawan kelompok 3 dan kelompok 2 dibandingkan kelompok 3) tidak berbeda nyata.

Pertanyaannya menjadi: Bagaimana perbedaan-perbedaan kelompok individu dinilai tetap menjaga tingkat yang dapat diterima Tipe secara keseluruhan saya tingkat kesalahan? Ini masalah yang sama ditemui ketika mempertimbangkan tindakan tergantung beberapa, tapi dalam hal ini dalam membuat perbandingan untuk variabel dependen tunggal di beberapa kelompok. Jenis pertanyaan dapat diuji dengan salah satu prosedur yang apriori.Jika kontras digunakan, perbandingan tertentu dibuat antara dua kelompok (atau set kelompok) untuk melihat apakah mereka berbeda secara signifikan. Pendekatan lain adalah dengan menggunakan salah satu prosedur pasca hoc yang menguji semua perbedaan kelompok dan kemudian mengidentifikasi perbedaan yang signifikan secara statistik Tabel 11 berisi tiga metode perbandingan pasca hoc (Tukey HSD, Schefie, dan LSD) diterapkan ke semua tiga hasil pembelian di tiga kelompok Xj. Ketika kita meneliti X
19

(Kepuasan),

pertama kita melihat bahwa meskipun efek utama secara keseluruhan adalah signifikan perbedaan antara kelompok yang berdekatan tidak konstan. Perbedaan antara pelanggan kurang dari 1 tahun dan mereka 1 sampai 5 tahun adalah -1,564 (tanda minus menunjukkan bahwa pelanggan kurang dari 1 tahun memiliki nilai yang lebih rendah). Ketika kita menguji perbedaan kelompok antara pelanggan dari 1 sampai 5 tahun dibandingkan dengan mereka lebih dari 5 tahun, namun, perbedaan tersebut dikurangi menjadi - 0,559 (sekitar sepertiga dari perbedaan sebelumnya). Peneliti dengan demikian tertarik apakah kedua perbedaan yang signifikan, atau hanya signifikan antara kedua kelompok pertama. Ketika kita melihat ke tiga kolom terakhir pada Tabel 11, kita dapat melihat bahwa semua perbedaan kelompok terpisah untuk X
19

adalah signifikan,

menunjukkan bahwa perbedaan - 0,559, meskipun jauh lebih kecil dari perbedaan kelompok lain, masih statistik signifikan. Ketika kita meneliti perbandingan hoc pos untuk dua hasil lain pembelian (X 2 X 2 o dan i), pola yang berbeda muncul. Sekali lagi, perbedaan antara kedua kelompok pertama (kurang dari 1 tahun dan 1 sampai 5 tahun) semua statistik signifikan di semua tiga tes post hoc. Namun ketika kita meneliti perbandingan berikutnya (pelanggan 1 sampai 5 tahun dibandingkan dengan mereka lebih dari 5 tahun), dua dari tiga tes menunjukkan bahwa kedua kelompok tidak berbeda. Dalam tes ini, hasil pembelian dari X 20 dan X 2 \ untuk pelanggan 1 sampai 5 tahun tidak secara signifikan berbeda dengan lebih dari 5 tahun. Hasil ini bertentangan dengan apa yang ditemukan untuk kepuasan, di mana perbedaan ini signifikan.

Ketika variabel independen memiliki tiga atau lebih tingkatan, peneliti harus melakukan ini tingkat kedua analisis di samping penilaian efek utama yang signifikan.Di sini peneliti tidak tertarik pada efek kolektif dari variabel independen, melainkan dalam perbedaan antara kelompok-kelompok tertentu.Alat-alat baik perbandingan direncanakan atau post hoc metode menyediakan sarana yang kuat untuk membuat tes ini dari perbedaan kelompok sementara juga menjaga Jenis secara keseluruhan saya tingkat kesalahan.

TABLE 11 Post Hoc Comparisons for Individual Group Differences on Purchase Outcome Measures (Xlg, X20. and X21) Across Groups of X-i (Customer Type) Mean Difference Statistical Significance of Groups to Be Compared Between Groups (1 Post Hoc Comparison J) Dependent Mean Standard Tukey Variable Group 1 Group J Difference Error HSD Scheffe LSD X-\g Satisfaction Less than 1 year 1 to 5 years -1.564 .148 .000 .000 .000 Less than 1 year More than 5 -2.124 .146 .000 .000 .000 years 1 to 5 years More than 5 -.559 .148 .000 .001 .000 years X2o Likely to Recommend Less than 1 year 1 to 5 years -1.068 .158 .000 .000 .000 Less than 1 year More than 5 -1.381 .156 .000 .000 .000 years 1 to 5 years More than 5 -.313 .158 .118 .144 .049 years X2\ Likely to Purchase Less than 1 year 1 to 5 years -.921 .127 .000 .000 .000 Less than 1 year More than 5 -1.201 .125 .000 .000 .000 years 1 to 5 years More than 5 -.280 .127 .071 .091 .029 years

CONTOH 3: DESAIN FAKTORIAL UNTUK MANOVA DENGAN DUA VARIABEL INDEPENDEN Dalam dua contoh sebelumnya, analisis MANOVA telah ekstensi dari univariat dua dan tiga kelompok analisis. Dalam contoh ini, kita mengeksplorasi desain faktorial multivariat: dua variabel independen digunakan sebagai perawatan untuk menganalisis perbedaan dari himpunan

variabel dependen. Dalam perjalanan diskusi kita, kita menilai efek interaktif atau patungan antara dua perlakuan pada variabel dependen secara terpisah dan secara kolektif. Tahap 1: Tujuan dari MANOVA Dalam pertanyaan penelitian sebelumnya multivariat, HBAT dianggap efek dari hanya satu variabel perlakuan pada variabel dependen.Berikut kemungkinan efek bersama antara dua atau lebih variabel independen juga harus dipertimbangkan. Dengan cara ini, interaksi antara variabel independen dapat dinilai bersama dengan efek utama mereka. Pertanyaan Penelitian. Pertanyaan penelitian pertama kami memeriksa dua membahas dampak dari dua faktor-sistem distribusi dan durasi hubungan pelanggan-pada seperangkat hasil pembelian.Dalam setiap contoh, faktor yang terbukti memiliki dampak yang signifikan (yaitu, hasil pembelian yang lebih menguntungkan bagi perusahaan dalam sistem distribusi langsung atau mereka dengan masa jabatan lagi sebagai pelanggan HBAT). Terselesaikan Kini adalah pertanyaan ketiga: Bagaimana kedua faktor beroperasi bila dianggap secara bersamaan? Di sini kita tertarik untuk mengetahui bagaimana perbedaan antara sistem distribusi memegang seluruh kelompok berdasarkan lamanya hubungan HBAT.Kami melihat bahwa pelanggan di sistem distribusi langsung memiliki hasil pembelian secara signifikan lebih besar (kepuasan yang lebih tinggi, dll), namun perbedaan-perbedaan yang selalu hadir untuk setiap kelompok pelanggan berdasarkan Xj? Berikut ini hanya contoh dari jenis pertanyaan kita bisa bertanya ketika mempertimbangkan dua variabel bersama dalam analisis tunggal:

Apakah sistem distribusi langsung lebih efektif untuk pelanggan baru? Apakah kedua sistem distribusi menunjukkan perbedaan bagi pelanggan 5 tahun atau lebih?

Adalah sistem distribusi langsung selalu lebih dpermasalahankai daripada sistem tidak langsung di pelanggan

kelompok Xj? Dengan menggabungkan kedua variabel bebas (X, dan X

5)

ke dalam desain faktorial, kita

menciptakan kelompok pelanggan enam: tiga kelompok berdasarkan panjang hubungan mereka dengan HBAT dipisahkan menjadi kelompok-kelompok di masing-masing sistem saluran distribusi. Dikenal sebagai desain 3 2 X, tiga tingkat X
1

terpisah untuk setiap tingkat X

membentuk kelompok terpisah untuk setiap jenis pelanggan dalam setiap sistem saluran distribusi.

Meneliti Profil Group. Tabel 12 menyediakan profil masing-masing kelompok untuk set hasil pembelian. Banyak kali perspektif yang lebih cepat dan lebih sederhana adalah melalui tampilan grafis. Salah satu pilihan adalah untuk membentuk sebuah baris tabel, dan kami akan menggambarkan hal ini bila melihat hal interaksi pada bagian selanjutnya. Kami juga dapat memanfaatkan boxplots untuk menunjukkan tidak hanya perbedaan antara cara kelompok, tetapi tumpang tindih dari rentang nilai pada setiap kelompok. Gambar 8 menggambarkan suatu grafik untuk X 19 (Kepuasan) di enam kelompok faktorial desain kami.Seperti yang kita lihat, kepuasan meningkat sebagai panjang hubungan dengan peningkatan HBAT, tetapi perbedaan antara kedua sistem distribusi tidak selalu konstan (misalnya, mereka tampaknya lebih dekat untuk pelanggan 1 sampai 5 tahun). Tujuan termasuk variabel independen beberapa menjadi MANOVA adalah untuk menilai efek mereka "bergantung pada" atau "mengontrol" variabel lainnya. Dalam hal ini, kita bisa melihat bagaimana panjang perubahan hubungan HBAT cara apapun persepsi yang lebih positif umumnya dilihat untuk sistem distribusi langsung. Tahap 2: Penelitian Desain MANOVA Setiap desain faktorial dari dua atau lebih variabel independen menimbulkan masalah ukuran sampel yang memadai dalam berbagai kelompok. Peneliti harus memastikan, saat membuat desain faktorial, bahwa setiap kelompok memiliki ukuran sampel yang cukup untuk hal berikut: 1. Memenuhi persyaratan minimum ukuran kelompok melebihi jumlah variabel tergantung 2. Menyediakan kekuatan statistik untuk menilai perbedaan signifikan dianggap praktis

Std. Dependent Variable Xig Satisfaction Customer Type Less than 1 year Distribution System Indirect through broker Direct to customer Total 1 to 5 years Indirect through broker Direct to customer Total More than 5 years Indirect through broker Direct to customer Total Total Indirect through broker Direct to customer Total X2o Likely to Recommend Less than 1 year Indirect through broker Direct to customer Total 1 to 5 years Indirect through broker Direct to customer Total More than 5 years Indirect through broker Direct to customer Total Total Indirect through broker Direct to customer Total X21 Likely to Purchase Less than 1 year Indirect through broker Direct to customer Total 1 to 5 years Indirect through broker Direct to customer Total More than 5 years Indirect through broker Direct to customer Total Total Indirect through broker Direct to customer Total Mean 5.462 6.600 5.729 7.120 7.405 7.294 7.132 8.457 7.853 6.325 7.688 6.952 5.883 6.981 6.141 7.144 7.251 7.209 6.974 7.981 7.522 6.488 7.498 6.953 6.763 7.606 6.962 7.804 7.933 7.883 7.919 8.368 8.163 7.336 8.051 7.665 Deviation .499 .839 .764 .551 .779 .708 .803 .792 1.033 1.033 1.049 1.241 .773 1.186 .995 .803 .659 .714 .835 .847 .976 .986 .930 1.083 .702 .569 .760 .710 .601 .643 .648 .825 .777 .880 .745 .893 N 52 16 68 25 39 64 31 37 68 108 92 200 52 16 68 25 39 64 31 37 68 108 92 200 52 16 68 25 39 64 31 37 68 108 92 200

Contoh Ukuran Pertimbangan. Seperti telah dijelaskan pada bagian sebelumnya, analisis ini disebut desain 2X3 karena termasuk dua tingkat X 5 (distribusi langsung vs tidak langsung) dan tiga tingkat dari X
1

(kurang dari 1 tahun, 1 sampai 5 tahun, dan lebih dari 5 tahun ). Masalah

ukuran sampel per kelompok yang begitu perhatian HBAT peneliti bahwa survei HBAT asli 100 pengamatan dilengkapi oleh 100 responden tambahan hanya untuk analisis ini (lihat diskusi yang lebih rinci dalam bagian sebelum contoh). Bahkan dengan responden tambahan, sampel dari 200 pengamatan harus dibagi di enam kelompok, mudah-mudahan dengan cara yang agak seimbang. Ukuran sampel per sel ditunjukkan pada Tabel 12 dan dapat ditampilkan dalam format yang disederhanakan berikut.

Kecukupan Daya statistik.Ukuran sampel dalam semua kecuali satu dari sel-sel menyediakan cukup daya statistik untuk mengidentifikasi setidaknya efek ukuran besar dengan peluang 80 persen.Namun, ukuran sampel yang lebih kecil dari 16 untuk pelanggan kurang dari 1 tahun dilayani oleh saluran distribusi langsung menjadi perhatian beberapa. Dengan demikian, kita harus mengakui bahwa kecuali efek ukuran yang besar, ukuran sampel yang terbatas dalam setiap kelompok, bahkan dari sampel 200 pengamatan, mungkin menghalangi identifikasi

perbedaan yang signifikan. Masalah ini menjadi sangat penting ketika memeriksa perbedaan tidak signifikan dalam bahwa peneliti harus menentukan apakah hasil tidak signifikan ini disebabkan efek ukuran memadai atau kekuatan statistik yang rendah. Tahap 3: Asumsi di MANOVA Seperti dengan analisis MANOVA sebelumnya, asumsi terpenting adalah homogenitas varianskovarians matriks di seluruh kelompok.Rapat asumsi ini memungkinkan untuk interpretasi langsung hasil tanpa harus mempertimbangkan ukuran kelompok, tingkat covariances dalam kelompok, dan sebagainya.Asumsi statistik tambahan yang terkait dengan variabel dependen (normalitas dan korelasi) sudah dibahas pada contoh sebelumnya. Masalah terakhir adalah kehadiran outlier dan kebutuhan untuk dihapus dari setiap observasi yang mungkin mendistorsi nilai mean dari grup manapun.

Homoscedasticity.Untuk desain faktorial, enam kelompok yang terlibat dalam pengujian asumsi homoscedasticity (lihat Tabel 13).Uji multivariat (Box M) memiliki nilai tidak signifikan (0,153), memungkinkan kita untuk menerima hipotesis nol homogenitas varians-kovarians matriks pada tingkat .05. Pengujian univariat untuk tiga variabel hasil pembelian secara terpisah juga semua tidak signifikan Dengan tes multivariat dan univariat menunjukkan nonsignificance, peneliti dapat melanjutkan mengetahui bahwa asumsi homoscedasticity telah sepenuhnya terpenuhi. Outlier.Masalah kedua melibatkan pengamatan memeriksa dengan nilai-nilai ekstrim dan penunjukan kemungkinan pengamatan sebagai outlier dengan penghapusan dari analisis.Yang cukup menarik, pemeriksaan boxplots untuk tiga hasil pembelian mengidentifikasi sejumlah

kecil pengamatan dengan nilai-nilai ekstrim daripada yang ditemukan untuk X

dengan

sendirinya.Variabel terikat dengan nilai-nilai yang paling ekstrim adalah X 21 dengan hanya tiga, sedangkan langkah-langkah lain yang tergantung memiliki satu dan dua nilai ekstrim.Selain itu, observasi tidak memiliki nilai ekstrim pada lebih dari satu ukuran tergantung.Akibatnya, semua pengamatan dipertahankan dalam analisis.

Tahap 4: Estimasi Model MANOVA dan Menilai Fit Keseluruhan Para MANOVA model untuk tes desain faktorial tidak hanya untuk efek utama dari kedua variabel independen tetapi juga interaksi mereka atau efek gabungan pada variabel dependen.Langkah pertama adalah untuk menguji pengaruh interaksi dan menentukan apakah itu signifikan secara statistik.Jika signifikan, maka peneliti harus mengkonfirmasi bahwa efek interaksi adalah ordinal.Jika ditemukan menjadi disordinal, tes statistik dari efek utama adalah tidak sah. Tapi dengan asumsi ordinal signifikan atau efek interaksi tidak signifikan, efek utama dapat diinterpretasikan langsung tanpa penyesuaian

MENILAI PENGARUH INTERAKSI Efek Interaksi dapat diidentifikasi baik grafis dan statistik. Cara grafis paling umum adalah untuk membuat diagram garis yang menggambarkan pasang variabel independen. Seperti diilustrasikan dalam Gambar 5, efek interaksi yang signifikan diwakili oleh garis nonparallel (dengan garis paralel yang menunjukkan tidak ada efek interaksi).Jika garis berangkat dari paralel tetapi tidak pernah menyeberang dalam jumlah yang signifikan maka interaksi dianggap ordinal.Jika garis melakukan cross ke tingkat yang dalam setidaknya satu contoh pemesanan relatif dari ketiga garis dibalik, maka interaksi dianggap disordinal. Gambar 9 menggambarkan masing-masing variabel dependen di seluruh enam kelompok, yang menunjukkan pola nonparallel bahwa interaksi mungkin ada Seperti yang kita lihat di masingmasing grafik, tingkat tengah X
1 (1

sampai 5 tahundengan HBAT) memiliki perbedaan

substansial lebih kecil antara dua baris (mewakili dua saluran distribusi) dibandingkan dengan dua tingkat lain Xj. Kami dapat mengkonfirmasi pengamatan ini dengan memeriksa kelompok berarti dari Tabel 12. Menggunakan X
19

(Kepuasan) sebagai contoh, kita melihat bahwa

perbedaan antara saluran distribusi langsung dan tidak langsung adalah 1,138 untuk pelanggan kurang dari 1 tahun, yang cukup mirip dengan perbedaan antara saluran (1,325) bagi pelanggan

yang lebih besar dari 5 tahun . Namun, bagi pelanggan yang dilayani oleh HBAT dari 1 sampai 5 tahun, perbedaan antara pelanggan dari dua saluran hanya (0,285).Dengan demikian, perbedaan antara dua saluran distribusi, meskipun ditemukan signifikan dalam contoh sebelumnya, dapat ditunjukkan berbeda (berinteraksi) berdasarkan berapa lama pelanggan telah dengan HBAT. Interaksi dianggap ordinal karena dalam semua kasus saluran distribusi langsung memiliki skor kepuasan tinggi

PENGUJIAN EFEK DAN INTERAKSI UTAMA Selain sarana grafis, efek interaksi juga dapat diuji dengan cara yang sama sebagai efek utama. Dengan demikian, peneliti dapat membuat penilaian multivariat serta univariat dari efek interaksi dengan uji statistik yang dijelaskan dalam contoh sebelumnya.

Tabel 14 berisi hasil MANOVA untuk pengujian baik interaksi dan efek utama.Pengujian untuk hasil efek interaksi yang signifikan seperti halnya efek lainnya. Pertama, multivariat efek diperiksa dan dalam hal ini keempat tes menunjukkan signifikansi statistik. Kemudian, tes univariat untuk setiap variabel dependen dilakukan.Sekali lagi, efek interaksi juga dianggap signifikan untuk masing-masing tiga variabel dependen. Tes statistik mengkonfirmasi apa yang ditunjukkan dalam grafik: Sebuah efek interaksi yang signifikan ordinal terjadi antara X dan X t.
Observed Effect Statistical Test Pillai's Criterion Wilks' Lambda Hotelling's T2 Roy's greatest characteristic root Pillai's Criterion Wilks' Lambda Hotelling's T2 Roy's greatest characteristic root Pillai's Criterion Wilks' Lambda Hotelling's T2 Roy's greatest characteristic root Value F .488 .512 .952 .951 .285 .715 .398 .398 .124 .878 .136 .112 20.770 25.429 30.306 61.211 25.500 25.500 25.500 25.500 4.256 4.291 4.327 7.194 Hypothesis df 6 6 6 3 3 3 3 3 6 6 6 3 Error df 386 384 382 193 192 192 192 192 386 384 382 193 Sig. .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 IT
2

Power" 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 .980 .981 .982 .981

.244 .284 .322 .488 .285 .285 .285 .285 .062 .063 .064 .101

x, xx5

Computcd using alpha = .05

Univariate Tests (Between-Subjects Effects) Sum of Effect Overall Dependent Variable X]g Satisfaction X2g Likely to Recommend X21 Likely to Purchase Xig Satisfaction X2g Likely to Recommend X21 Likely to Purchase X]g Satisfaction X2g Likely to Recommend X21 Likely to Purchase Xig Satisfaction X2q Likely to Recommend X21 Likely to Purchase Squares 210.999 103.085 65.879d 89.995 32.035 26.723 36.544 23.692 9.762 9.484 8.861 3.454
b c

Mean df 5 5 5 2 2 2 1 1 1 2 2 2 Square 42.200 20.617 13.176 44.998 16.017 13.362 36.544 23.692 9.762 4.742 4.430 1.727 F 85.689 30.702 27.516 91.370 23.852 27.904 74.204 35.282 20.386 9.628 6.597 3.607 Sig. .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .002 .029 IT2 .688 .442 .415 .485 .197 .223 .277 .154 .095 .090 .064 .036

Observed Power" 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 .994 .980 .908 .662

x, xx5

Computcd using alpha = .05 V = .688 (Adjusted ff2 = .680) CR2 = .442 (Adjusted R2 = .427) dlf = .415 (Adjusted ff2 = .400

efek diperiksa dan dalam hal ini keempat tes menunjukkan signifikansi statistik. Kemudian, tes univariat untuk setiap variabel dependen dilakukan.Sekali lagi, efek interaksi juga dianggap signifikan untuk masing-masing tiga variabel dependen. Tes statistik mengkonfirmasi apa yang ditunjukkan dalam grafik: Sebuah efek interaksi yang signifikan ordinal terjadi antara X dan X t.

ESTIMASI DAMPAK UTAMA Jika efek interaksi dianggap tidak signifikan atau bahkan signifikan dan ordinal, maka peneliti dapat melanjutkan untuk memperkirakan pentingnya efek perbedaan utama mereka di kelompok.Dalam contoh-contoh di mana efek interaksi disordinal ditemukan, efek utama dikacaukan oleh interaksi disordinal dan tes untuk perbedaan tidak harus dilakukan. Dengan interaksi ordinal signifikan, kita dapat melanjutkan untuk menilai apakah kedua variabel independen masih memiliki efek utama yang signifikan bila dianggap secara bersamaan.Tabel 14 juga berisi hasil MANOVA untuk efek utama dari X 1 dan X di samping tes untuk efek interaksi sudah dibahas. Seperti yang kita temukan ketika menganalisis mereka secara terpisah, kedua X 1 (Jenis Pelanggan) dan X
s

(Sistem Distribusi) memiliki dampak yang signifikan (efek utama)

pada tiga variabel pembelian hasil, baik sebagai satu set dan secara terpisah, seperti yang ditunjukkan oleh multivariat dan tes univariat. Dampak dari dua variabel independen dapat dibandingkan dengan memeriksa efek ukuran relatif seperti yang ditunjukkan oleh T]
2

(eta kuadrat).Efek ukuran untuk setiap variabel yang agak

s

lebih tinggi untuk Xj bila dibandingkan dengan X

baik pada tes multivariat atau univariat.

1

Misalnya, dengan tes multivariat nilai kuadrat eta untuk X

kisaran 0,244-0,488, tetapi mereka

lebih rendah (semua sama dengan 0,285) untuk X pola s. Serupa dapat dilihat pada tes univariat. Perbandingan ini memberikan evaluasi signifikansi praktis terpisah dari tes signifikansi statistik.Bila dibandingkan dengan baik variabel independen, bagaimanapun, ukuran efek yang timbul dari interaksi jauh lebih kecil (misalnya, nilai multivariat eta kuadrat mulai 0,062-0,101). Tahap 5: Interpretasi Hasil Interpretasi desain faktorial dalam MANOVA adalah kombinasi dari penilaian diambil dari uji statistik dan pemeriksaan data dasar.Kehadiran efek interaksi dapat dinilai secara statistik, tetapi kesimpulan yang dihasilkan terutama berdasarkan penilaian peneliti.Peneliti harus menguji perbedaan untuk signifikansi praktis selain signifikansi statistik.Jika perbandingan tertentu antara kelompok dapat dirumuskan, maka perbandingan direncanakan dapat ditentukan dan diuji secara langsung dalam analisis.

INTERPRETASI DAN INTERAKSI EFEKUTAMA Signifikansi statistik mungkin tidak didukung oleh tes multivariat, tetapi memeriksa tes untuk setiap variabel dependen memberikan wawasan kritis menjadi efek terlihat dalam tes multivariat.Selain itu, peneliti dapat menggunakan perbandingan yang direncanakan atau bahkan pos tes hoc untuk menentukan sifat sebenarnya dari perbedaan, terutama ketika hal interaksi yang signifikan ditemukan. Dengan interaksi dan efek utama ditemukan secara statistik signifikan oleh kedua tes multivariat dan univariat, interpretasi masih sangat tergantung pada pola efek ditunjukkan pada nilai-nilai dari enam kelompok (ditunjukkan pada Tabel 12 dan Gambar 9). Interaksi dari Xi X
5.Garis

nonparallel untuk setiap ukuran tergantung terutama

menggambarkan penyempitan perbedaan dalam saluran distribusi untuk pelanggan 1 sampai 5 tahun. Meskipun efek dari X 1 dan X 5 masih ada, kami melihat beberapa perbedaan yang nyata pada dampak-dampak tersebut tergantung pada set khusus dari pelanggan kita kaji. Misalnya, untuk X2q perbedaan antara pelanggan Distribusi Langsung vs tidak langsung adalah 1,098 untuk pelanggan kurang dari 1 tahun, menurun hingga hanya .107 bagi pelanggan 1 sampai 5 tahun, dan kemudian naik kembali ke 1,007 bagi pelanggan lebih dari 5 tahun. Perbedaan-perbedaan substansial tergantung pada Jenis Pelanggan menggambarkan efek interaksi yang signifikan. Utama Pengaruh X ^ efek utamanya digambarkan untuk ketiga hasil pembelian oleh garis miring ke atas di tiga tingkat X] pada sumbu X. Di sini kita bisa melihat bahwa efek ini sesuai dengan temuan awal bahwa ketiga hasil pembelian meningkatkan baik sebagai panjang dari hubungan dengan peningkatan HBAT. Sebagai contoh, sekali lagi memeriksa X ^ q, kita melihat bahwa peningkatan skor keseluruhan rata-rata dari 6,141 untuk pelanggan kurang dari 1 tahun sampai 7,209 untuk pelanggan 1 sampai 5 tahun dan akhirnya ke 7,522 bagi pelanggan lebih dari 5 tahun. Pengaruh utama dari X 5.Pemisahan dua baris mewakili dua saluran distribusi menunjukkan kepada kita bahwa saluran distribusi langsung menghasilkan hasil pembelian yang lebih menguntungkan.Meneliti Gambar 9 kita melihat bahwa untuk setiap variabel dependen, garis bagi pelanggan dengan distribusi langsung lebih besar dari mereka yang dilayani oleh sistem tidak langsung.

POTENSI kovariat Peneliti juga memiliki alat-kovariat menambahkan tambahan-untuk meningkatkan dalam analisis dan interpretasi dari variabel independen. Peran kovariat adalah untuk mengendalikan untuk efek di luar lingkup dari analisis MANOVA yang dapat mempengaruhi perbedaan kelompok dalam beberapa cara yang sistematis (lihat pembahasan sebelumnya untuk lebih detail). Kovariat adalah paling efektif jika memiliki korelasi dengan variabel tergantung, tapi relatif tidak berkorelasi terhadap variabel independen yang digunakan. Dengan cara ini dapat menjelaskan varians tidak disebabkan oleh variabel independen (karena korelasi yang rendah dengan mereka), tapi masih mengurangi jumlah variasi keseluruhan untuk dijelaskan (korelasi dengan langkah-langkah tergantung). Para peneliti HBAT memiliki pilihan terbatas dalam memilih kovariat untuk analisis ini MANOVA.Kandidat hanya mungkin adalah X
22,

mewakili persentase pelanggan pembelian

berasal dari HBAT.Alasannya adalah untuk mengendalikan ketergantungan sebenarnya yang dirasakan atau perusahaan pada HBAT yang diwakili di X 22.Perusahaan dengan ketergantungan lebih mungkin bereaksi sangat berbeda terhadap variabel yang dipertimbangkan. Namun, X ^ adalah kandidat miskin untuk menjadi kovariat meskipun memenuhi kriteria yang berkorelasi dengan variabel dependen. Kesalahan fatal adalah tingginya tingkat perbedaan yang terlihat pada kedua X
1

dan X

Perbedaan ini menunjukkan bahwa efek dari X

dan X

akan

sangat bingung dengan penggunaan X ^ sebagai kovariat.. Jadi, tidak ada kovariat akan digunakan dalam analisis ini.

Ringkasan Hasilnya tercermin dalam kedua efek utama dan interaksi menyajikan bukti yang meyakinkan bahwa setelah pembelian pelanggan HBAT "Reaksi dipengaruhi oleh jenis sistem distribusi dan dengan panjang hubungan. Sistem distribusi langsung dikaitkan dengan tingkat kepuasan pelanggan, serta kemungkinan untuk membeli kembali dan merekomendasikan HBAT kepada orang lain. Demikian pula, pelanggan dengan hubungan lagi juga melaporkan tingkat yang lebih tinggi dari ketiga variabel tergantung.Perbedaan antara variabel dependen adalah terkecil di antara para pelanggan yang telah melakukan bisnis dengan HBAT selama 1 sampai 5 tahun.

Penggunaan MANOVA dalam proses ini memungkinkan peneliti untuk mengontrol tingkat kesalahan Tipe I sampai batas yang jauh lebih besar daripada jika perbandingan tunggal yang pada masing-masing variabel dependen. Interpretasi tetap berlaku bahkan setelah dampak dari variabel dependen lainnya telah dipertimbangkan.Hasil ini mengkonfirmasi perbedaan yang ditemukan antara efek dari dua variabel independen.

GAMBARAN HASIL DARI PENGELOLAAN HBAT peneliti melakukan serangkaian ANOVAs dan MANOVAs dalam upaya untuk memahami bagaimana hasil pembelian tiga (X Merekomendasikan HBAT, dan X
21, 19,

Kepuasan; X ^, Kemungkinan

Kemungkinan Beli Masa Depan) berbeda-beda di

5)

karakteristik pada berbagai perusahaan, seperti sebagai jenis sistem distribusi (X

dan

pelanggan (Xj). Dalam diskusi kami, kami fokus pada hasil multivariat karena mereka tumpang tindih dengan hasil univariat. Analisis MANOVA pertama adalah langsung Apakah jenis saluran distribusi berpengaruh terhadap hasil pembelian? Dalam hal ini tes peneliti apakah set nilai rata-rata (yaitu, cara tiga hasil pembelian) untuk setiap grup distribusi yang setara Setelah memenuhi semua asumsi, kita menemukan bahwa hasil menunjukkan perbedaan yang signifikan dalam bahwa perusahaan dalam distribusi langsung sistem memiliki hasil pembelian lebih menguntungkan bila dibandingkan dengan perusahaan disajikan melalui model broker berbasis. Seiring dengan hasil keseluruhan, manajemen juga diperlukan untuk mengetahui apakah perbedaan ini ada bukan hanya untuk variate tetapi juga untuk variabel individu.Tes univariat menunjukkan perbedaan yang signifikan univariat untuk setiap hasil pembelian juga.Hasil multivariat dan univariat signifikan menunjukkan kepada manajemen bahwa sistem distribusi langsung melayani pelanggan lebih baik yang ditunjukkan dengan ukuran hasil yang lebih menguntungkan.Dengan demikian, manajer dapat fokus pada peningkatan manfaat dari sistem langsung ketika bekerja pada peningkatan sistem distribusi broker berbasis. Para MANOVA berikutnya mengikuti pendekatan yang sama, tetapi pengganti variabel independen baru, jenis pelanggan (yaitu, lamanya waktu perusahaan telah pelanggan), yang memiliki tiga kelompok (kurang dari 1 tahun, 1 sampai 5 tahun, dan lebih dari 5 tahun). Sekali lagi, manajemen berfokus pada tiga ukuran hasil untuk menilai apakah perbedaan yang signifikan ditemukan di seluruh panjang hubungan pelanggan.Kedua tes univariat dan

multivariat menunjukkan perbedaan dalam variabel pembelian hasil di tiga kelompok pelanggan. Namun satu pertanyaan tetap: Apakah setiap kelompok yang berbeda dari yang lain? Profil kelompok menunjukkan perbedaan yang substansial dan post hoc tes menunjukkan bahwa untuk X 19 (Kepuasan) masing-masing kelompok pelanggan berbeda dari yang lain. Untuk ukuran hasil tersisa dua, kelompok 2 dan 3 (pelanggan 1 sampai 5 tahun dan pelanggan lebih dari 5 tahun) tidak berbeda satu sama lain, meskipun keduanya berbeda dari pelanggan kurang dari 1 tahun. Implikasinya adalah bahwa untuk X
2

o dan X

\ perbaikan dalam hasil pembelian adalah

signifikan pada awal tahun, tapi jangan terus meningkat di luar periode itu.Dari perspektif manajerial, durasi hubungan pelanggan secara positif mempengaruhi persepsi perusahaan dari hasil pembelian.Meskipun meningkat pada seluruh hubungan untuk ukuran kepuasan dasar, peningkatan hanya signifikan dalam dua hasil lainnya terlihat setelah tahun pertama. Contoh ketiga membahas masalah dampak gabungan dari dua karakteristik perusahaan (X
5,

sistem distribusi, dan Xj, durasi dari hubungan pelanggan) pada hasil pembelian.Tiga kategori Xj digabungkan dengan dua kategori X
5

untuk membentuk enam kelompok.Tujuannya adalah

untuk menentukan apakah perbedaan yang signifikan terlihat untuk masing-masing dua karakteristik perusahaan jika dianalisis secara terpisah juga jelas ketika dipertimbangkan secara bersamaan. Langkah pertama adalah untuk meninjau hasil untuk interaksi yang signifikan: Apakah hasil pembelian menampilkan perbedaan yang sama antara dua jenis sistem distribusi jika dilihat oleh durasi dari hubungan itu? Ketiga interaksi yang ditemukan menjadi arti penting bahwa perbedaan antara sistem langsung dan broker berbasis tidak konstan di tiga kelompok pelanggan berdasarkan durasi hubungan pelanggan. Meneliti hasil ditemukan bahwa kelompok tengah (pelanggan 1 sampai 5 tahun) memiliki perbedaan nyata lebih kecil antara kedua sistem distribusi dari pelanggan baik hubungan pendek atau lebih.Meskipun pola ini diselenggarakan untuk ketiga hasil pembelian dan sistem langsung selalu dievaluasi lebih baik (menjaga interaksi ordinal), HBAT harus menyadari bahwa keuntungan dari sistem distribusi langsung adalah kontingen pada panjang hubungan pelanggan.Mengingat interaksi ini, pihaknya masih menemukan bahwa setiap karakteristik perusahaan dipamerkan dampak signifikan pada hasil seperti yang ditemukan saat dianalisis secara terpisah.Apalagi bila dianggap secara bersamaan, dampak dari setiap pada hasil pembelian relatif bahkan.

Hasil ini memungkinkan manajer HBAT untuk mengidentifikasi efek signifikan dari karakteristik perusahaan pada hasil pembelian, tidak hanya individu tetapi juga bila dikombinasikan.

Ringkasan Analisis varians multivariat (MANOVA) merupakan perluasan dari analisis varians (ANOVA) untuk mengakomodasi moie dari satu variabel dependen. Ini adalah teknik ketergantungan yang mengukur perbedaan untuk dua atau lebih variabel dependen metrik berdasarkan satu set kategoris (nonmetric) variabel bertindak sebagai variabel bebas. Bab ini membantu Anda untuk melakukan hal berikut:

Jelaskan perbedaan antara hipotesis nol univariat dari ANOVA dan hipotesis nol multivariat MANOVA. Seperti ANOVA, MANOVA berkaitan dengan perbedaan antara kelompok (atau perlakuan eksperimen). ANOVA disebut prosedur univariat karena kita menggunakannya untuk menilai perbedaan kelompok pada variabel dependen tunggal metrik. Hipotesis nol adalah sarana kelompok untuk variabel dependen tunggal adalah sama (tidak berbeda secara statistik). Metode univariat untuk menilai perbedaan kelompok adalah uji t (dua kelompok) dan analisis varians (ANOVA) untuk dua atau lebih kelompok.Uji t digunakan secara luas karena bekerja dengan ukuran kelompok kecil dan cukup mudah untuk menerapkan dan menafsirkan. Tapi keterbatasan meliputi: (1) hanya menampung dua kelompok, dan (2) hanya dapat menilai satu variabel independen pada satu waktu. Meskipun uji t dapat dilakukan dengan ANOVA, statistik F memiliki kemampuan untuk menguji perbedaan antara lebih dari dua kelompok serta mencakup lebih dari satu variabel independen.Juga, variabel independen yang tidak terbatas hanya dua tingkat, tetapi dapat memiliki berbagai tingkatan (kelompok) yang diinginkan.MANOVA dianggap sebagai prosedur multivariat karena digunakan untuk menilai perbedaan kelompok di beberapa variabel dependen metrik secara bersamaan. Dalam MANOVA, masing-masing kelompok perlakuan diamati pada dua atau lebih variabel dependen. Dengan demikian, hipotesis nol adalah vektor dari cara untuk beberapa variabel dependen sama di seluruh kelompok. Prosedur multivariat untuk menguji perbedaan kelompok adalah T Hotelling multivariat varians, masing-masing.
2

dan analisis

Diskusikan keuntungan dari pendekatan multivariat untuk pengujian signifikansi dibandingkan dengan pendekatan univariat lebih tradisional. Sebagai prosedur inferensi statistik, baik teknik univariat (t test dan ANOVA) dan ekstensi multivariat mereka (Hotelling 'sT
1

dan MANOVA) digunakan untuk menilai statistik

signifikansi perbedaan antara kelompok. Dalam kasus univariat, ukuran tergantung tunggal diuji untuk kesetaraan di kelompok.Dalam kasus multivariat, sebuah variate diuji untuk kesetaraan. Dalam MANOVA, peneliti sebenarnya memiliki dua variates, satu untuk variabel-variabel dependen dan satu lagi untuk variabel independen. Para variate variabel dependen adalah kepentingan lebih karena metrik-tergantung tindakan dapat dikombinasikan dalam kombinasi linear, seperti telah kita lihat dalam regresi ganda dan analisis diskriminan.Aspek unik dari MANOVA adalah bahwa variate optimal menggabungkan langkah-langkah tergantung beberapa menjadi nilai tunggal yang memaksimalkan perbedaan antar kelompok. Untuk menganalisis data pada beberapa kelompok dan variabel menggunakan metode univariat, peneliti mungkin tergoda untuk melakukan tes t terpisah untuk perbedaan antara masing-masing pasangan sarana (yaitu, kelompok 1 dibandingkan kelompok 2, kelompok 1 lawan kelompok 3, dan kelompok 2 dibandingkan kelompok 3). Tapi tes t beberapa mengembang Jenis secara keseluruhan saya tingkat kesalahan. ANOVA dan MANOVA menghindari Jenis ini saya inflasi kesalahan karena membuat perbandingan beberapa kelompok perlakuan dengan menentukan dalam tes tunggal apakah seluruh himpunan sarana sampel menunjukkan bahwa sampel diambil dari populasi umum yang sama. Artinya, kedua teknik ini digunakan untuk menentukan probabilitas bahwa perbedaan berarti di beberapa kelompok adalah karena semata-mata kesalahan sampling.

Nyatakan asumsi untuk penggunaan MANOVA. prosedur pengujian univariate ANOVA berlaku dalam arti statistik jika kita mengasumsikan bahwa variabel dependen terdistribusi secara normal, kelompok-kelompok independen dalam respon mereka terhadap variabel terikat, dan bahwa varians adalah sama untuk semua kelompok perlakuan. Ada bukti, bagaimanapun, bahwa F tes di ANOVA yang kuat berkaitan dengan asumsi-asumsi ini kecuali dalam kasus ekstrim. Untuk prosedur pengujian MANOVA untuk multivariat masih berlaku, asumsi tiga harus dipenuhi (1) pengamatan harus independen

2. varians-kovarians matriks harus sama untuk semua kelompok perlakuan, dan (3) kelompok variabel dependen harus mengikuti distribusi normal multivariat. Selain asumsi tersebut, peneliti harus mempertimbangkan dua permasalahan yang mempengaruhi kemungkinan efek-linieritas dan multikolinieritas dari variate variabel dependen. Memahami bagaimana menginterpretasikan hasil MANOVA. Jika perbaikan mengakibatkan perbedaan statistik yang signifikan dalam vektor sarana variabel dependen, peneliti kemudian memeriksa hasil untuk memahami bagaimana dampak setiap perlakuan tindakan tergantung. Tiga langkah yang terlibat: (1) menafsirkan efek kovariat, jika disertakan, (2) menilai mana variabel dependen (s) menunjukkan perbedaan antar kelompok perlakuan masing-masing, dan 3. mengidentifikasi jika kelompok berbeda pada variabel dependen tunggal atau divariasikan tergantung keseluruhan. Ketika dampak yang signifikan ditemukan, kita mengatakan bahwa ada efek utama, yang berarti bahwa terdapat perbedaan yang signifikan antara variabel tergantung dari dua atau lebih kelompok yang didefinisikan oleh perbaikan. Dengan dua tingkat perbaikan, efek utama yang signifikan memastikan bahwa kedua kelompok berbeda secara signifikan. Dengan tiga atau lebih tingkat, bagaimanapun, efek utama yang signifikan tidak menjamin bahwa ketiga kelompok berbeda secara signifikan, bukan hanya bahwa ada setidaknya satu perbedaan yang signifikan antara sepasang kelompok. Jika ada lebih dari satu perbaikan dalam analisis, peneliti harus meneliti hal interaksi untuk melihat apakah mereka adalah signifikan, dan jika demikian, apakah mereka memungkinkan untuk menafsirkan efek utama atau tidak. Jika ada lebih dari dua tingkat untuk perawatan, maka peneliti harus melakukan serangkaian tes tambahan antara kelompok untuk melihat pasang kelompok berbeda secara signifikan Jelaskan tujuan tes post hoc Dalam ANOVA dan MANOVA. Meskipun tes univariat dan multivariat dari ANOVA dan MANOVA memungkinkan kita untuk menolak hipotesis nol bahwa sarana kelompok 'semua sama, mereka tidak menentukan di mana perbedaan yang signifikan berbohong jika ada lebih dari dua kelompok. Tes t Beberapa tanpa bentuk penyesuaian yang tidak sesuai untuk menguji signifikansi perbedaan antara sarana kelompok dipasangkan karena kemungkinan Tipe I kesalahan meningkat dengan jumlah perbandingan antarkelompok dibuat (mirip dengan masalah menggunakan ANOVAs univariat beberapa dibandingkan

MANOVA). Jika peneliti ingin sistematis menguji perbedaan kelompok di pasang spesifik dari kelompok untuk satu atau lebih tindakan tergantung, dua jenis uji statistik harus digunakan: post hoc dan apriori. Post hoc tes menguji variabel tergantung antara semua pasangan yang mungkin dari perbedaan kelompok yang diuji setelah pola data yang ditetapkan.Sebuah tes apriori direncanakan dari sudut pandang pengambilan keputusan teoritis atau praktis sebelum melihat data.Perbedaan utama antara kedua jenis tes adalah bahwa post hoc pendekatan tes semua kombinasi yang mungkin, menyediakan sarana sederhana dari perbandingan kelompok tetapi dengan mengorbankan daya yang rendah. Sebuah tes apriori memeriksa hanya perbandingan yang ditentukan, sehingga peneliti harus secara eksplisit menentukan perbandingan yang akan dibuat, tetapi dengan tingkat yang lebih besar yang dihasilkan kekuasaan. Metode tersebut dapat digunakan untuk menguji satu atau lebih perbedaan kelompok, meskipun apriori tes juga memberikan kontrol peneliti atas jenis perbandingan dibuat antara kelompok. Menginterpretasikan hasil interaksi ketika lebih dari satu variabel independen yang digunakan dalam MANOVA.Istilah interaksi merupakan efek gabungan dari dua atau lebih perlakuan.Setiap kali desain penelitian memiliki dua atau lebih perbaikan, peneliti harus terlebih dahulu meneliti interaksi sebelum pernyataan pun dapat dibuat tentang efek utama. Efek interaksi dievaluasi dengan kriteria yang sama sebagai efek utama. Jika tes statistik menunjukkan bahwa interaksi adalah tidak signifikan, ini menunjukkan bahwa efek dari perawatan Independen independen dalam desain faktorial berarti bahwa efek dari satu perbaikan (yaitu, perbedaan kelompok) sama untuk setiap tingkat perlakuan lainnya) dan bahwa efek utama dapat diinterpretasikan langsung. Jika interaksi dianggap signifikan secara statistik sangat penting bahwa peneliti mengidentifikasi jenis interaksi (ordinal dibandingkan disordinal), karena ini berdampak langsung pada kesimpulan yang dapat ditarik dari hasil. Interaksi ordinal terjadi ketika efek dari perbaikan yang tidak sama di semua tingkatan perbaikan lain tetapi perbedaan kelompok selalu arah yang sama. Interaksi Disordinal terjadi ketika perbedaan antara tingkat "beralih" tergantung pada bagaimana mereka dikombinasikan dengan tingkat dari perbaikan lain Berikut efek dari satu perbaikan yang positif untuk beberapa tingkat dan negatif untuk tingkat lain dari perlakuan lainnya

Jelaskan tujuan analisis multivariat kovarians (MANCOVA).

Kovariat dapat memainkan peran penting dengan memasukkan variabel metrik ke dalam desain MANOVA atau ANOVA.Namun, karena tindakan kovariat sebagai ukuran "kontrol" pada variate tergantung, mereka harus dinilai sebelum perawatan diperiksa.Peran paling penting dari kovariat (s) adalah dampak keseluruhan dalam tes statistik untuk perawatan.Pendekatan paling langsung untuk mengevaluasi dampak tersebut adalah dengan menjalankan analisis dengan dan tanpa kovariat. Kovariat yang efektif akan meningkatkan kekuatan statistik dari tes dan mengurangi wi tipis-kelompok varians. Jika peneliti tidak melihat peningkatan yang substansial, maka kovariat dapat dihilangkan, karena mereka mengurangi derajat kebebasan tersedia untuk tes dari efek perbaikan. Pendekatan ini juga dapat mengidentifikasi contoh-contoh di mana kovariat adalah "terlalu kuat" dan mengurangi varians sedemikian rupa bahwa perbaikan ini tidak bermakna semua Sering kali ini terjadi ketika kovariat termasuk yang berkorelasi dengan salah satu variabel independen dan dengan demikian " menghapus "perbedaan ini, sehingga mengurangi kekuatan penjelas dari variabel independen. Karena MANCOVA dan ANCOVA adalah aplikasi prosedur regresi dalam analisis metode variansi, menilai dampak dari kovariat pada variabel terikat adalah cukup mirip dengan memeriksa persamaan regresi.Jika dampak keseluruhan dianggap signifikan maka setiap kovariat dapat diperiksa untuk kekuatan hubungan prediktif dengan tindakan tergantung.Jika kovariat mewakili efek secara teoritis berbasis, maka hasil ini memberikan dasar yang obyektif untuk menerima atau menolak hubungan yang diusulkan.Dalam nada yang praktis, peneliti dapat menguji dampak dari kovariat dan menghilangkan mereka yang sedikit atau tidak berpengaruh.