TUGAS

ANALISIS PEUBAH GANDA

“MULTIVARIATE ANALYSIS COVARIANCE”

AnggotaKelompok :
Irene Muflikh Nadhiroh (G151120211)
Rena Foris Windari (G152120111)
Vinna Rahmayanti S.N. (G152120161)
Erica Fera Juwita (G152120221)

DEPARTEMEN STATISTIKA
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
2013
 BAB I
PENDAHULUAN

Latar Belakang

Analysis of Variance (ANOVA) merupakan metode untuk mengukur adanya

perbedaan respon terhadap pemberian perlakuan yang berbeda pada beberapa kelompok. Pada
ANOVA variable bebas diberikan kontrol yang ketat untuk memastikan bahwa respon yang
muncul hanya berasal dari variable yang terlibat dan telah diperhitungkan dalam percobaan
(proses pengambilan data), sedangkan serinngkali variable bebas dipengaruhi oleh variable
lain yang tidak dapat dikontrol dan terkadang juga tidak dapat diperhitungkan, variable
tersebut seringkali disebut sebagai variable konkomitan (covariate). Dalam ilmu perancangan
percobaan terdapat beberapa cara untuk mengatasi variable konkomitan (covariate). Dalam
kasus terdapat variable bebas yang tidak dapat dikontrol dan memberikan pengaruh terhadap
respon, analysis of Covariance-Variance (ANCOVA) dapat digunakan, terutama jika variable
bebas yang memberi pengaruh terhadap respon terdiri dari variable yang terukur atau berskala
numerik.
ANCOVA digunakan untuk meneliti perbedaan respon pada variable tak bebas terkait
dengan pengaruh dari variable bebas dengan mempertimbangkan variable bebas lain yang
tidak terkontrol dalam proses percobaan (pengambilan data). ANCOVA seringkali digunakan
untuk menyingkirkan keragaman yang ada tetapi tidak berhubungan dengan variable tidak
bebas karena adanya faktor yang dianggap lebih penting.
Pada banyak penelitian seringkali respon yang diukur bukan hanya satu, tetapi lebih
dari satu. Hal ini yang disebut sebagai penelitian dengan multirespon. Dalam statistika untuk
menghadapai permasalahan pada penelitian dengan multirespon, maka analisis yang
digunakan adalah analisis multivariate. Beberapa isu akan muncul jika berhadapan dengan
penelitian multirespon, seperti bagaimana mengontrol adanya multiplicity, adanya korelasi
(hubungan) antar respon serta bagaimana menganalisis data dengan multirespon. Dalam hal
ini MANCOVA mampu untuk mengatasi permasalahan adanya variable konkomitan serta
permasalahn karena adanya multirespon dalam penelitian. Oleh karena itu tulisan ini berisi
penjelasan secara teori mengenai MANCOVA serta aplikasi dari MANCOVA

Tujuan

Tulisan ini bertujuan untuk:

1. Mengkaji secara mendalam mengenai Multivariate Analysis of Covariate
(MANCOVA).
2. Mengaplikasikan MANCOVA pada kasus untuk memberikan gambaran cara
menganalisis data multivariate dengan MANCOVA

1
 BAB II
TINJAUAN PUSTAKA

ANCOVA Dua Arah

Analisis kovarians atau sering disebut dengan ANCOVA adalah teknik statistik yang
merupakan perpaduan antara analisis regresi dengan analisis varians atau ANOVA (Rencher,
1998 : 178). ANCOVA dilakukan berdasarkan pertimbangan bahwa dalam kenyataanya
variabel tertentu yang tidak dapat dikendalikan, tetapi sangat mempengaruhi variabel respons
yang diamati. Variabel yang demikian disebut variabel konkomitan. Dengan kata lain,
ANCOVA berfungsi untuk memurnikan pengaruh variabel respons dari pengaruh variabel
konkomitan.
Variabel independen dalam ANCOVA sering disebut dengan faktor. ANCOVA dapat
diterapkan pada percobaan satu faktor, dua factor maupun banyak faktor. Untuk percobaan
yang terdiri dari satu faktor disebut ANCOVA satu arah. Sedangkan percobaan yang terdiri
dari dua factor disebut ANCOVA dua arah. Berikut adalah tabel pengamatan ANCOVA dua
arah dalam rancangan acak lengkap (RAL).

Tabel diatas menjelaskan percobaan yang terdiri dari dua factor yaitu faktor 1 dengan
level z dan faktor 2 dengan level b, dengan subjek sebanyak n dan satu variabel konkomitan.
Menurut Rencher (1998 : 183), model linear ANCOVA dua arah adalah :

dimana :
𝑌𝑙𝑘𝑟 : nilai pengamatan pada satuan pengamatan ke-r yang memperoleh taraf ke- l dari
factor 1 dan taraf ke-k dari faktor 2
𝜇 : rata-rata keseluruhan
𝛼𝑙 : taraf ke- l pengaruh faktor 1
𝛾𝑘 : taraf ke- k pengaruh faktor 2
2
 𝛼𝛾 𝑙𝑘 : pengaruh interaksi taraf ke- l faktor 1 dan taraf ke- k faktor 2
𝜀𝑙𝑘𝑟 : galat yang muncul dari satuan percobaan ke-r yang memperoleh kombinasi perlakuan
lk (taraf ke- l dari faktor 1 dan taraf ke- k dari faktor 2)
𝑋𝑙𝑘𝑟 : nilai pengamatan ke-lkr pada variabel konkomitan
𝛽 : koefisien regresi antara 𝑌𝑙𝑘𝑟 dengan 𝑋𝑙𝑘𝑟

𝑔 𝑏 𝑔
Pada model tersebut asumsi yang harus dipenuhi adalah 𝑙=1 𝛼𝑙 = 𝑘=1 𝛾𝑘 = 𝑙=1 𝛼𝛾 𝑙𝑘 =
𝑏 2
𝑘=1 𝛼𝛾 𝑙𝑘 = 0 dan 𝜀𝑙𝑘𝑟 ~ 𝐼𝑁 0, 𝜎 .

Dalam persamaan di atas terdapat model regresi linear sederhana yaitu :

Untuk analisis data ANCOVA dua arah diperlukan jumlah-jumlah kuadrat dan jumlah hasil
kali sebagai berikut :
a. Jumlah kuadrat total (JKT) dan jumlah hasil kali total (JHKT) untuk variabel X dan Y

b. Jumlah kuadrat perlakuan (JKP) dan jumlah hasil kali perlakuan (JHKP) untuk variabel X
dan Y

c. Jumlah kuadrat faktor 1 (JKA) dan jumlah hasil kali untuk faktor 1(JHKA)

3
d. Jumlah kuadrat faktor 2 (JKB) dan jumlah hasil kali untuk faktor 2 (JHKB)

e. Jumlah kuadrat interaksi faktor 1 dan 2 (JKAB) dan jumlah hasil kali untuk interaksi
faktor 1 dan faktor 2 (JKAB)

f. Jumlah kuadrat galat (JKG) dan jumlah hasil kali galat (JHKG) untuk variabel X dan Y

Dengan menggunakan metode penduga kuadrat terkecil akan dilakukan pendugaan

parameter sebagai berikut:

4
1) Penduga parameter μ

𝑔 𝑏 𝑔 𝑏
diketahui bahwa 𝑙=1 𝛼𝑙 = 𝑘=1 𝛾𝑘 = 𝑙=1 𝛼𝛾 𝑙𝑘 = 𝑘=1 𝛼𝛾 𝑙𝑘 =0 maka
persamaan di atas menjadi :

Jadi, diperoleh 𝜇 = 𝑌 …

2) Penduga parameter 𝛼𝑙

5
3) Penduga parameter 𝛾𝑘

4) Penduga parameter 𝛼𝛾 𝑙𝑘

5) Penduga parameter β

6
 Kemudian setelah disubtitusikan ke persamaan pendugaan sebelumnya, maka
diperoleh hasil sebagai berikut :

di mana

sehingga diperoleh :

Jadi penduga β adalah :

Kemudian menentukan jumlah-jumlah kuadrat terkoreksi. Berawal dari persamaan regresi

Jumlah kuadrat galat terkoreksi merupakan selisih kuadrat antara amatan dengan persamaan
regresi.
Jumlah kuadrat galat terkoreksi adalah :

7
 Untuk mendapatkan uji hipotesis tentang pengaruh faktor 1, 2, dan interaksinya, perlu
diperoleh jumlah kuadrat terkoreksi untuk faktor-faktor tertentu. “Total” dari masing-masing
bentuk ( A, B, dan AB) diperoleh dengan menambahkan galat ke bentuk jumlah kuadrat dan
jumlah hasil kali (A+E, B+E, AB+E).

8
Jumlah kuadrat faktor 1 terkoreksi adalah :

Jumlah kuadrat faktor 2 terkoreksi adalah :

Jumlah kuadrat interaksi terkoreksi adalah :

Kuadrat tengah terkoreksi dapat diperoleh dengan membagi jumlah kuadrat terkoreksi
dengan derajat bebasnya.

9
Prosedur ANCOVA dua arah

a. Pengujian Asumsi ANCOVA dua arah

Untuk ANCOVA sejumlah asumsi diperlukan yang beberapa diantaranya sama
dengan ANAVA yakni yang menyangkut variabel dependen, tetapi ada asumsi tambahan
yang terkait dengan variabel konkomitan (Sudjana, 1994 : 352). Beberapa asumsi-asumsi
yang harus dipenuhi sebelum pengujian ANCOVA adalah sebagai berikut:
1. Antar pengamatan independen
2. Variabel dependen berdistribusi normal
3. Homogenitas Varians
Untuk menguji asumsi ini dapat menggunakan uji Bartlett dengan hipotesis nol
yang menyatakan bahwa sampel berasal dari populasi yang
mempunyai variansi yang homogen. Dimana sampel acak berukuran ni yang masing-
masing diambil dari populasi ke-i ( i = 1,2, ..., k ) yang berdistribusi normal, maka
sebelum uji Bartlett harus dilakukan dahulu uji normalitas (Sudjana, 1994 : 51).
Statistik uji yang digunakan untuk uji Bartlett adalah :

2 2
Nilai 𝜒ℎ𝑖𝑡𝑢𝑛𝑔 ini kemudian dibandingkan dengan nilai 𝜒𝛼(𝑘−1) . Jika nilai
2 2
𝜒ℎ𝑖𝑡𝑢𝑛𝑔 < 𝜒𝛼(𝑘−1) maka dapat disimpulkan bahwa sampel berasal dari populasi yang
mempunyai variansi homogen.

4. Ada hubungan linear antara variabel dependen dan variabel konkomitan

Hipotesis untuk uji ini adalah:
H0 : β = 0 (artinya variabel X tidak mempengaruhi Y)
H1 : β ≠ 0 (artinya variabel X mempengaruhi Y)
dengan statistic uji :

5. Koefisien regresi homogen antar perlakuan

Untuk menguji asumsi ini dilakukan dengan hipotesis, sebagai berikut :

10
 H0 : koefisien regresi homogen antar perlakuan
H1 : koefisien regresi tidak homogen antar perlakuan
dengan statistik uji :

6. Variabel konkomitan tidak berkorelasi dengan perlakuan yang dicobakan.

Asumsi ini dapat diperiksa dengan ANAVA pada kovariat (Rencher, 1998 :
179). Karena persoalan yang dibahas adalah percobaan dua arah, maka uji ini dapat
dilakukan secara terpisah untuk faktor 1, faktor 2, dan interaksi faktor 1 dan faktor 2.
Hipotesis untuk uji ini adalah:
 Untuk interaksi faktor 1 dan faktor 2
H0 : variabel konkomitan tidak berkorelasi dengan faktor 1 dan faktor 2 yang
dicobakan.
H1 : variabel konkomitan berkorelasi dengan faktor 1 dan factor 2 yang dicobakan.
 Untuk faktor 1
H0 : variabel konkomitan tidak berkorelasi dengan faktor 1 yang dicobakan.
H1 : variabel konkomitan berkorelasi dengan faktor 1 yang dicobakan.
 Untuk faktor 2
H0 : variabel konkomitan tidak berkorelasi dengan faktor 2 yang dicobakan.
H1 : variabel konkomitan berkorelasi dengan faktor 2 yang dicobakan.

11
 dengan statistik uji :

Apabila asumsi-asumsi di atas telah dipenuhi maka dapat dilanjutkan ke pengujian

hipotesis ANCOVA dua arah.
b. Pengujian Hipotesis
Bentuk hipotesis ANCOVA dua arah adalah sebagai berikut :
1) Pengaruh interaksi faktor 1 dan faktor 2

(tidak ada pengaruh interaksi faktor 1 dan faktor 2 terhadap respons yang diamati)

(ada pengaruh interaksi faktor 1 dan faktor 2 terhadap respons yang diamati)
2) Pengaruh faktor 1

(tidak ada pengaruh faktor 1 terhadap respons yang diamati)

(ada pengaruh faktor 1 terhadap respons yang diamati)

3) Pengaruh faktor 2

(tidak ada pengaruh faktor 2 terhadap respons yang diamati)

(ada pengaruh faktor 2 terhadap respons yang diamati)

12
Analisis Kovarians Multivariat (MANCOVA) Dua Arah dengan Satu Kovariat

Model MANCOVA merupakan gabungan antara MANOVA dan regresi multivariat

(Timm, 2002 : 225). MANCOVA yang terdiri dari dua faktor dan dipengaruhi oleh satu
variabel independen tambahan yaitu variabel konkomitan disebut MANCOVA dua arah
dengan satu kovariat. MANCOVA dua arah merupakan perluasan dari ANCOVA dua arah
sehingga prosedur dalam MANCOVA dua arah sama dengan ANCOVA dua arah,
perbedaannya adalah pada ANCOVA menggunakan variabel skalar sedangkan MANCOVA
menggunakan variabel vektor.
Proses komputasi dalam MANCOVA dua arah juga sama dengan ANCOVA dua arah
namun variabel dependen yang diamati lebih dari satu, berikut tabel pengamatannya.

Tabel 2.3 Data Pengamatan Mancova Dua Arah dengan Satu Kovariat

13
dengan :
l = 1,2,…,g ( l adalah taraf dari faktor 1 sebanyak g)
k = 1,2,…,b ( k adalah taraf dari faktor 2 sebanyak b)
r = 1,2,…,n ( r adalah ulangan dalam percobaan sebanyak n)
i = 1,2, ... ,p (i adalah respons yang diamati sebanyak p)
Tabel di atas merupakan data pengamatan MANCOVA dua arah dengan interaksi
yang terdiri dari taraf ke-l dari pengaruh faktor 1 dan taraf ke-k dari pengaruh faktor 2 dengan
ulangan ke-n, dan respons yang diamati sebanyak p dengan tambahan satu kovariat.

Menurut Rencher (1998 : 188) model linear MANCOVA dua arah dengan interaksi
adalah sebagai berikut:

𝑔 𝑔
Pada model tersebut asumsi yang harus dipenuhi adalah 𝑙=1 𝛼𝑙 = 𝑏𝑘=1 𝛾𝑘 = 𝑙=1 𝛼𝛾 𝑙𝑘 =
𝑏 2
𝑘=1 𝛼𝛾 𝑙𝑘 = 0 dan 𝜀𝑙𝑘𝑟 ~ 𝐼𝑁 0, 𝜎 .
Dalam model di atas terdapat model regresi multivariat yang terdiri dari satu kovariat yaitu :

di mana :
l = 1,2,…,g
k = 1,2,…,b
r = 1,2,…,n
i = 1,2, ... ,p
𝑌𝑙𝑘𝑟 : vektor respons atau nilai pengamatan pada satuan percobaan ke-r yang memperoleh
taraf ke- l dari faktor 1 dan taraf ke-k dari faktor 2
𝜇 : vektor rata-rata keseluruhan
𝛼𝑙 : vektor taraf ke- l pengaruh faktor 1
𝛾𝑘 : vektor taraf ke- k pengaruh faktor 2
𝛼𝛾 𝑙𝑘 : vektor pengaruh interaksi taraf ke- l faktor 1 dan taraf ke- k faktor 2
𝜀𝑙𝑘𝑟 : vektor galat yang muncul dari satuan percobaan ke-r yang memperoleh kombinasi
perlakuan lk (taraf ke- l dari faktor 1 dan taraf ke- k dari faktor 2)
𝑋𝑙𝑘𝑟 : vektor nilai pengamatan ke-lkr pada variabel konkomitan
𝛽 : matriks koefisien regresi yang menunjukkan ketergantungan antara 𝑌𝑙𝑘𝑟 pada 𝑋𝑙𝑘𝑟

dimana

14
 Sebelum memulai pengujian, perlu menghitung matrik T, E dan H. Matriks T
𝑥
merupakan matriks jumlah kuadrat dan hasil kali silang total untuk vektor kombinasi 𝑦
yang didefinisikan sebagai berikut :

dimana :

Matriks E merupakan matriks jumlah kuadrat dan hasil kali silang galat yang
didefinisikan sebagai berikut :

dimana :

Sementara itu matriks H merupakan matriks jumlah kuadrat dan hasil kali silang
pengaruh perlakuan yang didefinisikan sebagai berikut :

dimana :

15
 Matrik HA merupakan matriks jumlah kuadrat dan hasil kali silang pengaruh faktor 1
yang didefinisikan sebagai berikut :

dimana :

Matriks HB merupakan matriks jumlah kuadrat dan hasil kali silang pengaruh faktor 2
yang didefinisikan sebagai berikut :

dimana :

Pada dasarnya, generalisasi analisis univariat ke analisis multivariate adalah dengan

mengganti variabel skalar seperti 𝑥𝑙.. − 𝑥… 2 dengan variabel vektor 𝑥𝑙.. − 𝑥… 𝑥𝑙.. − 𝑥… ′
(Johnson dan Wichern, 2002 : 310). Oleh karena itu matriks jumlah kuadrat dan hasil kali
silang terkoreksi yang merupakan generalisasi dari analisis univariat. Matriks jumlah kuadrat
dan hasil kali silang terkoreksi disajikan dalam Tabel 2.4 berikut :

16
 Tabel 2.4. MANCOVA Dua Arah

Asumsi-Asumsi dalam MANCOVA Dua Arah dengan Satu Kovariat

Dalam analisis kovarians multivariate (MANCOVA), semua asumsi adalah sama

seperti pada analisis variance multivariate (MANOVA), tetapi ada asumsi tambahan terkait
dengan variable konkomitan. Beberapa asumsi yang harus dipenuhi sebelum pengujian
MANCOVA adalah:

a. Antar Pengamatan Independen

Salah satu usaha untuk memenuhi asumsi ini adalah dengan melakukan pengacakan.
Dengan demikian dengan menerapkan pengacakan maka asumsi ini telah terpenuhi.
b. Variabel Dependen berdistribusi Multivariat Normal
Seperti pada umumnya untuk menguji terpenuhinya asumsi variable dependen
mengikuti distribusi multivariate normal dilakukan dengan membuat plot Chi-Square
(Johnson. 2002). Dimana jika 𝑦1 , 𝑦2 , 𝑦3 , … , 𝑦𝑝 berdistribusi normal multivariate maka
𝒀 − µ ′ 𝚺 −𝟏 (𝒀 − µ) akan mengikuti sebaran 𝑋𝑝2 . Langkah-langkah dalam menguji
asumsi ini adalah:
1. Hitung:
di 2  ( x (i )  ) '  1 ( x (i )  )
2. Beri peringkat nilai di2
3. Carilah nilai khi-kuadrat dari nilai (i –1/2)/n dengan derajat bebas p.
 i  12 
 2p  
 n 
17
  i  12 
4. Buat plot  2p   dengan di . bila pola hubungannya mengikuti garis lurus
2

 n 
dan lebih dari 50% dari di2   p2(0,5) maka data tersebut dapat dikatakan
menyebar normal ganda.
Jika data tidak mengikuti sebaran multivariate normal maka perlu dilakukan
transformasi data, seperti transformasi log, kuadratik dan ln.
c. Homogenitas Matriks Varians-Kovarians
Pada MANCOVA juga diperlukan asumsi hommogenitas matriks Varians-Kovarians.
Pengujian asumsi ini dilakukan dengan Uji Box’s M.
Hipotesis untuk uji Box’s M adalah
H0:  1 =  2 = ⋯ =  𝑘 (matriks varians-kovarians homogen)
H1: ∃(  𝑖 ≠  𝑗 ) 𝑢𝑛𝑡𝑢𝑘 (𝑖 ≠ 𝑗) (matriks varians-kovarians tidak homogen)
Statistik uji Box’s M yang digunakan adalah (Gaspersz,1995:541)
𝑘 𝑘

𝑀= 𝑛𝑖 − 1 𝑙𝑛 𝑆 − 𝑛𝑖 − 1 𝑙𝑛 𝑆𝑖
𝑖=1 𝑖=1
𝑘
2𝑝2 + 3𝑝 − 1 1 1
𝐶 −1 = 1 − − 𝑘
6(𝑝 + 1)(𝑘 − 1) 𝑛𝑖 − 1 𝑖=1(𝑛𝑖 − 1)
𝑖=1
𝑘
𝑖=1 (𝑛 𝑖 −1)𝑆𝑖
Dimana 𝑆 = 𝑘 (𝑛 −1) , S adalah matriks gabungan varians kovarians dan merupakan
𝑖=1 𝑖
penduga bagi 𝛴, sedangkan 𝑆𝑖 adalah matriks kovarians 𝛴𝑖 dengan i=1,2,…,k dan k
adalah banyaknya respon yang diamati, ni adalah banyaknya ukuran contoh pada
respon ke-i.
2 1
Pada uji ini, H0 akan ditolak jika MC-1 > 𝑋𝑉;𝛼 , dimana 𝑣 = 2 (𝑘 − 1)(𝑝)(𝑝 + 1).
d. Hubungan linier antara variable dependen dan variable konkomitan
Untuk menguji asumsi ini digunakan statistic Wilk’s Lambda, dengan hipotesis yang
digunakan adalah
H0: 𝑩 = 0 (variable X tidak mempengaruhi variable Y)
H1: 𝑩 ≠ 0 (variable X mempengaruhi variable Y)
Statistik uji yang digunakan adalah
𝐄𝒀.𝑿 𝐄𝒚𝒚 − 𝑬𝒚𝒙 . 𝑬−𝟏
𝒙𝒙 . 𝑬𝒙𝒚
Λ=
𝐄𝒀.𝑿 + 𝐇𝑹 𝐄𝒚𝒚
Statistika Wilk’s Lambda tersebut bsa ditransformasikan menjadi sebaran F, bentuk
transformasi ke sebaran F adalah sesuai dengan table 2.5 berikut

18
 Tabel 2.5 . Transformasi ke sebaran F

dengan:
p = banyaknya variable respon yang diamati
𝑉𝐻 = derajat bebas perlakuan
𝑉𝐸 = derajat bebas galat

Wilk’s Lambda juga bisa ditransformasikan ke Uji Bartlett, yaitu:

𝑝 − 𝑔𝑏 − 1 + 1 𝐄
𝑋 2 = − 𝑔𝑏 𝑛 − 2 − 𝑙𝑛
2 𝐄 + 𝐇𝒍𝒌
Kriteria keputusan dari uji ini adalah tolak H0 jika Fhitung > Ftabel, sedangkan untuk uji
2
Bartlett’s H0 akan ditolak jika 𝑋 2 > 𝑋𝑝𝑉 𝐻 ;𝛼
e. Koefisien regresi homogen antar perlakuan
Pada MANCOVA juga terdapat asumsi bahwa hubungan antara variable dependen
dan variable konkomitan homogen antar perlakuan, seperti pada ANCOVA. Untuk
menguji asumsi ini terlebih dahulu dihitung matriks jumlah kuadratdan hasil kali
silang galat setiap kelompok.
Misalkan 𝐄𝒍𝒌 merupakan matriks jumlah kuadrat dan hasil kali silang galat setiap
kelompok yang didefinisikan sebagai:
𝐄𝒙𝒙𝒍𝒌 𝐄𝒙𝒚𝒍𝒌
𝐄𝒍𝒌 =
𝐄𝒚𝒙𝒍𝒌 𝐄𝒚𝒚𝒍𝒌
Matriks regresi dihitung secara terpisah pada masing-masing kelompok dan hasilnya
dijumlahkan. Dengan demikian, model penuh (full model) untuk MANCOVA dua
arah dinotasikan sebagai 𝐇𝒍𝒌𝑭 dan dirumuskan sebagai
𝒈 𝒃

𝐇𝐅 = 𝑬𝒚𝒙𝒍𝒌 . 𝑬−𝟏
𝒙𝒙𝒍𝒌 . 𝑬𝒙𝒚𝒍𝒌
𝒍=𝟏 𝒌=𝟏
Sedangkan model turunan (reduced model) yang merupakan 𝐇𝑹 dirumuskan sebagai:
𝐇𝐑 = 𝑬𝒚𝒙 . 𝑬−𝟏
𝒙𝒙 . 𝑬𝒙𝒚

19
 Hipotesis untuk uji ini adalah
H0: koefisien regresi homogen antar perlakuan
H1: koefisien regresi tidak homogeny antar perlakuan
Statistik uji yang digunakan adalahh selisih antara model penuh dengan model
tereduksi, yaitu
𝒈 𝒃

𝐇𝐅 − 𝐇𝐑 = 𝑬𝒚𝒙𝒍𝒌 . 𝑬−𝟏 −𝟏
𝒙𝒙𝒍𝒌 . 𝑬𝒙𝒚𝒍𝒌 − 𝑬𝒚𝒙 . 𝑬𝒙𝒙 . 𝑬𝒙𝒚
𝒍=𝟏 𝒌=𝟏
Dan matriks jumlah kuadrat dalam model penuh adalah
𝒈 𝒃

𝐄 = 𝐄𝒚𝒚 − 𝑬𝒚𝒙𝒍𝒌 . 𝑬−𝟏

𝒙𝒙𝒍𝒌 . 𝑬𝒙𝒚𝒍𝒌
𝒍=𝟏 𝒌=𝟏
Dengan menggunakan statistic ujia Wilk’s Lambda, lambda ditransformasikan ke
sebaran F sesuai dengan table 2.5, sehingga didapatkan rumus Wilk’s Lambda sebagai
statistic uji homogenitas koefisien regresi antar perlakuan, yaitu
𝒈
𝐄 𝐄𝒚𝒚 − 𝒍=𝟏 𝒃𝒌=𝟏 𝑬𝒚𝒙𝒍𝒌 . 𝑬−𝟏 𝒙𝒙𝒍𝒌 . 𝑬𝒙𝒚𝒍𝒌
Λ= =
𝐄 + 𝐇𝒍𝒌 𝐄𝒚𝒚 − 𝑬𝒚𝒙 . 𝑬−𝟏
𝒙𝒙 . 𝑬𝒙𝒚
Wilk’s Lambda juga dapat ditransformasi ke Uji Bartlett’s yaitu:
𝑝 − 𝑔𝑏 − 1 + 1 𝐄
𝑋 2 = − 𝑔𝑏 𝑛 − 2 − 𝑙𝑛
2 𝐄 + 𝐇𝒍𝒌
Kriteria keputusan dari uji ini adalah tolak H0 jika Fhitung > Ftabel, sedangkan untuk uji
Bartlett’s H0 akan ditolak jika 𝑋 2 > 𝑋 2 (gb-1)p;(α)

f. Variabel konkomitan tidak berkorelasi dengan perlakuan yang dicobakan

Asumsi terakhir yang harus dipenuhi adalah variable konkomitan tidak berkorelasi
dengan perlakuan yang dicobakan. Asumsi ini menunjukkan bahwa pada
MANCOVA, variable konkomitan tidak boleh dipengaruhi oleh factor yang ada dalam
percobaan. Jika variable konkomitan hanya satu maka asumsi ini bisa diuji dengan
melakukan uji ANOVA univariat dengan menggunakan kovariat.

Prosedur MANCOVA Dua Arah dengan Satu Kovariat

1. Menguji asumsi-asumsi MANCOVA

Pada tahap ini, akan diuji apakah data hasil penelitian memenuhi asumsi-asumsi
dalam MANCOVA yaitu antar pengamatan harus independen, variabel dependen
berdistribusi normal multivariat, homogenitas matriks varians kovarians, ada hubungan
linear antara variabel dependen dan variabel konkomitan, koefisien regresi homogen antar
perlakuan, dan variabel konkomitan tidak berkorelasi dengan perlakuan yang dicobakan.
Apabila semua asumsi terpenuhi maka dapat diteruskan ke tahap berikutnya. Tetapi
apabila ada asumsi yang tidak terpenuhi maka data tersebut harus ditransformasikan
terlebih dahulu supaya memenuhi semua asumsi dalam MANCOVA dua arah dengan satu
kovariat.

20
2. Melakukan pengujian terhadap vektor rata-rata untuk p variabel dependen pada tiap
perlakuan.
Pengujian hipotesis merupakan tahap paling penting dalam statistic inferensia.
Pengujian hipotesis dalam MANCOVA dua arah sama seperti pengujian dalam
MANOVA dua arah, hanya saja dalam MANCOVA dua arah perlu mempertimbangkan
hipotesis terhadap koefisien regresi yang ada karena adanya variabel konkomitan. Dengan
demikian hipotesis dalam MANCOVA dua arah adalah untuk menguji perbedaan
perlakuan terhadap sekelompok variabel dependen setelah disesuaikan dengan pengaruh
variabel konkomitan.
 Pengaruh interaksi faktor 1 dan faktor 2

(tidak ada pengaruh interaksi faktor 1 dan faktor 2 terhadap respons yang diamati)

(ada pengaruh interaksi faktor 1 dan faktor 2 terhadap respons yang diamati)
Hipotesis tentang pengaruh interaksi ditempatkan pada bagian pertama, hal ini
menunjukkan bahwa dalam percobaan dua factor terlebih dahulu menguji tentang
pengaruh interaksi antara kedua faktor. Jika terdapat pengaruh interaksi (H0 ditolak),
maka tidak perlu melakukan hipotesis utama (hipotesis faktor 1 dan faktor 2) tetapi yang
terpenting adalah mencari lebih jauh bagaimana bentuk hubungan ketergantungan diantara
faktor 1 dan faktor 2. Jika pengujian terhadap hipotesis mengenai pengaruh interaksi
menyatakan bahwa tidak ada pengaruh interaksi (H0 diterima), maka dilakukan pengujian
terhadap hipotesis mengenai pengaruh utama faktor 1 dan pengaruh utama faktor 2
menjadi bermanfaat (Gaspersz, 1991 : 330)
 Pengaruh faktor 1

(tidak ada pengaruh faktor 1 terhadap respons yang diamati)

(ada pengaruh faktor 1 terhadap respons yang diamati)

 Pengaruh faktor 2

(tidak ada pengaruh faktor 2 terhadap respons yang diamati)

(ada pengaruh faktor 2 terhadap respons yang diamati)

dengan statistik uji menggunakan statistic uji wilk’s lambda, sebagai berikut :
 Pengaruh interaksi faktor 1 dan faktor 2

atau

21
 Tolak H0 jika Fint > Ftabel atau 𝑋 2 > 𝑋 2 (g-1)(b-1)p;(α)
 Pengaruh faktor 1

atau

Tolak H0 jika Ffak1 > Ftabel atau 𝑋 2 > 𝑋 2 (g-1)p;(α)

 Pengaruh faktor 2

atau

Tolak H0 jika Ffak2 > Ftabel atau 𝑋 2 > 𝑋 2 (b-1)p;(α)

22
 BAB III
CONTOH KASUS

Seorang peneliti tertarik melakukan penelitian untuk membandingkan dua metode

yang berbeda dalam pembelajaran fisik dalam kuliah kelas pagi, siang dan malam
menggunakan metode tradisional dan metode discovery. Variabel dependen yang diamati
adalah nilai tes yang diperoleh dalam bidang mekanik yang dilambangkan dengan M, panas
yanag dilambangkan H, dan bunyi yang dilambangkan S. Dalam kasus ini, terdapat variabel
lain yaitu nilai IQ (X) yang diperkirakan mempegaruhi nilai test (Variabel konomitan). Untuk
itu, peneliti menetapkan mengambil sampel random dari tiga kelas berdasarkan waktu
perkuliahan yaitu kelas A (kelas perkuliahan pagi pukul 08.00, kelas B (kelas perkuliahan
pukul 14.00) dan kelas C (kelas perkulihan malam pukul 20.00) yang terdiri dari 24
mahasisiwa. Dua belas mahasisiwa diajar menggunkan metode tradisional dan 12 mahasisiwa
lainnya diajar menggunakan metode discovery. Dengan demikina mahasisiwa diambil secara
acak untuk masing-masing metode pembelajaran dan perbedaan kelas berdasarkan waktu
dengan banyak mahasiswa adlah 4 orang setiap kelas. Tabel berikut menyajikan nilai tes yang
diperoleh dalam bidang mekanik (M), panas (H), bunyi (S) untuk 24 mahasiswa dengan satu
variabel konkomitan nilai IQ (X).
Tabel 3.1. Nilai Tes dan IQ untuk tiga Kelas dengan Dua Metode Pembelajaran

Berdasarkan permasalahan tersebut dapat diketahui bahwa percobaan tersebut adalah

percobaan MANCOVA dua arah 2 x 3 dengan satu kovariat dan ulanagn sebanyak empat kali.
Selanjutnya peneliti ingin mengetahui pengaruh variabel independen terhadap variabel
dependen setelah disesuaikan dengan variabel konkomitan sebagai berikut.
1. Pengaruh interaksi metode pembelajaran dan perbedaan kelas
Apakah metode pembelajaran dan perbedaan kelas akan berpengaruh terhadapa nlai tes
dalam bidang mekanik, panas, dan bunyi.
2. Pengaruh metode pembelajaran
Apakah metode pembelajaran akan berpengaruh terhadap nilai tes dalam
bidang mekanik, panas, dan bunyi.
3. Pengaruh perbedaan kelas
Apakah perbedaan kelas akan berpengaruh terhadap nilai tes dalam
23
 bidang mekanik, panas, dan bunyi.
Penyelesaian kasus tersebut dengan menggunakan software SPSS 18 adalah sebagai berikut :
1. Uji asumsi MANCOVA dua arah dengan satu kovariat
Sebelum melakukan pengujian pada MANCOVA dua arah dengan satu kovariat
terlebih dahulu melakukan uji asumsi-asumsi pada MANCOVA dua arah dengan satu
kovariat sebagai berikut :
a. Distribusi normal mutivariat
Uji normalitas yang digunakan dengan jarak Mahalanobis. Dari Lampiran 1 dapat
ditunjukkan bahwa lebih dari 50% nilai dari d(2i )   p2(0,50) yaitu pengamatan 7, 8, 9,
11,13, 14, 16, 17, 19, 20, 21, 22, dan 23. Berdasarkan uji tersebut dapat dikatakan
bahwa data mendekati distribusi normal multivariate.
b. Homogenitas matriks varian kovarians
Asumsi ini dapat diperiksa berdasarkan statistik uji Box’s M berikut
Tabel 3.2. Statistik Uji Box’M
Box's M Fhit p-value
19,042 0,774 0,677
Berdasarkan tabel 3.2 terlihat p-value = 0.677> nilai α = 0.05, sehingga H0 diterima
yang artinya dapat disimpulkan bahwa ketiga variabel dependen (nilai tes dalam
bidang mekanik, panas dan bunyi) mempunyai matriks varian kovarians yang sama
pada kelompok kelas dan metode pembelajaran.
c. Ada hubungan linier antara variabel dependen (nilai tes dalam bidang mekanik, panas,
dan bunyi) dan variabel konkomitas (IQ).
Untuk menguji asumsi ini digunakan statistik uji berikut:
Tabel 3.3. Multivatiate test Pengaruh Variabel Konkomitan terhadap
Variabel Dependen
Statistik Uji P-value
Pillai's Trace 0.200
Wilks' Lambda 0.200
Hotelling's Trace 0.200
Roy's Largest Root 0.200
Tabel 3.3 menunukan bahwa p-value untuk sebesar statistik sebesar 0.2. Nilai tersebut
lebih besar dari tingkat signifikansi α = 0.05, sehingga H0 diterima. Dengan demikian,
dapat disimpulkan bahwa tidak terdapat pengaruh variabel konkomitan terhadap
variabel dependen. Dengan kata lain, tidak terdapat hubungan linier antara nilai IQ
dengan nilai test bidang mesin, panas dan bunyi.
d. Koefisien regresi homogen antar perlakuan.
Uji koefisien regresi homogen antar perlakuan menggunakan uji Bartlett Sphericity.
Adapun hipotesis pada uji Bartlett sebagai berikut.
H0 : koefisien regresi homogen antar perlakuan
H1 : koefisien regresi tidak homogen antar perlakuan
Pada Lampiran 2 ditunjukkan bahwa Pvalue < α sehingga H0 ditolak yang berarti
koefisien regresi antar kelompok bersifat heterogen.
24
 e. Variabel konkomitan tidak berkorelasi dengan perlakuan yang dicobakan
Jika banyaknya kovariat hanya satu, maka untuk menguji asumsi ini dapat diperiksa
menggunakan uji ANOVA dengan hasil sebagai berikut
Tabel 3.4. ANOVA Metode Pembelajaran dan Kelas terhadapat IQ
Sumber Jumlah Derajat Kuadrat F-hit p-value
Kuadrat Bebas Tengah
Metode 145,042 1 145,042 0,926 0,349
Kelas 276,083 2 138,042 0,882 0,431
Interaksi 305,583 2 152,792 0,976 0,396
Galat 2818,250 18 156,569
Total 343171,000 24

Pada tabel 3.4, untuk interaksi metode pembelajaran dan perbedaan kelas menunjukan
p-value = 0.396 > α = 0,05 maka H0 diterima. Artinya,nilai IQ tidak berkorelasi
dengan metode pembelajaran dan perbedaan kelas. Untuk metode pembelajaran,
karena p-value = 0.349 > α = 0,05 maka H0 diterima. Artinya, IQ tidak berkorelasi
dengan metode pembelajaran. Kemudian, untuk perbedaan kelas, didapatkan juga
bahwa p-value = 0. 431 > α=0,05 maka H0 diterima yang berarti nilai IQ juga tidak
berkorelasi dengan perbedaan kelas. Dengan demikian, dapat disimpulkan bahwa
asumsi ariabel konkomitan tidak berkorelasi dengan perlakuan yang dicobakan
terpenuhi.

2. Uji MANCOVA Dua Arah dengan Satu Kovariat

Pada MANCOVA dua arah dengan satu kovariat yang diuji adalah pengaruh interaksi
antar metode pembelajaran dan perbedaan kelas, pengaruh metode pembelajaran dan
pengaruh perbedaan kelas terhadap nilai tes dalam bidang mekanik, panas, dan bunyi
setelah disesuaikan dengan nilai IQ. Berikut adalah tabel MANCOVA untuk pengujian
tersebut.
Tabel 3.5. MANCOVA Metode Pembelajaran dan Perbedaan Kelas Tehadap Nilai Tes
dalam Bidang Fisika yang Disesuaikan dengan Nilai IQ
Sumber Derajat F-hit p-value
Bebas
Metode 1 2.222 0.128
Kelas 2 2.768 0.028
Interaksi 2 1.218 0.323
Galat 18
Total 24

Dari tabel 3.5 didapatkan, p-value untuk interaksi antara metode pembelajaran dan
kelas sebesar 0.323 lebih besar dari tingkat signifikansi α = 0.05 sehingga H0 diterima,
yang berarti tidak terdapat pengaruh yang signifikan dari interaksi antara metode
pembelajaran dan kelas terhadap nilai tes fisika yang telah disesuaiakan dengan IQ.
25
Kemudian, untuk faktor kelas didapatkan p-value = 0.028 < α = 0.05 maka H0 ditolak,
sehingga dapat disimpulkan bahwa terdapat pengaruh metode pembelajaran terhadap nilai
tes fisika. Sedangkan untuk faktor metode pembelajaran, diperoleh p-value = 0.128 > α =
0.05 maka H0 diterima, artinya tidak terdapat pengaruh kelas terhadap nilai fisika.
Oleh karena itu dapat disimpulkan bahwa, faktor yang mempengaruhi nilai tes dalam
bidang fisika adalah faktor kelas. Dengan kata lain, nilai tes fisika antara kelompok siswa
antar kelas berbeda.

26
 BAB IV

KESIMPULAN

Berdasarkan pembahasan mengenai analisis kovarian multivariat dua arah dengan satu
kovariat beserta contoh pennerapannya dapat diambil kesimpulan bahwa contoh penerapan
mancova dua arah dapat diterapkan dalam bidang pendidikan. Salah satu terapan dalam
bidang pendidikan bertujuan untuk menyelediki apakah metode pembelajaran (tradisional dan
discovery) dan perbedaan kelas berdasarkan waktu perkuliahan (kelas A yaitu kelas
perkuliahan pagi pukul 08.00, kelas B yaitu kelas perkuliahan siang pukul 14.00, dan kelas C
yaitu kelas perkuliahan malam pukul 20.00) dalam pembelajaran fisika berpengaruh terhadap
nilai tes di bidang mekanik, panas, dan bunyi setelah disesuaikan dengan nilai IQ mahasiswa.
Hasil penelitian ini menunjukkan untuk factor perbedaan kelas terdapat pengaruh nilai tes
bidang mekanik, panas, dan bunyi setelah disesuaikan dengan nilai IQ. Sedangkan untuk
factor metode pembelajaran dan interaksi antara pembelajaran dan perbedaan kelas, tidak
mempengaruhi nilai tes ketiga bidang.

27
 DAFTAR PUSTAKA

Johnson, R. A. & Wichern, D. W. 2002. Applied Multivariate Statistical Analysis. New Jersey
: Prantice Hall International, Inc.

Rencher, A. C. 1998. Multivariate Statistical Inference and Applications. New York : John
Wiley and Sons.

Sudjana. 1994. Desain dan Analisis Eksperimen Edisi Ketiga. Bandung : Tarsito.

Timm, N. H. 2002. Applied Multivariate Analysis. New York : Spinger - Verlag.

Wulandari,M.T.2011. Skripsi : Analisis Kovarians Multivariat Dua Arah Dengan Satu

Kovariat. UNY. Yogyakarta

28
 LAMPIRAN

Lampiran 1. MANCOVA Metode Pembelajaran dan Perbedaan Kelas Tehadap Nilai Tes
dalam Bidang Fisika yang Disesuaikan dengan Nilai IQ

————— 12/16/2013 5:48:03 PM ————————————————————

MTB > %d:\qqplot.txt c1-c3

Executing from file: d:\qqplot.txt

Answer = 6.1860
Answer = 5.9030
Answer = 7.0692
Answer = 4.2319
Answer = 7.5966
Answer = 2.4921
Answer = 1.1373
Answer = 0.3355
Answer = 0.3140
Answer = 4.7196
Answer = 2.0677
Answer = 3.8353
Answer = 1.1373
Answer = 1.1373
Answer = 3.5448
Answer = 0.3140
Answer = 0.3355
Answer = 3.7463
Answer = 0.3355
Answer = 2.0677
Answer = 0.3140
Answer = 2.0677
Answer = 0.3355
Answer = 7.7767

Scatterplot of q vs dd

Data Display

t 0.541667

distribusi data multinormal

29
 Chi
d square
6.186 2.36
5.903 2.36
7.0692 2.36
4.2319 2.36
7.5966 2.36
2.4921 2.36
1.1373 2.36
0.3355 2.36
0.314 2.36
4.7196 2.36
2.0677 2.36
3.8353 2.36
1.1373 2.36
1.1373 2.36
3.5448 2.36
0.314 2.36
0.3355 2.36
3.7463 2.36
0.3355 2.36
2.0677 2.36
0.314 2.36
2.0677 2.36
0.3355 2.36
7.7767 2.36

30
Lampiran 2. Hasil Uji Bartlett Sphericity
Bartlett's Test of
Sphericitya
Likelihood Ratio .000
Approx. Chi- 20.372
Square
df 5
Sig. .001
Tests the null hypothesis that
the residual covariance
matrix is proportional to an
identity matrix.
a. Design: Intercept + IQ +
METODE + KELAS +
METODE * KELAS

31
Lampiran 3. Hasil uji Box’s M
Box's Test of
Equality of
Covariance
Matricesa
Box's 19,042
M
F ,774
df1 12
df2 392,538
Sig. ,677
Tests the null
hypothesis that the
observed
covariance matrices
of the dependent
variables are equal
across groups.
a. Design: Intercept
+ IQ_X + Metode
+ Kelas + Metode *
Kelas

32
Lampiran 4. Hasil Uji MANCOVA
Multivariate Testsc
Effect Hypothesis
Value F df Error df Sig.
Intercept Pillai's Trace ,993 717,572a 3,000 15,000 ,000
Wilks' Lambda ,007 717,572a 3,000 15,000 ,000
Hotelling's Trace 143,514 717,572a 3,000 15,000 ,000
Roy's Largest 143,514 717,572a 3,000 15,000 ,000
Root
IQ_X Pillai's Trace ,259 1,751a 3,000 15,000 ,200
Wilks' Lambda ,741 1,751a 3,000 15,000 ,200
Hotelling's Trace ,350 1,751a 3,000 15,000 ,200
Roy's Largest ,350 1,751a 3,000 15,000 ,200
Root
Metode Pillai's Trace ,308 2,222a 3,000 15,000 ,128
Wilks' Lambda ,692 2,222a 3,000 15,000 ,128
Hotelling's Trace ,444 2,222a 3,000 15,000 ,128
Roy's Largest ,444 2,222a 3,000 15,000 ,128
Root
Kelas Pillai's Trace ,683 2,768 6,000 32,000 ,028
Wilks' Lambda ,345 3,514a 6,000 30,000 ,009
Hotelling's Trace 1,818 4,241 6,000 28,000 ,004
Roy's Largest 1,771 9,448b 3,000 16,000 ,001
Root
Metode * Pillai's Trace ,372 1,218 6,000 32,000 ,323
Kelas Wilks' Lambda ,630 1,300a 6,000 30,000 ,287
Hotelling's Trace ,585 1,364 6,000 28,000 ,263
Roy's Largest ,580 3,092b 3,000 16,000 ,057
Root
a. Exact statistic
b. The statistic is an upper bound on F that yields a lower bound on the significance level.
c. Design: Intercept + IQ_X + Metode + Kelas + Metode * Kelas

Levene's Test of Equality of Error Variancesa

F df1 df2 Sig.
Mekanik_ ,957 5 18 ,469
Y1
Panas_Y2 1,359 5 18 ,286
Bunyi_Y3 ,687 5 18 ,639

33
Tests the null hypothesis that the error variance of the
dependent variable is equal across groups.
a. Design: Intercept + IQ_X + Metode + Kelas +
Metode * Kelas

Tests of Between-Subjects Effects

Source Dependent Type III Sum Mean
Variable of Squares df Square F Sig.
a
Corrected Mekanik_Y 9,634 6 1,606 1,922 ,135
Model dime 1
nsion
Panas_Y2 28,231b 6 4,705 5,809 ,002
1 c
Bunyi_Y3 27,024 6 4,504 7,223 ,001
Intercept Mekanik_Y 1093,662 1 1093,662 1309,368 ,000
dime
1
nsion
Panas_Y2 1219,508 1 1219,508 1505,645 ,000
1
Bunyi_Y3 1163,770 1 1163,770 1866,269 ,000
IQ_X Mekanik_Y ,801 1 ,801 ,958 ,341
dime
1
nsion
Panas_Y2 ,231 1 ,231 ,285 ,600
1
Bunyi_Y3 ,149 1 ,149 ,239 ,631
Metode Mekanik_Y 3,206 1 3,206 3,838 ,067
dime
1
nsion
Panas_Y2 5,210 1 5,210 6,432 ,021
1
Bunyi_Y3 3,523 1 3,523 5,650 ,029
Kelas Mekanik_Y 6,354 2 3,177 3,804 ,043
dime
1
nsion
Panas_Y2 12,314 2 6,157 7,602 ,004
1
Bunyi_Y3 17,805 2 8,903 14,276 ,000
Metode * Mekanik_Y ,945 2 ,472 ,566 ,578
dime
Kelas 1
nsion
Panas_Y2 6,338 2 3,169 3,913 ,040
1
Bunyi_Y3 5,297 2 2,648 4,247 ,032
Error Mekanik_Y 14,199 17 ,835
dime
1
nsion
Panas_Y2 13,769 17 ,810
1
Bunyi_Y3 10,601 17 ,624
Total Mekanik_Y 140172,000 24
dime
1
nsion
Panas_Y2 144192,000 24
1
Bunyi_Y3 144653,000 24

34
Corrected Total Mekanik_Y 23,833 23
dime 1
nsion
Panas_Y2 42,000 23
1
Bunyi_Y3 37,625 23
a. R Squared = ,404 (Adjusted R Squared = ,194)
b. R Squared = ,672 (Adjusted R Squared = ,556)
c. R Squared = ,718 (Adjusted R Squared = ,619)

35
Lampiran 5. ANOVA Metode Pembelajaran dan Kelas terhadap IQ

Tests of Between-Subjects Effects

Dependent Variable:IQ_X
Source Type III Sum Mean
of Squares df Square F Sig.
a
Corrected 726,708 5 145,342 ,928 ,486
Model
Intercept 339626,042 1 339626,042 2169,172 ,000
Metode 145,042 1 145,042 ,926 ,349
Kelas 276,083 2 138,042 ,882 ,431
Metode * 305,583 2 152,792 ,976 ,396
Kelas
Error 2818,250 18 156,569
Total 343171,000 24
Corrected 3544,958 23
Total
a. R Squared = ,205 (Adjusted R Squared = -,016)

36