Matriks X adalah matriks N x (k+1).

Kolom 2 dengan k+1 adalah linier independent dan

penjumlahan pada kolom 1, maka rank matriknya adalah k. Karena itu modelnya
y X| c = +
Adalah less than full rank. Untuk mereparameterisasikan pada cara yang benar, definisikan k
adalah parameter baru dengan memisalkan
i i
t = + untuk i=1, 2, ..., k. Model barunya
adalah

ij i ij
y c = + i=1, 2, ..., k
j=1, 2, ..., n
i
atau
y Zo c = +
dimana
1
2
4
1 0 0
1 0 0
1 0 0
0 1 0
0 1 0
0 1 0
0 0 1 and
0 0 1
0 0 1
Z

(
(
(
(
(
(
(

(
(
(
(
(
(
(
(
(
(
(
(

(
(
(
= =
(
(
(
(
(

(
(


Perhatikan bahwa Z adalah N x k dengan rank k; full rank. Untuk melihat y Zo c = +
sebenarnya sebuah reparameterisasi model yang asli, ini harus ditunjukkan bahwa elemen
adalah fungsi estimable yang linear independen dari . Untuk selanjutnya, perhatikan bahwa
untuk menduga
1
dapat dinyatakan sebagai baris dari X yang dikali oleh . Maka dari itu,
tiap elemen adalah elemen X. Dengan Teorema 5.5.1, tiap elemen estimable. Elemen ke-
i dapat ditulis dalam bentuk vektor sebagai c
i
dimana c
i
adalah vektor baris nol dan satu
persatu memunculkannya dalam kolo 1 dan i+1. Saat tiap elemen ditulis dalam bentuk
vektor, mudah untuk menggunakan definisi independence untuk membuktikan bahwa
elemen-elemen tersebut memang fungsi estimable yang independen seperti yang
dikehendaki. Reparameterisasi untuk menjalankan tujuannya, parameter model yang baru
harus dinterpretasikan. Ini adalah kasus dimana
i
mewakili rata-rata respon untuk populasi
dimana sample ke-i diambil. Pada latihan, kesimpulan terbaik yang dibuat pada model one-
way classification memperhatikan nilai meannya dan hubungan keberadaannya. Model
reparameterisasi bisa digunkaan untuk membuat kesimpulan menggunakan teknik full rank
yang dibahas pada Chapter 3 dan 4.
Kebanyakan jalan dalam menggunakan statistik meliputi diskusi rinci dari model one-way
classification pada bentuk reparameterisasi telah dibahas. Biasanya bagian penting diskusi
adalah membahas tabel analisis variansi menyediakan untuk menguji hipotesis nol dari
persamaan mean. Hipotesis ini dinyatakan sebagai
0 1 2
:
k
H = = =
Tidak sulit untuk melihat bahwa hipotesis ini ekuivalen dengan hipotesis yang dapat diuji
0 1 2
:
k
H t t t = =
Sebuah susunan unik untuk menguji H
0
ditunjukkan pada Tabel 6.1. Pada tabel ini, y
i

menunjukkan penjumlahan respon untuk sampel i, dan y
i
menunjukkan jumlah semua respon.
Tabel dapat dibenatkan dengan teori model linier.
Tabel Anova untuk bentuk one-way classification dengan pengaruh yang telah ditentukan
Sumber
Variasi
Derajat
Bebas
Jumlah
Kuadrat
Rata-rata
Kuadrat
F
Perlakuan k 1
2 2
1
k
i
i
i
y y
n N
=

( 1) SS k
t

MS
MSE
t

Error N - k Selisih
( ) SS N k
c

Total N 1
2
2
1 1
k n
ij
i j
y
y
N
= =

Meskipun aturannya tidak sepenuhnya sama sebagai satu pertemuan ketika menguji suatu
hipotesis nol pada suatu sub himpunan parameter dalam kasus full rank, gagasannya dibahas
untuk menunjukkan layaknya pengujian dapat diuji dapat digunakan. Faktanya, kita bekerja
dengan dua model. Pertama adalah model penuh yang mengandung semua parameter
1,

2, ... ,

k
. Kedua adalah model terreduksi. Ini adalah model dimana hasilnya ketika H
0
:
i
=
2
= ... =

k
diasumsikan benar. Kita ingin memilih antara dua model dengan filosofi bahwa model
terreduksi ditangguhkan kecuali model tersebut terlihat tidak cukup. Karena itu, kita
asumsikan bahwa rata-rata populasi serupa kecuali kita menemukan bukti untuk
pembantahan. Metode digunakan untuk memilih antara dua paralel yang dipakai pada Section
4.2. Kita bentuk regresi jumlah kuadrat untuk tiap model dan mencari perbedaan diantaranya.
Perbedaan kecil menunjukkan untuk mendukung hipotesis nol; suatu perbedaan besar
mengindikasikan bahwa H
0
mungkin tidak benar dan faktanya terdapat perbedaan diantara
rata-rata populasi k.
Full model mengasumsikan bentuk yang ditunjukkan pada Example 6.1; yaitu,

ij i ij
y c = + i=1, 2, ..., k
j=1, 2, ..., n
i
atau
y Zo c = +
Regresi jumlah kuadrat untuk model ini ditunjukkan dengan SS
Reg(full)
dan diberikan

1
Reg(full)
'[ ( ' ) '] SS y Z Z Z Z y

=
Perhatikan bahwa

1
1
2 1
2
1
0 0
0 0
1
0 0 0 0
' dan ( ' )
0 0
1
0 0
k
k
n
n
n
n Z Z Z Z
n
n

(
(
(
(
(
(
(
(
= =
(
(
(
(
(

(
(


Misalkan y
i
menunjukkan jumlah respon sample ke-i, dengan begitu mudah untuk memeriksa
bahwa

2
Reg(Full)
1
k
i
i
i
y
SS
n
=
=

Model terreduksi daitulis mengasumsikan bahwa hipotesis nol benar. Misalkan
1 2 k
= = = = , model ini mengasumsikan bentuk

ij i ij
y c = + i=1, 2, ..., k
j=1, 2, ..., n
i
atau
y Zo c = +
dimana Z
2
adalah N x 1 vektor 1 dan
2
adalah angka riil . Karena itu,

2 2
1
1
and
1
Z o
(
(
(
= =
(
(


Regresi jumlah kuadrat untuk model ini ditunjukkan dengan SS
Reg(Reduced)
dan diberikan oleh
1
Reg(reduced) 2 2 2 2
'[ ( ' ) '] SS y Z Z Z Z y

=
Dengan ini dapat diperiksa bahwa

2
Reg(reduced)
y
SS
N
=
Dimana y adalah jumlah semua respon.
Perbedaan antara regresi jumlah kuadrat tersebut ditunjukkan dengan SS
Reg(hipotesis)
dan
diberikan oleh



Reg(Hipotesis) Reg(Full) Reg(Reduced)
1 1
2 2 2 2
2 2
1
'[ ( ' ) '] '[ ( ' ) ']

k
i
i
i
SS SS SS
y Z Z Z Z y y Z Z Z Z y
y y
n N

=
=
=
=

Berikut ini adalah banyaknya variasi pada respon yang tidak acak tapi tidak dapat
dicantumkan untuk model terreduksi. Logika menganjurkan bahwa bentuk kuadratik ini harus
memainkan peran penting pada uji H
0
. Khususnya, untuk menyamai teknik yang digunakan
pada Section 4.2, uji statistik harus berupa Rasio F dengan SS
Reg(Full)
SS
Reg(Reduced)
berwujud
jumlah kuadrat numeratornya. Uji statistik yang diusulkan adalah

2 2
1
Reg(Full) Reg(Reduced)
Reg(Full)
( )
( )( 1)
( 1)
/ ( ) / ( )
k
i
i i
y y
n N
SS SS k
k
SS N k SS N k
c
=



=

Ini adalah uji statistik yang diberikan pada tabel 6.1
Untuk membenarkan statistik ini secara penuh, haruslah dibuktikan bahwa itu bisa dinyatakan
sebagai rasio dua variabel acak chi-kuadrat bebas, yang masing-masing dibagi oleh masing-
masing derajat bebas. Untuk selanjutnya, kita samakan pendapat yang diberikan pada Section
4.2 dan mulai dengan menegnggap identitas

1 1 1
2 2 2 2 2 2 2 2
2 2 2
1
2
' ( ' ) ' '[ ( ' ) ' ( ' ) '] '
'[1 ( ' ) ']

y Z Z Z Z y y Z Z Z Z Z Z Z Z y y y
y Z Z Z Z y
o o o
o

= +

+

Karena
1
2 2 2 2
' ( ' ) ' y Z Z Z Z y

adalah regresi jumlah kuadrat untuk model terreduksi, dimana

hanya memiliki satu parameter, syarat pertama di ruas kanan diketahui untuk mengikuti suatu
distribusi chi-kuadrat noncentral dengan derajat bebas 1. Dapat disimpulkan dari sini bahwa

1
2 2 2 2
[ ( ' ) '] 1 r Z Z Z Z

=
Bentuk kuadratik
1
'[1 ( ' ) '] y Z Z Z Z y SS
c

= adalah jumlah kuadrat sisa untuk full model. Ini

diketahui untuk mengikuti suatu distribusi chi-kuadrat dengan derajat bebas N-k. Oleh karena
itu

1
[1 ( ' ) '] r Z Z Z Z y N k

=
Meskipun secara matematika tidak jelas, ini bisa ditunjukkan bahwa

1 1
2 2 2 2
[1 ( ' ) ' ( ' ) '] 1 r Z Z Z Z Z Z Z Z k

=
Latihan 10 dan 11 membawa kita menuju pembuktian pernyataan ini langkah demi langkah.
Teorema Cochran-Fisher pada section 4.2 menjamin tiga bentuk kuadratik pada bagian kanan
atas identitas adalah secara bebas berdistribusi nonsentral chi-kuadrat variabel acak.
Faktanya, bentuk kuadrat

Reg(Full) Reg(Reduced)
2 2
dan
SS SS
SS
c
o o

independen. Untuk menunjukkan statistik usulan mengikuti suatu distribusi F. Penting hanya
untuk menunjukkan parameter nonsentral dihubungkan dengan variabel acak

1 1
2 2 2 2
2
'[1 ( ' ) ' ( ' ) '] y Z Z Z Z Z Z Z Z y
o



memiliki nilai 0 dimana
1 2 k
= = = . Dengan teorema Cochran-Fisher,

1 1
2 2 2 2 2
1
( ) '[ ( ' ) ' ( ' ) ']( )
2
Z Z Z Z Z Z Z Z Z Z o o
o

=
Saat H
0
diterima,
1 2 k
= = = = dan [ ] o = . Ini tidak jelas bahwa =0 pada
kasus ini. Tetapi sulit untuk memeriksa bahwa ini benar. Latihan-latihan12-14 bagian dari
permulaan. Ini bisa disimpulkan bahwa jika H
0
diterima, statistiknya

2 2
1
/
( 1)
/ ( )
k
i i
i
y n y N
k
SS N k
c
=
(

mengikuti distribusi F dengan derajat bebas k-1 dan N-k.
Dengan ini bisa diketahui bahwa nilai ekspektasi bilangan penyebutnya adalah
2
o . Nilai
ekspektasi pembilangnya dapat ditunjukkan untuk menyamakan dengan
2
o ketika H
0 -
diterima dan untuk melebihi
2
o sebaliknya(lihat latihan 15). Dengan demikian, dari
sebelumnya, uji f adalah tepat.
ANOVA ditunjukkan pada tabel 6.2 meringkas hasil yang telah dibahas di sini. Persamaan
ANOVA diberikan pada tabel 4.3 untuk menguji hipotesis pada suatu subset pada model
full rank. Perhatikan bahwa SS
Reg(Reduced)
+ SS
Reg(Hipotesis)
+ SS
Res
= SS
Total
sebagai ekspektasi
dan bahwa kecocokan derajat bebasnya bertambah. Yang bisa kita lihat, tabel ini berbeda dari
tabel 6.1. tabel 6.1 didasari pada total corrected jumlah kuadrat, yang dimana tabel 6.2
menggunkan suatu total uncorrected.
Contoh 6.2.2 mengilustrasikan metode ini membandingkan rata-rata pada model one-way
classification dengan mempertimbangkan kembali data analisis pada section 6.1.
Tabel 6.2
Sumber
Variasi
Derajat
Kebebasan
Jumlah
Kuadrat
Rata-rata
Kuadrat
F
Regresi k
2
1
k
i
i
i
y
n
=

Model terreduksi L
2
y
N


Hipotesis k-l
2 2
1
k
i
i
i
y y
n N
=

Reg(Hipotesis)
1
SS
k

Hipotesis
MS
MSE

Residual N - k 1
2
2
1 1 1
n k k
i
ij
i j i
i
y
y
n
= = =

Res
SS
N k


Total(uncorrected) N 1
2
1 1
n k
ij
i j
y
= =

Contoh 6.2.2
Pada contoh 6.1.2 tiga metode berbeda untuk mengganti karbon organik dari air pembuangan
pasir aspal dibandingkan menggunakan prosedur model linier untuk menguji suatu hipotesis
bentuk C=0. Untuk menguji melalui modelreparameterisasi, hipotesisnya

0 1 2 3
: H = =
Diuji. Dengan
y
1
= 362.5 y
..
= 1084.3
2
1
k
i
i
i
y
n
=

= 40441.749
y
2
= 440 n
1
= n
2
= n
3
= 10
2
..
/ y N = 39190.216
y
3
= 281.8 N = 30
3 10
2
1 10
ij
i j
y
= =

= 40720.41
Anova ditulis pada tabel 6.3
Seperti yang kita lihat,

1
Reg(Hipotesis)
1251.533 ( )'[ ( ' )' '] ( ) SS Cb C X X C Cb

= =
Sebagai ekspektasi. Hasilnya, rasio F diperoleh dari reparameterisasi full rank yang
ditemukan dengan bekerja dengan model less than full rank pada bentuk linier umum.
Penghitungan tambahan H mendemonstrasikan penggunaan SAS pada konjugngsi dengan
model reparameterisasi.
Tabel 6.3
ANOVA untuk data pasir aspal
Sumber
Variasi
Derajat
Kebebasan
Jumlah
Kuadrat
Rata-rata
Kuadrat
F
Regresi(full) 3
40441.749


Model terreduksi 1
39190.216

Hipotesis 2
1251.533
625.7665 60.63
Residual 27 278.661 10.32
Total(uncorrected) 30
40720.41




6.3
Pengujian Suatu Hipotesis Pada Kontras Perlakuan
Pada model one-way clasification, penelitian-penelitian sering menginginkan untuk membuat
perbandingan spesifik antara parameter
1 2
, , ,
k
t t t . Perbandingan mengasumsikan bentuk kontras
pelakuan. Panggil kembali bahwa kontras perlakuan adalah fungsi linier
1
k
i i i
at
=
dengan demikian
1
0
k
i i i
at
=
=

.
Pada chapter 5 telah ditunjukkan kontras-kontras tersebut dapat estimable, dan karena itu hipotesis
bentuknya


0
1
: 0
k
i i
i
H at
=
=

dapat diuji. Mereka dapat diuji sebagai pernyataan atau bisa ditulis kembali pada syarat
parameter
1 2
, , ,
k
dimana
i i
t = + . Pada bentuk terrreparameterisasi, hipotesis nol
dapat diuji adalah

0
1
: 0
k
i i
i
H a
=
=

atau

0
: ' 0 H a o =
Dimana
1 2
' [ ]
k
a a a a = dan
1 2
' [ ]
k
o = . Teorinya diperlukan untuk membahas
suatu statistik uji yang tepat yang telah dibahas. Panggil kembali bahwa model
reparameterisasinya

1
1
2
1
0 0
1
0 0
( ' )
1
0 0
k
n
n Z Z
n

(
(
(
(
(
=
(
(
(
(
(



karena model reparameterisasinya full rank,


1
2 1
( ' ) '
k
y
y
Z Z Z y
y
o

(
(
(
= =
(
(


Menggunakan latihan 38 pada chapter 5, dapat disimpulkan bahwa statistiknya

1
'
'( ' )
a
s a Z Z a
o

| |
|
|
\ .

mengikuti suatu distribusi t dengan derajat bebas n k. Statistik ini digunakan untuk
melakukan salah satu uji H
0
kanan, kiri atau dua arah. Ini mudah untuk memeriksa statistik di
atas yang dapat ditulis

1
2
1
/ /
k
i i
i
k
i i
i
a y
s a n
=
=

Bentuk ini biasanya terlihat pada materi awal pada statistik.
Sebelum pengilustrasian penggunaan statsitik secara numerik, satu hal lain harus dibuat.
Karena kuadrat suatu variabel acak t dengan derajat bebas n mengikuti distribusi F dengan
derajat bebas 1 dan n(lihat latihan 19 pada chapter 4), bisa disimpulkan bahwa statistiknya

2
1
2
1
2
/
k
i i
i
k
i i
i
a y
a n
S
=
=
(
| |
(
|
\ . (
(
(
(

Mengikuti suatu distribusi F dengan derajat bebas 1 dan n-k. Pembilang pada rasio F ini
disebut jumlah kuadrat kontras. Ini mudah untuk mengantisipasi bentuk suatu jumlah kuadrat
kontras. Rata-rata populasinya
1 2
, , ,
k
kontras adalah




Soal 6.1
2. Misalkan suatu model one-way classification dengan akibat yang telah ditentukan dengan
k = 3 dan N = n
1
+ n
2
+ n
3
. Buktikan hipotesis pada contoh 6.1.1 dapat diuji dengan
memeriksa ( ' ) '
c
C X X X X C = dimana

1 2 3
1
1 1
2 2
2
3 3
3
0 0 0 0
1
0 0 0 n n n
n
n n 0 0
( ' ) dan ( ' ) 1
0 0 0 n 0 n 0
n
n 0 0 n
1
0 0 0
n
c
N
X X X X
(
(
(
(
(
(
(
(
= =
(
(
(
(
(

(
(


Jawab :
0 1 1 0
0 1 0 1
C
(
=
(

(example 6.1.1)
Untuk membuktikan hipotesis dapat diuji atau tidak haruslah ( ' ) '
c
C X X X X C =
( ' ) '
c
C X X X X C =
1 2 3
1 1
1
2 2
3 3
2
3
0 1 1 0 0 0 0 0 n n n
0 1 0 1 1 n n 0 0
0 0 0
n
n 0 n 0
1 n 0 0 n
0 0 0
n
1
0 0 0
n
N ( ( (
( ( (

( (
( (
( (

(
(
(
(
(

= 0 1 1 0
0 1 0 1
(
(

1 2 3
1 2
1 1
2 2
1 3
3 3
1 1
0 0 n n n
n n 0 0
1 1
0 0 n 0 n 0
n 0 0 n
N
n n
n n
(
(
(
(
(
(
(
(
(
(

= 0 1 1 0
0 1 0 1
(
(

1 1 1 1 0
1 1 1 0 1
(
(


= 0 1 1 0
0 1 0 1
(
(

0 1 1 0
0 1 0 1
(
(

= 0 1 1 0
0 1 0 1
(
(

Maka hipotesis pada Contoh 6.1.1 dapat diuji