Pengujian Hipotesis tentang

Vektor Rata-rata (Part 2)

Nusar Hajarisman
Department of Statistics, Universitas Islam Bandung

Pengujian pada Variabel Individu

Ketika H0 Ditolak

Apabila hipotesis H 0 : 1 = 2 ditolak, maka

implikasinya adalah bahwa ada satu yang
memenuhi 1 j 2 j untuk j = 1, 2, , p.
Akan tetapi tidak ada jaminan bahwa H0: 1 j 2 j
akan ditolak untuk beberapa j melalui uji univariat.
Namun demikian, apabila kita perhatikan suatu
kombinasi linear dari variabel, z = a`y, kemudian
setidaknya ada satu vektor koefisien a yang mana
t (a) =

z1 z2

1/ n1 + 1/ n2 ) sz2

Pengujian pada Variabel Individu

Ketika H0 Ditolak

akan menolak hipotesis yang bersesuaian

H 0 : z1 = z 2
atau
H 0 : a ' 1 = a ' 2
Diketahui bahwa z1 = a`y1 dan z2 = a`y 2 ,
serta penaksir varians sz2 adalah penaksir
gabungan a`Sgaba. Jadi Persamaan (5.20) dapat
ditulis sebagai
t (a) =

a`y1 a`y 2
( n1 + n2 ) / n1n2 a`S gaba

Pengujian pada Variabel Individu

Ketika H0 Ditolak

Oleh karena t(a) dapat bernilai negatif, maka nanti

akan bekerja t2(a).
Fungsi linear z = a`y merupakan proyeksi dari y
pada suatu garis melalui titik pusat.
Kita akan mencari suatu garis (arah) sedemikian
rupa sehingga selisih y 1 y 2 akan dimaksimumkan
ketika diproyeksikan.

Pengujian pada Variabel Individu

Ketika H0 Ditolak

Selisih yang diproyeksikan a`( y1 y 2 ) [dibakukan

oleh a`Sgaba dalam (5.21)] akan lebih kecil dalam
sembarang arah dibandingkan dengan garis
paralel yang menggabungkan y1 dan y 2 .
Nilai a yang memproyeksikan pada garis ini akan
memaksimumkan t2(a) dalam Persamaan (5.21)
melalui

a =S

1
gab

( y1 y 2 )

Pengujian pada Variabel Individu

Ketika H0 Ditolak

Oleh karena a dalam (5.22) memproyeksikan y1 y 2

pada garis paralel pada suatu garis yang
menggabungkan y1 dan y 2 , maka dalam hal ini
t2(a) = T2
1
Ketika a = S gab
( y1 y 2 ) , maka z = a`y disebut
sebagai fungsi diskriminan.
Kadang-kadang vektor a itu sendiri dirujuk sebagai
fungsi diskriminan.

Pengujian pada Variabel Individu

Ketika H0 Ditolak

Apabila H 0 :1 = 2 ditolak melalui statistik-T2 dalam

Persamaan (5.9), maka fungsi diskriminan a`y akan
membawa pada penolakan H 0 : a ' 1 = a ' 2 dengan
1
menggunakan (5.21), dimana a = S gab
( y1 y 2 ) .
Kemudian kita dapat menentukan masing-masing aj
di dalam a untuk melihat mana yang memberikan
kontribusi penting terhadap terjadinya penolakan
H0 tersebut.
Prosedur ini hanya dapat dilakukan pada saat
hipotesis H 0 :1 = 2 ditolak melalui statistik-T2.

Contoh 5.4

Untuk data hasil psiko-test dalam Tabel 5.1, telah diperoleh

beberapa besaran yang diperlukan, yaitu vektor rata-rata
dan matriks kovarians gabungan dari kedua sampel tersebut
sebagaimana yang diberikan pada Contoh 5.3.
Vektor koefisien fungsi diskriminan diperoleh melalui
Persamaan (5.22) sebagai
0.5104

0.2033
1

a = S gab
( y1 y 2 ) =
0.4660

0.3097

Contoh 5.4

Jadi kombinasi linear yang terbaik dalam

memisahkan kedua kelompok tersebut adalah

a`y = 0.5104y1 0.2033y2 + 0.4660y3 0.3097y4

sehingga terlihat bahwa variabel y1 dan y3

memberikan kontribusi relatif lebih besar untuk
membedakan kedua kelompok tersebut.

Perbandingan Berpasangan
(Univariat)

Misalkan dua buah sampel adalah tidak saling

bebas sebab di sana terjadi pemasangan alamiah
antara observasi ke-i yi pada sampel pertama
dengan observasi ke-i xi dalam sampel kedua untuk
seluruh i.
Sebagai contoh misalnya suatu perlakuan diberikan
sebanyak dua kali pada individu yang atau pada
saat subjek dipasangkan menurut kriteria yang
sama, misalnya umur, IQ, atau latar belakang
keluarga.

Perbandingan Berpasangan
(Univariat)

Dengan melakukan pemasangan seperti itu, sampel yang

diperoleh seringkali dirujuk sebagai data berpasangan
(paired observations) atau pasangan yang dipasangkan
(matched pairs).
Tentu saja kedua sampel tersebut berkorelasi, sehingga
statistik uji yang diberikan dalam Persamaan (5.9) menjadi
kurang tepat karena sampel harus saling bebas agar supaya
(5.9) mempunyai distribusi-t.
Oleh karena itu kedua sampel akan direduksi menjadi satu
sampel dengan jalan menghitung selisih antara data yang
berpasangan

Perbandingan Berpasangan
(Univariat)

Untuk memperoleh uji-t, maka tidak cukup untuk

mengasumsikan normalitas saja untuk setiap
variabel y dan x.
Untuk memperhitungkan kovarians antara y dan x,
maka kita asumsi tambahan bahwa y dan x
mengikuti distribusi normal bivariat dimana

y
= ,
x

y2 yx2
= 2
2

x
yx

Perbandingan Berpasangan
(Univariat)

Diketahui bahwa di = yi xi akan mengikuti

distribusi N ( y x , d2 )
dimana: d2 = y2 2 yx + x2
Dari d1, d2, , dn akan dihitung

1 n
d = di
n i =1
n
1
2

sd2 =
(
d
d
)

i
n 1 i =1

Perbandingan Berpasangan
(Univariat)

Untuk menguji hipotesis H0: y = x atau sama

dengan H0: d = 0, akan digunakan statistik satusampel:
d
t=

sd / n

yang akan mengikuti distribusi tn 1 pada saat H0

benar. Hipotesis H0 akan ditolak apabila |t| >
t/2,n 1.
2
2
Dalam hal ini tidak perlu diasumsikan bahwa y = x
karena tidak ada pembatasan pada .

Perbandingan Berpasangan
(Univariat)

Pengujian ini hanya mempunyai derajat bebas n 1

dibandingkan dengan 2(n 1) uji-t untuk dua
sampel yang saling bebas dalam Persamaan (5.8).
Secara umum, proses pemasangan observasi ini
mereduksi keragaman dalam sampel sd sehingga
mampu meningkatkan kuasa ujinya.
Apabila kita keliru dalam memperlakukan kedua
sampel itu saling bebas dan menggunakan statistik
dalam (5.8) dengan n1 = n2 = n, maka kita akan
mempunyai:

Perbandingan Berpasangan
(Univariat)
yx
yx
t=
=
2
sgab 2 / n
2 sgab / n

Akan tetapi,
2
2
2
2

s
+
n

(
1)
(
1)
y
x
y
x
2
E ( 2 sgab
=
E
=
2
) (n + n 2)n n

sedangkan

var( y x ) = ( + 2 yx ) / n
2
y

2
x

Perbandingan Berpasangan
(Univariat)

Jadi, jika statistik uji untuk sampel saling bebas

dalam (5.8) digunakan untuk data berpasangan,
maka statistik tersebut tidak akan mengikuti
distribusi-t,
serta akan mempunyai suatu penaksir yang bersifat
underestimate dari nilai-t sesungguhnya karena

+ > + 2 yx
2
y

2
x

2
y

2
x

Perbandingan Berpasangan
(Univariat)

Dengan demikian kita dapat menggunakan

t=

Tetapi

yx
( s 2y + s x2 2 s yx / n

t = nd / sd

dalam Persamaan (5.23) lebih sederhana untuk

digunakan.

Perbandingan Berpasangan
(Multivariat)

Suatu pengukuran sering dicatat di bawah sejumlah kondisi

percobaan yang berbeda untuk melihat apakah respons
berbeda secara nyata menurut kondisi percobaan tersebut.
Suatu pendekatan yang masuk akal untuk membandingkan
dua buah perlakuan, atau ada tidaknya suatu perlakuan
tunggal, adalah dengan menetapkan kedua perlakuan
tersebut pada unit yang sama atau identik.
Respons berpasangan kemudian dapat dianalisis dengan
menghitung perbedaannya itu. Prosedur perbandingan
pada kasus data multivariat untuk p respons, 2 perlakuan,
dan n unit percobaan dapat disusun sebagai berikut:

Perbandingan Berpasangan
(Multivariat)
X11j = variabel 1 di bawah perlakuan 1
X12j = variabel 2 di bawah perlakuan 1

X1pj = variabel p di bawah perlakuan 1

X21j = variabel 1 di bawah perlakuan 2
X22j = variabel 2 di bawah perlakuan 2

X2pj = variabel p di bawah perlakuan 2

Perbandingan Berpasangan
(Multivariat)
Untuk p buah variabel acak untuk perbedaan atau
selisih secara berpasangan diberikan oleh:

D1j = X11j X21j

D2j = X12j X22j
Dpj = X1pj X2pj

Perbandingan Berpasangan
(Multivariat)
D ' j = D 1 j , D 2 j , ..., D p j

Misalkan

Diasumsikan, untuk j = 1, 2, , n, bahwa

1

2

E (D j ) = =
M

p

cov ( D j ) = d

Perbandingan Berpasangan
(Multivariat)
Perlu diketahui bahwa D1, D2, , Dn adalah vektor acak Np(, ) yang saling bebas,
sehingga inferensi tentang vektor rata-rata perbedaan dapat didasarkan pada statistik T2
yang diberikan oleh:
T 2 = n ( D )`S d-1 ( D )

1 n
D = Dj
n j =1

1 n
Sd =
D j D )( D j D )`
(

n 1 j =1

Perbandingan Berpasangan
(Multivariat)
Untuk menguji hipotesis bahwa H0: = 0 melawan H1:
0 untuk populasi Np(, d) akan menolak H0 jika:

( n 1) p
T = nD`S D >
Fp , n p ( )
(n p )
2

-1
d

dimana Fn,n p() merupakan batas atas persentil

ke-(100) dari distribusi F dengan derajat bebas
p dan n p.

Perbandingan Berpasangan
(Multivariat)
100(1 )% interval kepercayaan simultan untuk
rata-rata perbedaan individu diberikan oleh:

i : di

( n 1) p
F p , n p ( )
(n p )

dimana d i adalah unsur ke-i dari vektor D

2
S
dan d adalah unsur diagonal ke-i dari Sd.
i

S d2i
n

Perbandingan Berpasangan
(Multivariat)
Contoh 1:
Gugus data berikut ini diberikan untuk menguji
hipotesis mengenai ada tidaknya perbedaan yang
diberikan oleh dua buah laboratorium dalam
pemeriksaan sifat-sifat kimia dari polusi sungai. Ada
dua sifat kimia yang akan diamati (x1 dan x2) dengan
sampel berukuran n = 11.

Perbandingan Berpasangan
(Multivariat)
Sampel j
1
2
3
4
5
6
7
8
9
10
11

Laboratorium 1
X11j
X12j
6
27
6
23
18
64
8
44
11
30
34
75
28
26
71
124
43
54
33
30
20
14

Laboratorium 2
X21j
X22j
25
15
28
13
36
22
35
29
15
31
44
64
42
30
54
64
34
56
29
20
39
21

Perbandingan Berpasangan
(Multivariat)
Statistik T2 untuk menguji hipotesis
H0: = [1, 2] = [0, 0]
dapat dibentuk dari selisih data berpasangan
sebagai berikut:
d1j

-19 -22 -18 -27 -4

-10 -14 17

-19

d2j

12

11

-2

1-

-7

10

42

15

-1

-4

60

Perbandingan Berpasangan
(Multivariat)
Dari hasil perhitungan diperoleh informasi bahwa
d 1 9 .3 6
d = =

1
3
.2
7
d

199.26 88.38
Sd =

88.38 418.61

Dan nilai statistik T2 sebagai berikut:

0.0055 0.00129.36
=13.6
T =11[ 9.36 13.27]

0.0012 0.0026 13.27

2

Perbandingan Berpasangan
(Multivariat)

Dengan mengambil = 0.05, maka diketahui bahwa:

p ( n 1) / ( n p ) Fp ,n p ( 0.05 )
= [ 2(10) / 9] F2,9 ( 0.05 ) = 9.47

Oleh karena T2 = 13.6 > 9.47, maka

disimpulkan bahwa H0 ditolak.
Artinya bahwa hasil pengukuran dari kedua
laboratorium itu adalah berbeda

Perbandingan Berpasangan
(Multivariat)

95% selang kepercayaan untuk selisih rata-rata 1 dan 2

diberikan oleh:

(n 1) p
Fp ,n p ( )
1 : d1
(n p)
199.26
= 9.36 9.47
11
= ( 22.46; 3.74 )

Sd2i
n
(n 1) p
2 : d2
Fp , n p ( )
(n p)
418.61
= 13.27 9.47
11
= ( 5.71; 32.25 )

S d2i
n

Perbandingan Berpasangan
(Multivariat)

95% selang kerpercayaan simultan di atas

keduanya mencakup nilai nol. Artinya bahwa
hipotesis H0: = 0 belum sepenuhnya bisa ditolak.
Bagaimana kesimpulan akhirnya???
Analisis data untuk perbandingan berpasangan ini
mengasumsikan bahwa Dj mengikuti distribusi
normal multivariat.
Faktanya bahwa dalam gugus data di atas
mengandung satu (atau dua) data pencilan.

Perbandingan Berpasangan
(Multivariat)

Cara untuk mengatasi masalah tersebut adalah

Membuang data pencilan dari gugus data;
Mentransformasikan data ke dalam bentuk
logaritma;
Melakukan kembali proses percobaan terutama
pada proses pengacakannya.
Menghitung kembali nilai statistik T2 dengan
cara sebagai berikut:

Perbandingan Berpasangan
(Multivariat)

Statistik T2 dihitung dari besaran sampel penuh,

artinya bukan menghitung dari dd dan Sd tetapi
dari data asal xx dan Sx
Dalam hal ini xx adalah vektor 2p x 1 dari ratarata sampel untuk p buah variabel pada dua
perlakuan yang diberikan oleh:

x`= x11, x12 ,..., x1p , x21, x22 , ..., x2 p

Perbandingan Berpasangan
(Multivariat)

Dan S adalah matriks

berukuran 2p x 2p dari
varians dan kovarians
sampel yang diberikan
oleh:

S11
( p p )

S=
S 21
( p p )

S12
( p p )
S 22
( p p )

S11 = matriks varkov sampel untuk p buah variabel pada

perlakuan 1
S22 = matriks varkov sampel untuk p buah variabel pada
perlakuan 2
S12 = S21 = matriks kovarians sampel yang dihitung dari
observasi pada pasangan dari perlakuan 1 dan 2

Perbandingan Berpasangan
(Multivariat)

Didefinisikan suatu matriks:

1 0 L 0 1 0
0 1 L 0 0 1
C =
( p2 p ) M M O M
M
M

0 0 L 1 0 0

L 0

L 0
O M

L 1

Perbandingan Berpasangan
(Multivariat)

Dapat ditunjukkan bahwa:

d j = Cx j ,

j = 1, 2,...n

d = Cx
S d = CSC`

Sehingga nilai statistik T2 dapat dihitung melalui:

T = nx`C`( CSC`) Cx
2

Profile Analysis

Analisis profil digunakan pada suatu keadaan

dimana sejumlah p perlakuan dicatat pada dua
atau lebih kelompok subjek.
Seluruh respons harus dinyatakan dalam unit yang
sama.
Diasumsikan bahwa respons untuk kelompok yang
berbeda adalah saling bebas.
Pada umumnya kita fokus pada suatu pertanyaan
bahwa apakah vektor rata-rata populasi itu sama
atau tidak?

Profile Analysis

Dalam analisis profil, pertanyaan mengenai

kesamaan vektor rata-rata dibagi ke dalam
beberapa kemungkinan yang spesifik.
Misalkan

dan

1` = 1 1 , 1 2 , K , 1 p

`2 = 21 , 22 , K , 2 p

adalah rata-rata respons pada p perlakuan untuk

populasi 1 dan 2.

Profile Analysis
Hipotesis H0: 1 = 2 mempunyai
pengertian bahwa perlakuan
mempunyai efek rata-rata yang sama
pada kedua populasi tersebut.
Dalam bentuk profil populasi, dapat
diformulasikan pertanyaan kesamaan
tersebut dalam pola yang bertahap,
yaitu:

Profile Analysis

Tahap 1:
Apakah profil tersebut paralel? Artinya sama
dengan menguji hipotesis

H01: 1i 1i 1 = 2i 2i 1,
untuk i = 2, 3, , p, dapat diterima?

Profile Analysis

Profile Analysis

Tahap 2:
Diasumsikan bahwa profil paralel, kemudian
apakah profil tersebut berimpit?
Artinya apakah hipotesis

H02: 1i = 2i,
untuk i = 1, 2, , p, dapat diterima?

Profile Analysis

Profile Analysis

Tahap 3:
Diasumsikan bahwa profil berimpit, kemudian
apakah profil tersebut sebanding? Artinya
apakah seluruh rata-ratanya mempunyai nilai
yang sama?
Dengan kata lain, apakah hipotesis

H03: 1l = = 1p = 21 = = 2p

dapat diterima?

Profile Analysis

Profile Analysis

Yang perlu diperhatikan bahwa ketiga hipotesis

itu berurutan. Jika pada tahap pertama (H01)
terjadi penolakan, maka tahap berikutnya tidak
bisa dilanjutkan. Jadi sebelum melangkah ke
tahapan selanjutnya, harus dipastikan bahwa
tahapan sebelumnya didukung.

Profile Analysis

Hipotesis nol pada tahapan 1 dapat ditulis sebagai

H01: C1 = C2, dimana C merupakan matriks
kontras

1 1
0 1
C =
(( p 1) p )
M
M

0 0

0 0 K
1 0 K
M M O

0
M

0 0 K 1 1
0
0
M

Profile Analysis

Untuk sampel bebas berukuran n1 dan n2 dari dua

buah populasi, hipotesis nol dapat diuji dengan
membentuk amatan yang ditransformasi dalam
bentuk:
Cx1j untuk j = 1, 2, , n1
dan
Cx2j, dan j = 1, 2, , n2.
Kemudian, diberikan vektor rata-rata sampel Cx1
dan Cx2 serta matriks kovarians gabungan CSgabC`.

Profile Analysis

Oleh karena dua gugus amatan yang

ditransformasi tersebut mempunyai distribusi
Np 1(C1, CC`)
dan
Np 1(C2, CC`),
maka pengujian untuk profil paralel digambarkan
sebagai berikut:
Tolak H01: C1 = C2 (profil paralel) pada taraf
jika:

Profile Analysis
T = ( x1 x2 )`C`

1
n1

1
n2

n1 + n2 2 )( p 1)
(
=
F

S gab

n1 + n2 p

CSgabC` C ( x1 x2 ) > c

p 1, n1 + n2 p

( )

( n1 1)S1 + ( n2 1)S 2
=
n1 + n2 2

Profile Analysis

Pada saat profil itu paralel, yang pertama di atas

yang kedua (1i > 2i) untuk semua i, atau
sebaliknya. Di bawah kondisi seperti ini, profil akan
berimpit hanya jika tinggi total dari
11 + 12 + + 1p = 1`1
dan
21 + 22 + + 2p = 1`2
adalah sama.

Profile Analysis

Dengan demikian hipotesis pada tahapan 2 dapat

ditulis dalam bentuk H02: 1`1 = 1`2.
Kita dapat menguji H02 dengan menggunakan
statistik-t dua-sampel untuk data univariat 1`x1j,
untuk j = 1, 2, , n1, dan 1`x2j, untuk j = 1, 2, ,
n2.
Bentuk pengujian hipotesosnya menjadi tolak H02:
1`1 = 1`2 (profil berimpit) pada taraf jika

Profile Analysis
T = 1`( x1 x2 )

1
n1

1
n2

gab

1 1`( x1 x2 )

1`( x1 x2 )
> t2
n1 + n2 2 ( / 2 ) = F1, n1 + n2 2 ( )

1
1
1`S
1
+
gab
n1
n2

Untuk profil berimpit,

x11 , x12 , K , x1n1

) 1`S

x 21 , x 22 , K , x 2 n
dan
merupakan data yang seluruhnya berasal dari
populasi normal yang sama.
2

Profile Analysis

Tahapan berikutnya adalah untuk melihat apakah

seluruh variabel mempunyai rata-rata yang sama,
sehingga profil menjadi sebanding. Pada saat H01
dan H02 dapat diterima, vektor rata-rata dapat
ditaksir dengan menggunakan seluruh n1 + n2,
yaitu:
n1

x=

x
j =1

1j

n2

+ x2 j
j =1

n1 + n2

n1
n2
=
x1 +
x2
n1 + n2
n1 + n2

Profile Analysis

Apabila profil sebanding, 1 = 2 = = p, maka

hipotesis nol pada tahapan 3 dapat ditulis sebagai
H03: C = 0, dimana C sebagaimana yang
diberikan dalam kontras untuk tahap 1.
Dengan kriteria uji untuk menguji H03: C = 0
adalah tolak hipotesis nol pada taraf jika:

( n1 + n2 ) x`C`CSgabC`

Cx > Fp1,n1+n2 p ()

Profile Analysis

Contoh 3:
Suatu sampel dari suami dan isteri dimintai jawaban
atas pertanyaan-pertanyaan berikut:
Bagaimana taraf perasaan cinta yang anda
rasakan terhadap pasangannya?
Bagaimana taraf perasaan cinta yang dirasakan
oleh pasangan terhadap diri anda?
Bagaimana taraf kecocokan yang anda rasakan
terhadap pasangannya?
Bagaimana taraf kecocokan yang dirasakan oleh
pasangan terhadap diri anda?

Profile Analysis

Jawaban dari tiap responden dicatat pada skala5. Tigapuluh suami dan tigapuluh isteri memberikan
jawaban, dimana
y1 = jawaban untuk pertanyaan 1,
y2 = jawaban untuk pertanyaan 2,
y3 = jawaban untuk pertanyaan 3, dan
y4 = jawaban untuk pertanyaan 4.

Profile Analysis

Diperoleh informasi sebagai berikut:

3.900
3.833
3.967
4.100
,

y1 =
y2 =
4.333
6.333

4.400
4.533

0.532

0.179

0.511

Sgab =
0.032 0.010 0.339

0.071 0.021 0.308 0.356

Profile Analysis

Untuk menguji apakah profil kelompok 1 (laki-laki)

dan kelompok 2 (wanita) adalah paralel, atau
H01: C1 = C2
Di sini akan menggunakan matriks kontras:

Profile Analysis

Kemudian akan dihitung beberapa besaran yang

diperlukan untuk menghitung T2 sebagai berikut:
0.685 0.310 0.029
CS gab C`= 0.310 0.870 0.020
0.029 0.020 0.079
0.067
1 1 0 0
0.200

0.133

C ( y 1 y 2 ) = 0 1 1 0
= 0.167
0.300
0 0 1 1
0.167
0.133

Profile Analysis

Dengan menggunakan persamaan di atas,

diperoleh statistik T2 = 8.106
Untuk = 0.05, diperoleh

c = 3.11 2.8 = 8.7

2

Oleh karena T2 = 8.106 < 8.7, maka dapat

disimpulkan bahwa hipotesis bahwa kedua
kelompok (pria dan wanita) itu paralel adalah
diterima.

Profile Analysis

Diasumsikan bahwa profil kedua kelompok itu

adalah paralel, berikutnya adalah menguji
apakah kedua kelompok itu berimpit (coincident
profiles). Untuk menguji hipotesis:
H0: 1`1 = 1`2
Diperlukan besaran sbb:

1`( x1 x2 ) = 0.500
1`S gab 1 = 2.447

Profile Analysis

Sehingga diperoleh nilai T2 untuk menguji hipotesis

H02 sbb:

T2 =

= 1.533
( 301 + 301 ) 4.027
0.367

Dengan = 0.05, diperoleh F1;58(0.05) = 4.0,

sehingga diketahui T2 = 1.533 < 4.0.
Artinya bahwa kedua kelompok tsb mempunyai
profil yang berimpit.

Profile Analysis

Lebih jauh lagi dapat dikatakan bahwa respons

dari kelompok pria dan wanita terhadap empat
buah pertanyaan yang diberikan adalah sama.
Kemudian untuk menguji apakah kedua kelompok
tsb mempunyai profil yang sebanding, maka:
3.867
4.033

y=
4.483

4.467

Profile Analysis

Sehingga diperoleh nilai T2 yang dihitung melalui

Persamaan (6.59) sebesar T2 = 25.442.
Pada taraf signifikansi = 0.05 diperoleh nilai
F3;56(0.05) = 2.7, sehingga dapat dikatakan
bahwa kedua populasi tersebut bukan merupakan
dua buah populasi yang sebanding.
Kesimpulan: profil kedua kedua kelompok (pria
dan wanita) adalah sama.

Pengujian Matriks Kovarians

Asumsi yang harus dipenuhi untuk dapat

menggunakan statistik-T2 (ataupun MANOVA yang
dibahas pada Bab 6) adalah matriks kovarians
populasi yang sama, atau dalam hal ini
1 = 2 = = k.
Di bawah asumsi ini, matriks kovarians sampel S1,
S2, , Sk mencerminkan matriks kovarians
gabungan , sehingga dapat digabungkan untuk
mendapatkan penaksir bagi .

Pengujian Matriks Kovarians

Jika 1 = 2 = = k tidak terpenuhi, maka

perbedaan yang besar di dalam S1, S2, , Sk
mungkin akan membawa pada penolakan hipotesis
H0: 1 = 2 = = k.
Akan tetapi statistik-T2 (dan MANOVA) cukup tegar
(robust) terhadap keheterogenan matriks kovarians
sepanjang ukuran sampelnya besar dan sama.
Oleh karena itu diperlukan suatu pengujian untuk
kesamaan beberapa matriks kovarians.

Kasus Univariat:

Hipotesis univariat dua-sampel

2
2
2
2
Melawan
H
:

H 0 : 1 = 2
1
1
2
diuji dengan menggunakan statistik-F berikut:

F =s s
dimana s12 dan s22 adalah varians dari dua sampel
yang saling bebas.
Jika H0 (dan asumsi normalitas terpenuhi), maka F
akan berdistribusi , dengan derajat bebas
v1 = n1 1 dan v2 = n2 1.
2
1

2
2

Kasus Univariat

Untuk kasus beberapa sampel, beberbagi prosedur

telah banyak diusulkan. Namun di sini akan dibahas
mengenai uji Bartlett untuk menguji homogenitas
varians karena uji ini dapat diperluas untuk kasus
multivariat.
Untuk menguji H 0 : 12 = 22 = ... = k2
Perlu dihitung beberapa besaran sebagai berikut:
1 k 1
1
k
c = 1+
3(k 1) i =1 vi vi
i =1

Kasus Univariat
2
v
s
i =1 i i
k

s2 =

k
k
2
m = vi ln s vi ln si2
i =1
i =1

i =1 i

dimana s12 , s22 ,..., sk2 adalah varians sampel yang

saling bebas dengan masing-masing mempunyai
derajat bebas v1, v2, , vk. Kemudian
m
k21
c

hipotesis H0 akan ditolak jika

m/c>

2
, k 1

Kasus Univariat

Untuk statistik pendekatan-F, akan digunakan c dan

m, serta menghitung beberapa besaran sebagai
berikut:

a1 = k 1,
k +1
a2 =
,
2
(c 1)
a2
b=
2 c + 2 / a2

Kasus Univariat

Diketahui bahwa

a2 m
F=
a1 (b m)

Fa1 ,a2

Dengan kriteria bahwa tolak H0 jika F > F , a1 ,a2 .

Perlu dicatat asumsi bahwa antara s12 , s22 ,..., sk2
pada pengujian sebelumnya harus terpenuhi dan ini
akan terpenuhi pada sampel acak dari k buah
populasi yang berbeda.
Dengan demikian pengujian ini menjadi kurang
tepat untuk membandingkan s11, s22, , spp dari
diagonal matriks S, karena sjj berkorelasi.

Kasus Multivariat:

Untuk k populasi multivariat, hipotesis tentang

kesamaan matriks kovarians adalah:

H 0 : 1 = 2 = ... = k

H 0 : 1 = 2
Pengujian hipotesis
untuk dua kelompok diperlakukan sebagai kasus
khusus dimana k = 2.
Diasumsikan bahwa sampel yang saling bebas
yang berukuran n1, n2, , nk berasal dari distribusi
normal multivariat.

Kasus Multivariat:

Untuk melakukan pengujian, akan dihitung:

M =

S1

v1 / 2

S2
S gab

v2 / 2

... S k

vk / 2

i vi / 2

dimana vi = ni 1, Si adalah matriks kovarians dari

sampel ke-i, dan Sgab adalah matriks kovarians
sampel gabungan, yang dihitung sebagai

S gab

v Si

i =1 i
k

i =1 i

Kasus Multivariat

Jelas bahwa harus terpenuhi ketentuan vi > p,

sebaliknya |Si| = 0 untuk beberapa i, dan M akan
bernilai nol.
Batas atas eksak dari

2 ln M = v k ln S gab i ln S i

Untuk kasus khusus dari v1 = v2 = = vk = v

diberikan pada Tabel A14 untuk p = 2, 3, 4, 5
serta k = 2, 3, , 10.

Kasus Multivariat

Statistik M merupakan modifikasi dari rasio

kemungkinan dan nilai berada diantara 0 dan 1.
Nilai dari statistik M yang mendekati 1 cenderung
akan mendukung atau menerima H0, sedangkan
yang nilainya mendekati 0 akan membawa pada
penolakan terhadap H0.
Statistik M dapat dinyatakan sebagai:
S1
M =
S gab

v1 /2

S2

S gab

v2 / 2

Sk
...
S gab

vk /2

Kasus Multivariat:

Jika S1 = S2 = = Sk = Sgab, maka M = 1.

Kemudian apabila terjadi perbedaan yang terlalu
jauh diantara S1, S2, , Sk, maka nilai M akan
mendekati nol.
Untuk melihat hal tersebut, perlu dicatat bahwa
determinan dari matriks kovarians gabungan,
|Sgab|, akan berada ditengah-tengan nilai dari
|Si|

Kasus Multivariat

Apabila segugus variabel z1, z2, , zn meningkat

penyebarannya, maka z(1) / z mereduksi perkalian
lebih banyak daripada meningkatnya z( n ) / z ,
dimana
z(1) / z dan z( n ) / z
masing-masing merupakan nilai minimum dan
maksimum.

Kasus Multivariat

Pernyataan ini akan diilustrasikan dengan dua

gugus bilangan {4, 5, 6} dan {1, 5, 9} yang
mempunyai rata-rata yang sama tetapi keragaman
yang berbeda.
Apabila kita asumsikan bahwa v1 = v2 = v3 = v,
maka untuk gugus data yang pertama diperoleh
4 5 6
M 1 =
5 5 5

v /2

= [ (0.8)(1.0)(1.2) ]

v /2

= (0.96) v / 2

Kasus Multivariat

dan untuk gugus data yang kedua diperoleh

1 5 9
M 2 =
5 5 5

v/2

= [ (0.2)(1.0)(1.8) ]

v/2

= (0.36) v / 2

dalam M2, nilai yang terkecil, besaran 0.2

mereduksi perkalian secara proporsional lebih dari
besaran 1.8.

Kasus Multivariat

Box [1949, 1950, dalam Rencher (2002)]

memberikan statistik pendekatan 2 dan F untuk
distribusi dari M.
Kedua uji pendekatan tersebut dirujuk sebagai ujiM Box.
Untuk pendekatan 2 dihitung
k 1
1 2 p2 + 3 p 1
c1 = k

v
6(
p
+
1)(
k

1)
i =1 i i =1 vi

Kasus Multivariat:

Kemudian,

u = 2 (1 c1 ) ln M

akan mendekati distribusi

2 [ 12 (k 1) p ( p + 1) ]

dimana M didefinisikan sebagaimana dalam

Persamaan (5.35), serta
c1 =

( k + 1) ( 2 p 2 + 3 p 1)
6kv ( p + 1)

Kasus Multivariat

Untuk pendekatan-F, akan digunakan c1 yang ada

dalam (5.40), serta menghitung beberapa besaran
yang diperlukan, yaitu

( p 1)( p + 2) k 1
c2 =

6(k 1)
i =1 vi

1
a1 = (k 1) p( p + 1),
2
1 c1 a1 / a2
b1 =
,
a1

2
k
i =1 vi

a1 + 2
a2 =
c2 c12

1 c1 2 / a2
b2 =
a2

Kasus Multivariat

Jika c2 > c , maka

2
1

F = 2b1 ln M

Fa1 ,a2

Jika c2 < c12 , maka

2a2b2 ln M
F=
a1 (1 + 2b2 ln M )

Fa1 ,a2

Dalam kedua kasus di atas, maka hipotesis H0 akan

ditolak Jika F > F

Kasus Multivariat

Jika v1 = v2 = = vk = v,
maka c2 akan menjadi

c2 =

( p 1)( p + 2) ( k 2 + k + 1)
6k 2 v 2

Statistik uji-M Box ini sudah banyak diaplikasikan

dalam berbagai perangkat lunak statistik untuk
MANOVA.

Contoh 5.7

Pada contoh ini akan diuji hipotesis H0: 1 = 2

untuk data psiko-test yang disajikan pd Tabel 5.1.
Matriks kovarians S1, S2, dan Sgab sudah diberikan
pada Contoh 5.3. Berdasarkan informasi tersebut,
maka akan diperoleh
ln M = 12 v1 ln S1 + v2 ln S 2 12 ( v1 + v2 ) ln S gab

= 12 (31) ln 7917.7 + (31) ln 58958.1 12 ( 31 + 31) ln 27325.2

= 7.2803

Untuk keperluan uji eksak, akan dibanding 2 ln M

= 14.561 dengan nilai kritisnya sebesar 19.74

Contoh 5.7

Untuk pendekatan-2, akan dihitung:

c1 =

(2 + 1) 2 ( 42 ) + 3(4) 1
6(2)(31)(4 + 1)

= 0.06935

2
u = 2 (1 c1 ) ln M = 13.551 < 0.05,10
= 18.307

Contoh 5.7

Untuk statistik-F pendekatan, akan dihitung:

(4 1)(4 + 2) 1
1
1
c2 =
+ 2
= 0.005463

2
2
6(2 1) 31 31 (31 + 31

1
a1 = (2 1)(4)(4 + 1) = 10
2

10 + 2
= 18377.7
a2 =
2
0.005463 0.06935

1 0.06935 10 /18377.7
b1 =
= 0.0930
10
1 0.06935 + 2 /18377.7
b2 =
= 5.0646 105
18377.7

Contoh 5.7

Oleh karena c2 = 0.005463 > c = 0.00481,

maka akan digunakan (5.42) untuk memperoleh
2
1

F = 2b1 ln M = 1.354 < F0.05,10, = 1.83

Dari hasil-hasil ketiga statistik uji di atas, baik yang

eksak maupun pendekatan, memberikan hasil
pengujian yang non signifikan, yang berarti bahwa
ketiga penguian tersebut meneriman H0.