Anda di halaman 1dari 13

MODUL 2

MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA)

1. Tujuan Praktikum

Setelah praktikum pada modul 2 ini diharapkan

sebagai berikut:

mahasiswa mempunyai kompetensi

1)

Dapat melakukan prosedur pengujian g nilai tengah secara multivariat (MANOVA)

satu arah (one-way)

2)

Dapat melakukan prosedur pengujian g nilai tengah secara multivariat (MANOVA)

dua arah (two-way)

2. Materi

Dari kuliah-kuliah terdahulu telah kita pelajari prosedur pengujian perbandingan nilai

tengah antara dua grup (atau populasi) atau lebih untuk pengukuran secara univariat

(satu variabel).

Tabel 1. Padanan Prosedur Pengujian Perbandingan Nilai Tengah Antara Dua/Lebih Grup

Banyaknya Grup dalam Variable Prediktor (Treatment)

Banyaknya Variable Respon

Satu

Dua atau lebih (multivariate)

(univariate)

Dua grup (Specialized Case)

t test

Hotteling’s T 2

Lebih dari dua grup (Generalized Case)

ANOVA

MANOVA

1)

MANOVA satu arah

Struktur Data

Struktur data MANOVA satu arah (one-way) dapat dilihat sebagaimana ditampilkan

dalam Tabel 2. Di mana, Treatment (perlakuan) dibagi dalam g grup dan masing-

masing grup diulang sebanyak n kali. Ulangan untuk masing-masing grup bisa berbeda

dan bisa sama untuk semua grup. Perlakuan dilambangkan dengan X, sedangkan respon

atau variabel dependen dilambangkan dengan Y.

Tabel 2. Struktur data MANOVA satu-arah

 

Variable

Variable

 

Variable

Treatment (X l j )

Dependen ke-1

Dependen ke-2

Dependen ke-k

X

11

Y

11

Y

21

 

Y

k1

X

12

Y

12

Y

22

Y

k2

.

 

.

.

.

.

.

.

.

X

1j

Y

1n1

Y

2n1

Y

kn1

X

21

.

.

.

X

22

.

.

.

.

.

.

.

.

.

.

.

X

2j

Y

1n2

Y

2n2

Y

kn2

.

.

.

.

.

.

.

.

X

g1

.

.

.

X

g2

.

.

.

.

.

.

.

.

.

.

.

X

gj

Y

1ng

Y

2ng

Y

kng

Model aditif MANOVA saru arah

Y

lj

μ

dengan

τ

l

e

lj

dengan j = 1, 2, … nl

dan l =1, 2, … g

(2.1)

= observasi ke-j dari grup ke-l

= rata-rata keseluruhan (grand mean)

= efek grup (atau perlaakuan) ke-l

terhadap respon, karena merupakan

g

l 1

= variabel random yang mengikuti distribusi

efek tetap (fixed factor) sehingga diasumsikan

n

l

l

N

p

(

0

0

,

)

, dengan p merujuk

pada banyaknya variabel respon

Perlu diingat bahwa variabel random error saling berkorelasi, sedangkan matriks

kovarian error ( ) adalah sama untuk semua populasi. Satu observasi yang ditulis

dalam bentuk vektor dapat didekomposisi berdasarkan model regresi tersebut, menjadi

2)

y lj

=

y

+

y

l

y

+

y

lj

y

l

(observasi)

nilai rata-rata

sample keseluruhan μ )

penaksir efek

)

perlakuan τ

l

residual

e )

lj

Analog dengan ANOVA, hipotesis untuk pengujian pengaruh perlakuan terhadap respon-respon adalah sebagai berikut:

H

0 :

τ τ  τ

1

2

g

0 (tidak ada efek treatment terhadap respon)

H

(Pengujian lebih lanjut bisa dibaca di Applied Multivariate Statistical Analysis, Johnson dan Wichern atau buku-buku teks lainnya)

1 :

Paling tidak ada satu l di mana

τl 0 ( terdapat efek treatment terhadap respon)

MANOVA dua-arah

Model aditif MANOVA

b

dengan

= observasi

dengan j = 1, 2, … n l

; l =1, 2, … g dan k = 1, 2,

= rata-rata keseluruhan (grand mean)

= efek level ke-g faktor l terhadap respon

= efek level ke-b factor k terhadap respon = efek interaksi factor l dan k terhadap respon

= error model

Hipotesis untuk menguji efek interaksi terhadap respon adalah sebagai berikut

H

H 1 : Minimal ada satu pasangan l dan k untuk sehingga 0

(Pengujian lebih lanjut bisa dibaca di Applied Multivariate Statistical Analysis, Johnson & Wichern atau buku-buku teks lainnya) Pada praktikum ini kita akan menggunakan empat macam pengujian yang dapat diperoleh dari SPSS maupun R yaitu: Hotteling-Lawley atau Hotteling’s trace, Wilk’s lambda, Pillai’s trace dan Roy’s largest root.

0 :

(tidak ada efek treatment terhadap respon)

4.

Kegiatan Praktikum

1)

MANOVA satu arah

1. Menyiapkan dataset patlos_sample.sav (file dapat diperoleh pada direktori

installation SPSS di dalam folder Program Files yakni di dalam folder

Samples > English > patlos_sample.sav)

2. Prosedur MANOVA satu arah dengan SPSS adalah sebagai berikut

a. Klik menu Analysis > General Linear Model > pilih Multivariate

b. Pilih Length of stay (los) dan Treatment costs (costs) sebagai variabel

dependen.

c. Pilih Clot-dissolving drugs (clotsolv) sebagai fixed factor (faktor tetap),

yang merupaakan variabel prediktor dan terdiri atas tiga level (ulangan /

grup / perlakuan):

Level 1 : Streptokinase

Level 2 : Reteplase

Level 3 : Alteplase

dan terdiri atas tiga level (ulangan / grup / perlakuan): Level 1 : Streptokinase Level 2

Sehingga kita mendapatkan struktur data hasil observasi eksperimen sebagai berikut:

Treatment

Variable Dependen ke-1 (los)

Variable Dependen ke-2 (costs)

 

(clotsolv)

 

n

l

 

Y

11

Y

21

 

Y

12

Y

22

Level 1 :

   

1 = 116

Streptokinase

.

.

 

.

.

n

Y

1

n

1

Y

2

n

1

 
 

Y

11

Y

21

 

Y

12

Y

22

Level 2 :

   

2 = 696

Reteplase

.

.

 

.

.

n

Y

1

n

2

Y

2

n

2

 
 

Y

11

Y

21

 

Y

12

Y

22

Level 3 :

   

2 = 669

Alteplase

.

.

 

.

.

n

Y 1 n

3

Y

2

n

3

 

Perhatikan pula bahwa n l untuk maing-masing treatment tidaklah sama.

Kemudian klik Options.

Pilih SSCP matrices, untuk menampilkan matiks sum square dan cross product

(SSCP)

Pilih Homogenity test, untuk menampilkan hasil tes homoskedastisitas

Pilih Estimates of effect size, untuk menampilkan statistic yang menunjukkan

besarnya efek treatment terhadap respon.

Klik Continue . Klik OK . d. Memahami output GLM-MANOVA satu arah dari SPSS Tabel

Klik Continue.

Klik OK.

d. Memahami output GLM-MANOVA satu arah dari SPSS Tabel MANOVA yang dihasilkan dari analisis linier model di atas adalah:

yang dihasilkan dari analisis linier model di atas adalah: Output dengan judul Between-Subjects SSCP di atas

Output dengan judul Between-Subjects SSCP di atas digunakan untuk menyusun tabel MANOVA. Dari output tersebut kita dapat menyusun tabel MANOVA sebagai berikut:

Sumber keragaman

 

Matriks SSCP

 

df

Treatment

B =

2

-

2

2

g 1 = 3 1 = 2

-

2

2

1

Error

W =

2

1

- g = 116 + 696 + 669 -3 = 1478

12

2

1

2

2

Total

 

B + W = [?]

 

- 1 = 1481-1 = 1480

Berikutnya dibahas mengenai pengujian hipotesis untuk MANOVA dari output

yang yang berjudul Multivariate Tests. Output tersebut menunjukkan beberapa

statistik uji untuk melakukan pengujian hipotesis dalam MANOVA. Terdapat

empat statistic uji yang dimunculkan: Pillai’s Trace, Wilks’ Lambda, Hotteling’s

Trace, dan Roy’s Largest Root Berikut karakteristik dari keempat statistik

tersebut:

Statistik uji

Karakteriestik

Pillai’s Trace dan Hotteling’s Trace

Kedua statistik ini bernilai positif. Meningkatnya nilai statistik menandakan pengaruh treatment (perlakuan) terhadap model yang lebih tinggi. Statistik Hotteling’s Trace nilainya kadang lebih tinggi atau bisa juga sama dengan nilai statistic Pillai’s Trace

Wilks’ Lambda

Statistik Wilks' Lambda bernilai positif antara 0 sampai dengan 1. Pengaruh treatment terhadap model bertambah seiring dengan menurunnya nilai statistic Wilks' Lambda.

Roy’s Largest Root

Statistik ini bernilai positif. Meningkatnya nilai statistik menandakan pengaruh treatment terhadap model yang lebih tinggi. Nilainya kurang dari atau sama dengan statistik Hotteling’s Trace Saat nilai Roy’s Largest Root sama dengan Hotteling’s Trace menandakan efek treatment tidak banyak berkontribusi terhadap model.

Untuk keputusan tolak / tidak H 0 , kita dapat langsung membandingkan nilai p- value atau Sig. (signifikansi) dengan F-tabel sesuai dengan yang sudah ditetapkan serta derajat bebas (df) yang telah disediakan dalam output.

Partial Eta Squared merupakan putput tambahan (bisa tidak ditampilkan) untuk melihat tingkat pengaruh treatment terhadap respon atau model. Nilai maksimum

dari Partial Eta Squared adalah 1, semakin nilainya mendekati 1 maka pengaruh treatment yang bersangkutan semakin besar.

1 maka pengaruh treatment yang bersangkutan semakin besar. Dalam kasus ini, keempat statistik uji memiliki p-value

Dalam kasus ini, keempat statistik uji memiliki p-value yang sangat kecil

dibandingkan level signifikan (misal, = 5%). Maka untuk pengujian efek

treatment clotsolv dalam kasus ini, H 0 dapat ditolak. Besarnya pengaruh

treatment clotsolv terhadap respon diindikasikan oleh nilai Partial Eta Squared,

di mana nilainya secara umum untuk masing-masing staitstik uji cenderung kecil

(0.013 atau 0.024).

Latihan: lakukan pengujian hipotesis untuk efek treatment secara manual dengan

Wilks’ Lambda = |W| / |B + W|.

3. Sedangkan prosedur melakukan MANOVA satu arah menggunakan R adalah

sebagai berikut:

a. Pada tahap persiapan data, data dapat diimport dari SPSS secara langsung

dengan memanggil file berekstensi *.sav, tetapi pastikan Anda telah

memiliki package foreign. Alternatif lainnya, dari file SPSS bisa disalin

terlebih dahulu ke dalam Notepad atau Ms. Excel, kemudian dapat

dipanggil melalui perintah berikut

> library(foreign)

## Memanggil data sekaligus memastikannya berbentuk matriks

> patlos <- as.data.frame(read.spss("E:/MyDocument/patlos_sample.sav")

## Mengetahui nama-nama variabel pada dataset (berdasarkan kolom)

> names(patlos) [1] "proc"

"clotsolv" "los"

"cost"

b. Membentuk model MANOVA satu arah dengan perintah berikut

> library(MASS)

## MANOVA satu arah dengan 2 variabel respon

> respon <- cbind(los,cost)

> manovasatu <- manova(respon ~ as.factor(clotsolv),data=patlos)

> summary(manovasatu)

Pillai

approx F

0.025064

9.3786

num Df den Df

2956

4

 

Df

as.factor(clotsolv)

2

Residuals

1478

---

Signif. codes:

0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

***

Pr(>F) 1.569e-07
Pr(>F)
1.569e-07

statistik Pillai

statistik uji F

derajat bebas num = db 1 , den = db 2

p-value

c. Memahami keluaran MANOVA satu arah dari R. Dari keluaran di atas tampak bahwa statistik uji yang digunakan adalah Pillai’s, apabila kita ingin menggunakan statistik yang lain, perintah-perintah berikut akan membantu:

## Menampilkan hasil MANOVA dengan empat statistic uji # tampak bahwa, Pillai test merupakan default

> summary(manovasatu, tests = "Pillai")

as.factor(clotsolv) Residuals 1478

Df

Pillai approx F num Df den Df

Pr(>F)

2 0.025064

9.3786

4

2956 1.569e-07 ***

> summary(manovasatu, test = "Wilks")

as.factor(clotsolv)

Residuals

Df

Wilks

2 0.97496

1478

approx F num Df den Df

Pr(>F)

9.4244

4

2954 1.44e-07 ***

> summary(manovasatu, test = "Hotelling-Lawley")

as.factor(clotsolv)

Residuals

Df

HL

approx F num Df den Df

Pr(>F)

2 0.025664 9.4701

4

2952 1.322e-07 ***

1478

> summary(manovasatu, test = "Roy")

Df

Roy approx F num Df den Df

Pr(>F)

as.factor(clotsolv)

2 0.024786 18.317

2

1478 1.387e-08 ***

Residuals

1478

---

Signif. codes:

0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Berdasarkan keluaran R di atas, hasil pengujian (tentu saja) sama dengan yang ditampilkan SPSS. Dengan keempat pengujian, dapat disimpulkan bahwa variabel clotsolv berpengaruh nyata terhadap kedua respon bahkan pada level signifikan = 0.001.

2)

MANOVA dua arah

1.

Dengan dataset yang sama, lakukan analisis dengan MANOVA dua arah

terhadap variabel-variabel berikut menggunakan SPSS:

arah terhadap variabel-variabel berikut menggunakan SPSS: Dimana variabel Clot-dissolving ( clotsolv ) sudah kita

Dimana variabel Clot-dissolving (clotsolv) sudah kita kenali dari MANOVA satu arah, sedangkan variabel Surgical treatment (proc) adalah faktor tetap yang terdiri atas dua level yaitu: (1) PTCA dan (2) CABG (prosedur-prosedur operasi)

Kemudian pada Options, pilih SSCP matrices, Homogenity test, dan Estimates of effect size. Klik Continue. Klik OK. Memahami output GLM-MANOVA dua arah, perhatikan tabel MANOVA dua arah berikut:

Seperti halnya pada MANOVA satu arah, output dengan judul Between-Subjects SSCP digunakan untuk menyusun tabel

Seperti halnya pada MANOVA satu arah, output dengan judul Between-Subjects

SSCP digunakan untuk menyusun tabel MANOVA. Dari output tersebut kita

dapat menyusun tabel MANOVA sebagai berikut:

Sumber keragaman

 

Matriks SSCP

   

df

   

2

2

1

 

Faktor 1: proc

SS

1 =

1

2

g

1 = 2 1 = 1

Faktor 2 : clotsolv

 

SS 2 =

2

-

12

b

1 = 3 1 = 2

 

-

12

12

 

Faktor 1 * Faktor 2

 

SS int =

1

1

1

1

1

2

(g - 1)(b - 1) = 2

Error

W

=

1

1

 

1475

 

2

1

2

 

Total

 

SS1 + SS2 + SSint + W

 

- 1 = 1480

Dalam kasus ini, pengambilan keputusan untuk hipotesis cukup dengan melihat

hasil pengujian efek treatment karena efek interaksi cenderung tidak signifikan.

Sedangkan efek treatment clotsolv signifikan begitu pula dengaan efek proc,

tentu saja dengan level pengaruh yang berbeda (lihat nilai Partial Eta Square).

Latihan : lakukan pengujian hipotesis untuk efek treatment secara manual dengan Wilks’ Lambda  terhadap

Latihan: lakukan pengujian hipotesis untuk efek treatment secara manual dengan Wilks’ Lambda terhadap interaksi, faktor clotsolv dan faktor proc.

2.

Dengan dataset yang sama, lakukan analisis dengan MANOVA dua arah terhadap variabel-variabel berikut menggunakan R:

> library(MASS)

## MANOVA dua arah dengan 2 variabel respon

> respon <- cbind(los,cost)

> manovadua <- manova(respon ~

as.factor(clotsolv)*as.factor(proc),data=patlos)

> summary(manovasatu)

Df

Pillai approx F num Df

as.factor(clotsolv)

2 0.02966

11.10

4

as.factor(proc)

1 0.74546 2158.44

2

as.factor(clotsolv):as.factor(proc)

2 0.00408

1.51

4

Residuals

1475

den Df

Pr(>F)

as.factor(clotsolv)

as.factor(proc)

as.factor(clotsolv):as.factor(proc)

Residuals

---

Signif. codes:

2950 6.155e-09 *** 1474 < 2.2e-16 ***

2950

0.1971

0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Keluaran di atas juga dapat dimodifikasi untuk mendapatkan statistic uji selain default (Pillai), sebagaimana mada MANOVA satu arah. Keluaran pun tidak berbeda dari SPSS, perbedaan angka disebabkan oleh angka ketelitian.

5.

Tugas

1. Carilah data hasil pencatatan disain eksperimen dua faktor dan multirespon (minimal dua variabel dependen) kemudian analisis dan lakukan pengujian dengan MANOVA satu arah dan dua arah. Data bisa diperoleh dari data tugas akhir atau data dari internet yang salah satunya bisa dari UCI Machine Learning Repository (archive.ics.uci.edu/ml)

2. Membuat laporan praktikum mengikuti format yang telah diberikan.

3. Tugas dilakukan berkelompok sesuai kesepakatan dan dikumpulkan paling lambat seminggu setelah praktikum Modul 2 berakhir.