Anda di halaman 1dari 33

BAB I

PENDAHULUAN

1.1. Latar Belakang

Analisis variance multivariat (MANOVA) merupakan perpanjangan dari analisis


varians (ANOVA) untuk mengakomodasi lebih dari satu variabel dependen. Ini adalah
teknik ketergantungan yang mengukur perbedaan untuk dua atau lebih variabel
dependen metrik berdasarkan sekumpulan variabel kategoris (nonmetrik) yang
bertindak sebagai variabel independen. ANOVA dan MANOVA dapat dinyatakan
dalam general general ms berikut ini:

Seperti ANOVA, MANOVA berkaitan dengan perbedaan antar kelompok (atau


percobaan pengobatan). ANOVA disebut prosedur univariat karena kita
menggunakannya untuk menilai perbedaan kelompok pada variabel dependen tunggal.
MANOVA disebut prosedur amultivariate karena kita menggunakannya untuk menilai
perbedaan kelompok di beberapa variabel dependen metrik secara bersamaan. Di
MANOVA, setiap kelompok perlakuan diamati pada dua atau lebih variabel dependen.
Konsep analisis multivariate varians diperkenalkan lebih dari 70 tahun yang lalu
oleh Wilks 126. Namun tidak sampai perkembangan statistic uji yang sesuai dengan
distribusi yang diajukan dan semakin eluas ketersediaan program computer untuk
menghitung statistic ini , MANOVA menjadi alat praktis bagi peneliti Baik ANOVA
maupun MANOVA sangat berguna bila digunakan bersamaan dengan desain mental
yang berpengalaman, yaitu desain penelitian dimana peneliti secara langsung
mengendalikan atau memanipulasi satu atau lebih variabel independen untuk
menentukan pengaruhnya terhadap ketergantungan variabel (s). ANOVA dan
MANOVA menyediakan alat yang diperlukan untuk menilai efek yang diamati (yaitu,
apakah perbedaan yang diamati disebabkan oleh efek pengobatan atau variabilitas
sampling acak.Namun, MANOVA memiliki peran dalam desain yang tidak biasa
(misalnya, penelitian survei) di mana kelompok yang diminati (misalnya, jenis kelamin,
pembeli / bukan pembelian) didefinisikan dan kemudian perbedaan pada sejumlah
variabel metrik misalnya, sikap, kepuasan, tingkat pembelian) dinilai signifikansi
statistiknya.

1
1.2. RUMUSAN MASALAH

1. Apa pengertian dan tujuan MANOVA ?


2. Apa desain dan asumsi dari MANOVA ?
3. Bagaimana estimasi dan interprestasi hasil dari MANOVA ?
4. Bagaimana Validasi hasil ?

1.3. TUJUAN PENELITIAN

1. Mengetahui pengertian dan tujuan MANOVA ?


2. Mengetahui desain dan asumsi dari MANOVA ?
3. Mengetahui estimasi dan interprestasi hasil dari MANOVA ?
4. Mengetahui Validasi hasil ?

1.4. MANFAAT PENELITIAN

1. Penelitian ini bermanfaat bagi penulis sebagai penerapan materi perkuliahan


yang didapat selama masa perkuliahan.
2. Memberikan informasi lebih lanjut terhadap pembaca tentang multivariate
analysis variance (MANOVA).

1.5. METODOLOGI PENELITIAN

Penelitian ini bersifat literatur dan dilakukan dengan mengumpulkan informasi


dan referensi dari beberapa buku dan jurnal. Penelitian ini awalnya akan
menjelaskan rancangan percobaan yang akan digunakan dalam penelitian,
selanjutnya dengan menguji asumsi yang ada pada MANOVA, seperti outlier,
normalitas dan homogeneitas matrriks varians-kovarians. Kemudian akan
menguji hubungan antara variabel apakah terdapat perbedaan perlakuan antara
variabel dependen dan independen.

2
BAB II
TINJAUAN PUSTAKA

2.1. Uji Signifikansi Multivariat

Sebelum memulai bab Multivariat, konsep dan terminologi harus terlebih


dulu dipahami khususnya tentang uji signifikansi. Adapun beberapa istilah-
istilah kunci yang muncul yang berhubungan dengan signifikansi dalam
MANOVA, yaitu:
Alpha (a) : Tingkat signifikansi yang terkait dengan pengujian statistik
perbedaan antara dua atau lebih kelompok. Biasanya, nilai kecil, seperti 0,05
atau 0 ditentukan untuk meminimalkan kemungkinan membuat Tipe Ierror.
Analisis Varians (ANOVA) : Teknik statistik yang digunakan untuk
menentukan apakah sampel dari dua atau lebih kelompok berasal dari populasi
dengan mean yang sama (yaitu, apakah kelompok tersebut bermakna berbeda
secara signifikan?). Analisis varians meneliti satu ukuran dependen, sedangkan
analisis varians multivariat membandingkan perbedaan kelompok pada dua atau
lebih variabel dependen.
Faktor Pemblokiran : Karakteristik responden pada 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 termasuk dalam analisis tapi satu di antaranya
perbedaan diharapkan atau diusulkan) Dengan memasukkan faktor pemblokiran
dalam analisis, kelompok tambahan terbentuk yang homogen dan meningkatkan
kesempatan untuk menunjukkan signifikan perbedaan. Sebagai contoh,
anggaplah bahwa pelanggan ditanya tentang niat membeli mereka untuk produk
dan asistensi independen yang digunakan adalah usia. Pengalaman sebelumnya
menunjukkan bahwa variasi substansial dalam membeli produk untuk produk
lain jenis ini juga disebabkan oleh jenis kelamin. Kemudian gender dapat
ditambahkan sebagai faktor r ke arah sehingga setiap kategori umur dipecah
menjadi kelompok pria dan wanita dengan homogenitas dalam kelompok yang
lebih besar.
Ketidaksetaraan Bonfe Roni : Pendekatan untuk menyesuaikan tingkat alfa
yang dipilih untuk mengendalikan tingkat Typ I error secara keseluruhan saat
melakukan serangkaian tes terpisah. Prosedur ini melibatkan penghitungan nilai
kritis baru dengan membagi tingkat alfa yang diusulkan dengan jumlah uji
statistik yang akan dilakukan. Misalnya, jika tingkat signifikansi 0,05 diinginkan
untuk mendapatkan lima tes terpisah, maka tingkat 0,01 (05 +5) digunakan pada
masing-masing uji terpisah.
Uji Box M : Uji statistik untuk persamaan matriks varians-kovarians dari
variabel dependen di seluruh kelompok. Hal ini sangat sensitif terhadap adanya

3
variabel nonnormal. Gunakan tingkat signifikansi konservatif (yaitu, 0,1 atau
dibawahnya) disarankan sebagai penyesuaian untuk sensitivitas pada statistik.
Kontras : Prosedur untuk menyelidiki perbedaan kelompok tertentu yang
menarik sehubungan dengan ANOVA dan MANOVA (misalnya
membandingkan perbedaan rata-rata kelompok untuk pasangan tertentu
kelompok)

2.2. Variable Kovariat

Kovariat diasumsikan berhubungan secara linier dengan variable


dependen. Setelah menyesuaikan pengaruh kovariat, standar ANOVA /
MANOVA yang dilakukan. Proses penyesuaian ini ( dikenal sebagai ANOVA /
MANOVA ) biasanya memungkinkan tes yang lebih sensitive terhadap efek
treatment.
Nilai Kritis : Nilai statistik uji (uji t, uji F) yang menunjukkan tingkat
signifikansi yang ditentukan. Contoh: 1,96 menunjukkan tingkat kekuatan uji
fortifikasi 0,05 dengan ukuran sampel yang besar.
Fungsi Diskriminasi : Dimensi perbedaan atau diskriminasi antar kelompok
dalam analisis MANOWA. Fungsi diskriminan adalah variate dari variabel
dependen.
Interaksi Disordinal : Bentuk efek interaksi antar variabel independen yang
membatalkan interpretasi efek utama perawatan Interaksi disordinal ditunjukkan
secara graphi cally dengan merencanakan sarana untuk masing-masing
kelompok dan memiliki garis yang saling bersilangan atau silang. Dalam jenis
interaksi ini, perbedaan rata-rata tidak saja bervariasi, mengingat kombinasi unik
dari tingkat variabel independen, namun urutan relatif kelompok juga berubah.
Ukuran Efek : Ukuran standar perbedaan kelompok yang digunakan dalam
statistik pow statistik Dihitung sebagai perbedaan dalam mean kelompok dibagi
dengan standar deviasi maka kemudian dihitung dalam penelitian sebagai ukuran
umum efek yaitu s dalam mean kelompok) .
Desain Eksperimental : Rencana penelitian di mana researche secara langsung
memanipulasi atau mengendalikan satu atau lebih variabel independen (lihat
perlakuan dan faktor) dan menilai pengaruhnya terhadap n ilmu pengetahuan
yang sedang populer dalam popularitas dan variabel sosial. Ilmu umum
Misalnya, responden diperlihatkan iklan terpisah yang bervariasi secara
sistematis berdasarkan karakteristik, seperti banding yang berbeda (emosional
versus rasional) atau jenis presentasi (warna versus hitam-putih) dan kemudian
menjadi ked, sikap, evaluasi, atau perasaan mereka terhadap perbedaan.
Tingkat Kesalahan Iklan yang Berbeda : Combining atau tingkat kesalahan
keseluruhan yang dihasilkan dari perfo rming multiple t test atau tes F yang
dilekatkan (misalnya, tes t di antara serangkaian pasangan variabel komsel atau
rangkaian uji t di antara pasangan kategori dalam variabel multichotomous).

4
Faktor Variabel : Bebas nonmetrik, juga disebut sebagai variabel perlakuan
atau eksperimen .
Rancangan Faktorial : Dengan lebih dari satu faktor (perlakuan). Desain
faktorial menguji efek beberapa faktor secara simultan dengan membentuk
kelompok berdasarkan semua kemungkinan kombinasi tingkat (nilai) dari
perlakuan berbagai Variabel .
Model Linier Umum : (prosedur generalisasi GLM Generalized berdasarkan
tiga komponen: (1) variate yang dibentuk oleh kombinasi linear dari variabel
bebas, (2) distribusi probabilitas yang menunjukkan hubungan antara variate dan
probabilitas distribusi .
Hotelli : gs Ta Uji untuk menilai signifikansi statistik dari perbedaan pada dua
atau lebih variabel antara dua kelompok Ini adalah kasus khusus MANOVA
yang digunakan dengan dua kelompok atau lev ls dari variabel perlakuan.
Independen : Asumsi kritis ANOVA atau MANOVA yang mensyaratkan
bahwa tindakan tergantung untuk setiap responden benar-benar tidak sesuai
dengan tanggapan dari respondennya dalam sampel. Kurangnya independensi
sangat mempengaruhi keabsahan statistik analisis kecuali jika tindakan korektif
dilakukan.
Efek Interaksi : Pada desain faktorial, efek gabungan dari dua variabel
perlakuan selain efek utama individu. Artinya perbedaan antara kelompok pada
satu variabel perlakuan tergantung pada tingkat variabel perlakuan kedua.
Misalnya, anggaplah bahwa penyerang diberi klasifikasi berdasarkan pendapatan
(tiga tingkat) dan jenis kelamin (laki-laki versus perempuan). Interaksi yang
signifikan akan ditemukan bila perbedaan antara laki-laki dan perempuan
terhadap variabel independen bervariasi secara substansial di tiga tingkat
pendapatan.
Fungsi Link : Komponen utama dari model linier umum (GLM) yang
menentukan pembentukan trans antara variate independen variabel dan distribusi
probabilitas yang ditentukan. Dalam MANOVA (dan regresi) hubungan identitas
digunakan dengan distribusi normal, menyesuaikan asumsi statistik normalitas
kita.
Efek Utama : Dalam desain factorial, efek individual masing-masing variable
perlakuan pada variable dependen.
Distribusi Normal Multivariat : Generalisasi distribusi normal univariat ke
kasus variabel p. Distribusi kelompok sampel multivariat yang normal adalah
asumsi dasar yang diperlukan untuk validitas uji signifikansi di MANOVA.
Hipotesis Null : Hipotesis dengan sampel yang berasal dari populasi dengan
mean yang sama (yaitu mean kelompok sama) untuk variabel dependen (uji
univariat atau sekumpulan variabel dependen ables (uji multivariat). Hipotesis
nol dapat diterima atau ditolak tergantung pada hasil uji signifikansi statistik
Interaksi Ordinal : Jenis interaksi efek yang dapat diterima dimana besarnya
perbedaan antar kelompok bervariasi namun posisi relatif kelompok tetap

5
konstan. Grafik ditunjukkan dengan menggunakan nilai rata-rata dan mengamati
garis nonparalel yang tidak berpotongan
Ortogonal : Independensi statistik atau tidak adanya asosiasi Orthogonal vrates
menjelaskan varians yang unik, tanpa penjelasan varianal yang ada di antara
keduanya. Ortho on 1 contrast adalah perbandingan yang direncanakan yang
secara statistik independen dan mewakili perbandingan uniq e dari mean
kelompok.
Kriteria Pillai : Uji multivariat Perbedaan yang serupa dengan Wilks 'lambda.
Rencana Perbandingan : A priori tes yang menguji compari tertentu pada
perbedaan rata-rata kelompok Tes ini dilakukan bersamaan dengan tes untuk
efek interaksi utama dengan menggunakan kontras.
Post Hoc Test : Uji statistik terhadap perbedaan rata-rata setelah uji statistik
untuk efek uji Posthoc utama telah dilakukan. Paling sering, post hoc te t tidak
menggunakan kontras tunggal, namun menguji perbedaan di antara semua
kemungkinan kombinasi kelompok. Meskipun mereka memberikan informasi
diagnostik yang tidak tepat, mereka meningkatkan tingkat kesalahan Tipe I
dengan melakukan beberapa uji statistik dan oleh karena itu harus menggunakan
tingkat kerahasiaan yang ketat
Daya : Probabilitas untuk mengidentifikasi feksi pengobatan saat benar-benar
ada dalam sampel. Daya didefinisikan sebagai 1-A (lihat beta). Kekuasaan
ditentukan sebagai fungsi dari tingkat signifikansi statistik (a) yang ditetapkan
oleh peneliti untuk Tipe Ierror, ukuran sampel yang digunakan dalam analisis,
dan ukuran efek yang sedang diperiksa
Tindakan Berulang : Penggunaan beberapa atau lebih tanggapan dari satu
individu dalam analisis ANOVA atau MANOVA. Tujuan dari perancangan
langkah berulang adalah untuk mengendalikan perbedaan tingkat individu yang
mungkin mempengaruhi varians dalam kelompok. Tindakan berulang
menunjukkan kurangnya independensi bahwa mus dicatat secara khusus dalam
analisis.
Replikasi : Rep ated administrasi percobaan dengan maksud untuk memvalidasi
hasil sampl lain espondents.
Karakteristik Roy yang Paling Dominan (ger) : Statistik untuk menguji
hipotesis nol di MANOVA. Ini menguji fungsi diskriminan pertama dari
variabel dependen karena kemampuannya untuk membedakan perbedaan
kelompok.
Tingkat Siku Temu : Lihat alpha.
Analisis Stepdown : Uji untuk kekuatan diskriminatif tambahan dari variabel
dependen setelah pengaruh variabel dependen lainnya telah diperhitungkan.
Serupa dengan analisis regresi atau diskriminan bertahap, prosedur ini, yang
bergantung pada urutan masuk yang ditentukan, menghalangi ranjau berapa
banyak variabel dependen tambahan menambah penjelasan tentang perbedaan
antara kelompok dalam statistik MANOVA

6
t Statistik : Uji statistik yang menilai signifikansi statistik antara dua kelompok
pada uji variabel dependen tunggal (t test) .
t Test : Uji untuk menilai signifikansi statistik dari perbedaan antara dua mean
sampel untuk satu variabel dependen. Yang paling aneh adalah kasus khusus
ANOVA untuk dua kelompok atau tingkat variabel perlakuan.
Perlakuan : Variabel independen (aktor) yang peneliti memanipulasi untuk
melihat efeknya (jika ada).
Berbagai intensitas banding iklan dapat dimanipulasi untuk melihat efek pada
kepercayaan konsumen.
o Kesalahan Tipe I Kemungkinan menolak hipotesis nol ketika harus
diterima, yaitu menyimpulkan bahwa dua sarana berbeda secara signifikan
padahal kenyataannya sama. Nilai-nilai kecil dari hipotesis alternatif bahwa
mean populasi tidak sama.
o Kesalahan Tipe II Probabilitas gagal menolak hipotesis nol ketika harus
ditolak, yaitu menyimpulkan bahwa dua cara tidak berbeda secara signifikan
padahal kenyataannya berbeda. Juga dikenal sebagai beta (B) error.
o U Statistik Lihat Wilks 'lambda.
o Variasi Kombinasi Linear variabel. Dalam MANOVA, variabel dependen s
a dibentuk menjadi variates dalam fungsi diskriminan.
o Vector Set bilangan real (misalnya, X1 Xin yang dapat ditulis di dalamnya
kolom er atau baris Kolom vektor dianggap konvensional, dan vektor baris
merah areconsid dialihkan.

o
o Wilks Lambda Salah satu dari empat prinsip statistic untuk menguji
hipotesis nol di MANOVA. Juga disebut sebagai criteria hood maksimal
atau statistic U.

2.3. Teknik Mutivariat

Banyak teknik multivariat adalah perpanjangan teknik univariat, seperti


pada regresi berganda, yang memperpanjang regresi sederhana (hanya dengan
satu variabel independen) ke analisis multivariat dimana dua atau lebih variabel
independen dapat digunakan. Situasi serupa ditemukan pada kelompok yang
berbeda. Prosedur ini diklasifikasikan sebagai univariat bukan karena jumlah
variabel independen (dikenal sebagai perawatan atau faktor, namun karena
jumlah variabel dependen Dalam regresi berganda, istilah univariat dan

7
multivariat mengacu pada jumlah v independen Beberapa teknik ini telah lama
dikaitkan dengan analisis desain eksperimental.
Teknik univariat untuk menganalisis perbedaan kelompok adalah uji t
(dua kelompok). dan analisis varians (ANOVA) untuk dua atau lebih kelompok.
Prosedur ekivalen multivariat adalah analisis varian Hotteling dan mulivariat,
hubungan antara univariat dan mulivariat. Proedurnya adalah sebagai berikut :

Uji t dan T film 2 dipotret sebagai kasus khusus karena keterbatasan hanya
untuk menilai dua kelompok (kategori) untuk variabel yang tidak tergantung.
baik anova maupun manova juga bisa menangani dua situasi grup serta analisis
alamat dimana variabel bebasnya memiliki lebih dari dua grup. review dari
kedua tes t dan anova tersedia dalam lampiran statistik dasar di situs web.

2.4. Prosedur Multivariate

Sebagai prosedur inferensi statistik, kedua teknik univariat (uji t dan


anova) dan ekstensi multivariat mereka (T-2 dan manova hotelling) digunakan
untuk menilai signifikansi statistik perbedaan antara grup. Dalam uji t dan
anova, uji hipotesis nol adalah persamaan dari satu variabel dependen yang
berarti di seluruh grup. Dalam teknik multivariat, hipotesis nol yang diuji adalah
persamaan vektor mean pada beberapa variabel dependen antar grup. perbedaan
antara hipotesis yang diuji dalam anova dan manova digambarkan pada gambar
1. dalam kasus univariat, satu ukuran dependen diuji untuk persamaan di seluruh
grup. Dalam kasus multivariat, variate diuji untuk persamaan. konsep variate
sangat berperan dalam diskusi banyak teknik multivariat.

Dalam manova, peneliti sebenarnya memiliki dua variabel, satu untuk


variabel dependen dan variabel independen lainnya. variate variabel dependen
lebih diminati karena metric-dependent measures dapat digabungkan dalam
kombinasi linier seperti yang telah kita lihat pada regresi berganda dan analisis
dikriminan. Aspek manova yang unik adalah variate secara optimal
menggabungkan beberapa ukuran dependen menjadi satu nilai yang
memaksimalkan perbedaan di seluruh grup.

8
Dua Kelompok Kasus:

Hotelling's T ^ 2 berasumsi bahwa penelitian tertarik pada daya tarik


dan niat pembelian yang dihasilkan oleh dua pesan iklan. Jika hanya analisis
univariat yang digunakan, penelitian akan melakukan uji t terpisah pada
penilaian daya tarik pesan dan maksud pembelian yang dihasilkan oleh pesan.
Namun, kedua ukuran saling terkait, jadi yang benar-benar diinginkan adalah
ujian perbedaan antara pesan pada kedua variabel secara kolektif. Di sini adalah
tempat Hotelling's T ^ 2, bentuk khusus manova dan perpanjangan langsung dari
uji t univariat, dapat digunakan.

Mengendalikan Tingkat Kesalahan Tipe I :

Hotelling's T ^ 2 memberikan uji statistik variate yang terbentuk dari


variabel dependen, yang menghasilkan perbedaan grup terbesar. Ini membahas
masalah peningkatan tingkat kesalahan tipe I yang muncul saat membuat
rangkaian jika uji t grup berarti pada beberapa ukuran dependen. Ini
mengendalikan inflasi tingkat kesalahan tipe I dengan memberikan satu uji
keseluruhan perbedaan grup di semua variabel dependen pada tingkat yang
ditentukan.

9
Bagaimana Hotelling's T ^ 2 mencapai tujuan ini? pertimbangkan
persamaan berikut untuk variate dari variabel dependen:

C= W1X1 + W2X2 +....+ WnXn

Dimana :

C = Skor komposit atau variate untuk responden

Wi = Berat untuk variabel dependen i

Xi = Variabel dependen i

Dalam contoh kami, peringkat daya tarik pesan digabungkan dengan niat
pembelian untuk membentuk komposit. Untuk setiap set bobot, kita dapat
menghitung nilai komposit untuk setiap responden dan kemudian menghitung
statistik t biasa untuk perbedaan antara grups pada nilai komposit. Namun, jika
kita dapat menemukan satu set bobot yang memberi nilai maksimum untuk
statistik t untuk rangkaian data ini, bobot ini sama dengan fungsi diskriminan
antara kedua grup. statistik t maksimum yang dihasilkan dari skor komposit
yang dihasilkan oleh fungsi diskriminan dapat kuadrat untuk menghasilkan nilai
T-2 hotelling.

Perhitungan 1 formula untuk T2 Hotelling mewakili hasil derivasi


matematis yang digunakan untuk memecahkan statistik t maksimum (dan, secara
implisit, kombinasi linier paling diskriminatif dari variabel dependen). Itu sama
dengan mengatakan bahwa jika kita dapat menemukan fungsi diskriminan untuk
dua kelompok yang menghasilkan T ^ 2 yang signifikan, kedua kelompok
dianggap berbeda dari rata-rata vektor.

Uji Statistik

Bagaimana Hotelling T ^ 2 memberikan tes hipotesis perbedaan


kelompok pada vektor skor rata-rata? Sama seperti statistik berikut distribusi
yang diketahui berdasarkan hipotesis nol tidak ada efek pengobatan pada
variabel dependen tunggal, Hotelling's T ^ 2 mengikuti distribusi yang diketahui
berdasarkan hipotesis nol tanpa efek pengobatan pada satu set tindakan
bergantung. distribusi ini ternyata merupakan distribusi F dengan p dan N1 + N2
- 2 -1 derajat kebebasan setelah penyesuaian (di mana p = jumlah variabel
dependen). Untuk mendapatkan nilai kritis untuk Hotelling's T ^ 2, kami
menemukan nilai yang diajukan untuk F critis pada tingkat tertentu dan
menghitung kriteria T ^ 2 sebagai berikut:

10
Kasus k-grup: manova. Sama seperti anova adalah perpanjangan dari uji
t, manova dapat dianggap sebagai perpanjangan dari prosedur Hotelling's T ^ 2.
kami merancang bobot variabel dependen untuk menghasilkan skor variate
untuk setiap responden yang secara maksimal berbeda di semua grup. Banyak
masalah desain analisis yang sama yang dibahas untuk anova berlaku untuk
manova, namun metode pengujian satistical sangat berbeda dengan anova.

Dalam kasus dua kelompok, begitu variasinya berbentuk, prosedur anova


pada dasarnya digunakan untuk mengidentifikasi apakah ada perbedaan. dengan
tiga atau lebih grup (baik dengan memiliki satu variabel independen dengan tiga
tingkat atau dengan menggunakan dua atau variabel independen), analisis
perbedaan kelompok menjadi lebih dekat terkait dengan analisis diskriminan.
untuk tiga kelompok atau lebih, sama seperti dalam analisis diskriminan,
beberapa variasi ukuran tergantung terbentuk.

Variasi pertama, yang disebut fungsi diskriminan, menentukan satu set


bobot yang memaksimalkan perbedaan antara grups, sehingga memaksimalkan
nilai f. nilai f maksimum itu sendiri memungkinkan kita untuk menghitung
secara langsung apa yang disebut statistik akar karakteristik Roy yang paling
besar, yang memungkinkan uji statistik fungsi diskriminan pertama.
Karakteristik statistik akar terbesar dapat dihitung sebagai:

Roys gcr = (k-1) Fmax/ (N-k)

Untuk mendapatkan satu tes hipotesis tidak ada perbedaan kelompok


pada vektor nilai mean pertama ini, kita bisa merujuk pada tabel distribusi Roy
gcr. sama seperti statistik f mengikuti distribusi yang diketahui berdasarkan
hipotesis nol atau grup yang setara berarti pada satu variabel dependen, statistik
gcr mengikuti distribusi yang diketahui berdasarkan hipotesis nol dari mean
mean mean vektor (yaitu kelompok berarti setara dengan satu set dependensi
ukuran). sebuah perbandingan dari gcr yang diamati terhadap nilai kritis Roy
memberi kita dasar untuk menolak hipotesis nol keseluruhan dari grup vector.

Fungsi diskriminan selanjutnya adalah ortogonal; mereka


memaksimalkan perbedaan antar grup berdasarkan varians yang tersisa yang
tidak dijelaskan oleh fungsi sebelumnya. Dengan demikian, dalam banyak kasus,
tes untuk perbedaan antara grups melibatkan bukan hanya skor variate pertama
tetapi juga serangkaian skor variate yang dievaluasi secara simultan. Dalam
kasus ini, satu set tes multivariat tersedia (misalnya kriteria lamban pillai
lambai), masing-masing paling dihibur dengan situasi spesifik untuk menguji
beberapa variasi ini.

11
Desain Analisis

Semua masalah desain analisis yang berlaku untuk anova (jumlah level
per faktor, jumlah faktor, dll) juga berlaku untuk manova. Selain itu, jumlah
variabel dependen dan hubungan antara ukuran ketergantungan ini menimbulkan
isu tambahan yang akan dibahas nanti. manova memungkinkan peneliti untuk
menilai dampak beberapa variabel independen terhadap tidak hanya variabel
dependen individu, namun juga pada variabel dependen secara kolektif.

Dalam merancang penelitian ini, tim peneliti mendefinisikan unsur


berikut yang berkaitan dengan faktor-faktor yang digunakan, variabel terikat dan
ukuran sampel:

Faktor: dua faktor didefinisikan sebagai tipe produk dan status pelanggan. untuk
masing-masing faktor, dua tingkat juga didefinisikan: tipe produk dan status
pelanggan. Dalam menggabungkan dua variabel ini, kita mendapatkan empat
grup yang berbeda:

Customer Product type


status
Product 1 Product 2

Current Group 1 Grup 3


customer

Ex- Grup 2 Grup 4


customer

Variabel dependen: evaluasi iklan HBAT menggunakan dua variabel


(kemampuan untuk mendapatkan perhatian dan persuasi) yang diukur dengan
skala 10 poin.
sampel: responden ditunjukkan iklan dan diminta untuk menilai mereka pada
dua tindakan .

2.5. Perbedaan antara Manova dan Analisis Diskriminan

Kami mencatat sebelumnya bahwa dalam pengujian statistik manova


menggunakan fungsi diskriminan, yang merupakan variate dari variabel
dependen yang memaksimalkan perbedaan antara grup. pertanyaannya mungkin
timbul: apa perbedaan antara manova dan analisis diskriminan? Dalam beberapa
aspek, manova dan analisis diskriminan adalah bayangan cermin. Variabel
dependen dalam manova (seperangkat variabel metrik) adalah variabel

12
independen dalam analisis diskriminan, dan variabel dependen nonmetrik
tunggal analisis diskriminan menjadi variabel independen manova. Selain itu,
keduanya menggunakan metode yang sama dalam membentuk variates dan
menilai signifikansi statistik antara grup. Perbedaannya, bagaimanapun, berpusat
pada tujuan analisis dan peran variabel nonmetrik.

Analisis diskriminan menggunakan variabel nonmetrik tunggal sebagai variabel


dependen. kategori variabel dependen diasumsikan sebagai yang diberikan, dan
independen digunakan untuk membentuk variasi yang secara maksimal berbeda
antara kelompok yang dibentuk oleh kategori variabel dependen.
Manova menggunakan himpunan variabel metrik sebagai variabel dependen dan
tujuannya adalah untuk menemukan kelompok responden yang menunjukkan
perbedaan pada himpunan variabel dependen. Kelompok responden tidak
ditentukan sebelumnya, sebagai gantinya, peneliti menggunakan satu atau lebih
variabel independen (variabel nonmetrik) untuk membentuk grup. manova,
bahkan saat membentuk grup ini, masih mempertahankan untuk menilai dampak
masing-masing variabel non metrik secara terpisah.

2.6. Sebuah Ilustrasi Hipotetis Manova

Contoh sederhana dapat menggambarkan penggunaan manova sambil


juga menggambarkan penggunaan dua variabel independen untuk menilai
perbedaan pada dua variabel dependen.

Asumsikan bahwa agen periklanan HBAT mengidentifikasi dua


karakteristik iklan HBAT (jenis produk yang diiklankan dan status konsumen),
yang menurut mereka menyebabkan perbedaan bagaimana orang mengevaluasi
iklan tersebut. mereka meminta departemen penelitian untuk mengembangkan
dan melaksanakan sebuah penelitian untuk menilai dampak dari karakteristik ini
terhadap evaluasi periklanan.

13
BAB III
PEMBAHASAN

3.1. Pengertian dan Tujuan MANOVA

Pengertian MANOVA

Tahap 1 Tujuan MANOVA


Pilihan MANOVA didasarkan pada keinginan untuk menganalisis
hubungan ketergantungan yang merupakan perbedaan dalam serangkaian
tindakan tergantung pada serangkaian kelompok yang dibentuk oleh satu atau
lebih tindakan independen kategoris. Dengan demikian, MANOVA merupakan
alat analisis yang hebat yang sesuai dengan beragam pertanyaan penelitian.
Apakah digunakan dalam situasi aktual atau eksperimen kuasi (yaitu, pengaturan
lapangan atau penelitian survei yang ukurannya independen kategoris),
MANOVA dapat memberikan wawasan tidak hanya sifat dan kekuatan prediktif
dari tindakan independen tetapi juga hubungan timbal balik dan perbedaan yang
terlihat pada seperangkat tindakan tergantung.

o Kapan Kita Menggunakan MANOVA?


Dengan kemampuan untuk memeriksa beberapa tindakan ketergantungan
secara bersamaan, peneliti dapat memperoleh beberapa cara dari penggunaan
MANOVA. Disini kita membahas masalah penggunaan MANOVA perspektif
pengendalian akurasi dan efisiensi statistik sambil tetap menyediakan forum
yang sesuai untuk menguji pertanyaan multivariat.
o Pengendalian Rasio Kesalahan Eksperimenlwide
Penggunaan ANOVA univariat terpisah atau tes t dapat membuat
masalah saat mencoba mengendalikan tingkat kesalahan eksperimen secara
keseluruhan [12]. Sebagai contoh, asumsikan bahwa kita mengevaluasi
serangkaian lima variabel dependen dengan ANOVA terpisah, setiap kali
menggunakan 0,05 sebagai tingkat signifikansi. Mengingat tidak ada perbedaan
nyata dalam variabel dependen, kami berharap dapat mengamati pengaruh
signifikan pada variabel dependen tertentu 5 persen dari waktu. Namun, di lima
tes terpisah kami, probabilitas kesalahan Tipe I terletak di antara 5 persen, jika
tidak berkorelasi. Dengan demikian, serangkaian uji statistik terpisah membuat
kami tanpa kontras dengan tingkat kesalahan Tipe I keseluruhan yang efektif
atau eksperimental. H peneliti ingin mempertahankan kontrol atas tingkat
kesalahan eksperimen dan setidaknya beberapa tingkat korelasi adalah prese t di
antara variabel dependen, maka MANOVA sesuai.
o Perbedaan Antara Kombinasi Variabel Dependent
Serangkaian tes ANOVA univariat juga mengabaikan kemungkinan
beberapa kombinasi komposit (1 kombinasi dekat) dari variabel dependen dapat

14
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 linieritas multik antar variabel dependen, MANOVA akan lebih
kuat daripada tes separat u ivariate dengan beberapa cara:
a. MANOVA dapat mendeteksi perbedaan gabungan yang tidak ditemukan dalam
tes univariat.
b. Jika multiple variates terbentuk, maka mereka dapat memberikan dimensi
perbedaan yang dapat membedakan antara kelompok lebih baik daripada
variabel tunggal.
c. Jika jumlah voltase tergantung dijaga relatif rendah (lima atau lebih sedikit),
kekuatan statistik dari tes MANOVA sama dengan atau melebihi yang diperoleh
dengan ANOVA tunggal.
Pertimbangan yang melibatkan sampel sire, jumlah variabel dependen,
dan kekuatan statistik dibahas pada bagian selanjutnya.
o Jenis Pertanyaan Multivariat Cocok untuk MANOVA

Keuntungan dari MANOVA versus serangkaian ANOVA univariat


memperpanjang masa lalu masalah statistik dalam kemampuannya untuk
menyediakan metode tunggal untuk menguji berbagai pertanyaan multivariat
yang berbeda. Melalui teks ini, kami menekankan sifat saling bergantung dari
analisis multivariat. MANOVA memiliki fleksibilitas untuk memungkinkan
peneliti memilih statistik uji yang paling sesuai untuk pencarian perhatian.
Tangan dan Taylor [10] telah mengklasifikasikan masalah multivariat ke dalam
tiga kategori, masing-masing menggunakan aspek MANOVA yang berbeda
dalam resolusinya. Ketiga kategori ini adalah beberapa univariat, multivariat
terstruktur, dan secara intrinsik multivariat.

1. Pertanyaan Berbagai Multiple


Seorang peneliti yang mempelajari beberapa pertanyaan univariat
mengidentifikasi sejumlah variabel dependen yang terpisah (mis., Usia,
pendapatan, pendidikan konsumen) yang dianalisis secara terpisah namun
memerlukan kontrol atas tingkat kesalahan eksperimen. Dalam contoh ini,
MANOVA digunakan untuk menilai apakah perbedaan keseluruhan ditemukan
di antara kelompok, dan kemudian tes univariat terpisah digunakan untuk
menangani masalah individual untuk setiap variabel dependen.

2. Pertanyaan Multivariat Intrinsikau


Pertanyaan intrinsik multivariat melibatkan serangkaian tindakan
tergantung di mana perhatian utamanya adalah bagaimana perbedaannya secara
keseluruhan di seluruh kelompok. Perbedaan pada tindakan tergantung individu
kurang menarik daripada efek kolektif mereka. Salah satu contohnya adalah

15
pengujian beberapa langkah respons yang harus konsisten, seperti sikap,
preferensi, dan niat untuk membeli, yang kesemuanya berhubungan dengan
kampanye periklanan yang berbeda.
Kekuatan penuh MANOVA digunakan dalam kasus ini dengan menilai
tidak hanya perbedaan keseluruhan, tetapi juga perbedaan antara kombinasi dari
tindakan tergantung yang tidak akan terlihat. Jenis pertanyaan ini disajikan
dengan baik oleh kemampuan MANOVA untuk mendeteksi perbedaan
multivariat, bahkan ketika tidak ada tes univariat tunggal yang menunjukkan
perbedaan.
3. Pertanyaan Multivariat yang Struktur
Seorang peneliti yang menangani pertanyaan multivariat terstruktur
mengumpulkan dua atau lebih langkah yang bergantung pada hubungan spesifik
di antara mereka. Situasi umum dalam kategori ini adalah tindakan berulang, di
mana banyak tanggapan dikumpulkan dari masing-masing subjek, mungkin dari
waktu ke waktu atau dalam paparan pretest-posttest terhadap beberapa stimulus.

o Memilih Tindakan Ketergantungan

Dalam mengidentifikasi pertanyaan yang sesuai untuk MANOVA,


penting untuk mendiskusikan pengembangan pertanyaan penelitian, khususnya
pemilihan tindakan pencegahan. Masalah umum yang dihadapi MANOVA
adalah kecenderungan untuk menggunakan salah satu kelebihannya -
kemampuan untuk menangani banyak tindakan tergantung - dengan
memasukkan variabel tanpa dasar konseptual atau teoritis yang baik.
Masalahnya terjadi ketika hasilnya menunjukkan bahwa subset dari variabel
dependen memiliki kemampuan untuk mempengaruhi interpretasi keseluruhan
perbedaan antar kelompok. Beberapa tindakan tergantung dengan perbedaan
kuatnya tidak tepat untuk pertanyaan penelitian, maka perbedaan "salah" dapat
menyebabkan peneliti menarik kesimpulan yang salah tentang himpunan secara
keseluruhan.

Dengan demikian, earcher kembali harus selalu meneliti tindakan


tergantung dan membentuk alasan yang kuat untuk memasukkan mereka. Setiap
pemesanan variabel, seperti kemungkinan efek sekuensial, juga harus dicatat.
MANOVA memberikan tes khusus, analisis stepdown, untuk menilai perbedaan
statistik secara berurutan, sama seperti penambahan variabel pada analisis
regresi.

Singkatnya, peneliti harus menilai semua aspek dari pertanyaan


penelitian secara cermat dan memastikan bahwa MANOVA diterapkan dengan
cara yang benar dan paling ampuh. Bagian berikut membahas banyak masalah
yang berdampak pada keabsahan dan keakuratan MANOVA; Namun, akhirnya
tanggung jawab peneliti untuk menggunakan teknik ini dengan benar.

16
o Proses Keputusan untuk MANOVA

MANOVA adalah perluasan ANOVA yang menguji pengaruh satu atau lebih
variabel independen nonmetrik pada dua atau lebih variabel dependen metrik.

Selain kemampuan untuk menganalisis beberapa variabel dependen, MANOVA


juga memiliki kelebihan:
1. Mengontrol tingkat error percobaan saat tingkat interkorelasi antar variabel
dependen yang ada.
2. Memberikan kekuatan statistik lebih banyak daripada ANOVA bila jumlah
variabel dependennya lima atau lebih sedikit.
Variabel independen nonmetrik membuat kelompok di mana variabel dependen
dibandingkan; Sering kali kelompok mewakili variabel eksperimental atau "efek
treatment".
Peneliti harus mencakup hanya variabel dependen yang memiliki dukungan
teoritis yang kuat.

3.2. Desain dan Asumsi dari MANOVA

MANOVA mengikuti semua prinsip desain dasar ANOVA, namun dalam


beberapa kasus, sifat multivariant dari tindakan tergantung membutuhkan perspektif
yang unik. Pada bagian berikut ini kita akan tinjau kembali prinsip-prinsip desain dasar
dan gambarkan masalah unik yang muncul dalam analisis MANOVA.

Persyaratan Ukuran Sampel-Keseluruhan dan oleh Kelompok

MANOVA, seperti semua teknik multivariant lainnya, dapat sangat terpengaruh


oleh ukuran sampel yang digunakan. Yang paling berbeda untuk MANOVA (dan teknik
lain yang menilai perbedaan kelompok seperti uji t dan ANOVA) adalah bahwa
persyaratan ukuran sampel berhubungan dengan kelompok individu dan bukan total
sampel per se. Sejumlah isu dasar muncul mengenai ukuran sampel yang dibutuhkan
dalam MANOVA:

Sebagai minimum, sampel di 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 menggambarkan batasan yang terkadang mengganggu dalam
pengumpulan data. Masalah ini terutama terjadi pada eksperimen lapangan atau
penelitian survei, dimana peneliti memiliki sedikit kontrol terhadap sampel yang
dicapai.
Sebagai panduan praktis, yang direkomendasikan minimum cell sire adalah 20
observasi. Sekali lagi, ingatlah jumlah ini adalah per kelompok, yang
memerlukan sampel keseluruhan yang cukup besar bahkan untuk analisis yang
17
cukup sederhana. Dalam contoh awal kita tentang usia mesjid, kita hanya
memiliki dua faktor, masing-masing memiliki dua tingkat, namun analisis ini
memerlukan 80 rvations obyektif untuk analisis yang memadai.
Karena jumlah variabel dependen meningkat, ukuran sampel yang dibutuhkan
untuk mempertahankan daya statistik juga meningkat. Kami akan menunda
diskusi kami mengenai ukuran sampel dan kekuatan sampai bagian selanjutnya,
namun sebagai contoh, ukuran sampel reg ire meningkat hampir 50 persen
karena jumlah variabel dependen pergi dari dua menjadi hanya enam.

Periset harus berusaha keras untuk mengukur ukuran sampel yang sama atau
kurang lebih sama per kelompok. Meskipun program komputer dengan mudah
mengakomodasi ukuran kelompok yang tidak setara, tujuannya adalah untuk
memastikan bahwa ukuran sampel yang memadai tersedia untuk semua kelompok.

Fadorial Desig s-Two atau More Treatments

Sering kali peneliti ingin meneliti efek beberapa variabel bebas atau perlakuan
tikus dibandingkan hanya menggunakan satu perlakuan baik pada tes ANOVA atau
MANOVA. Kemampuan ini merupakan perbedaan utama antara MANOVA dan
analisis diskriminan karena dapat mengurangi dampak beberapa variabel independen
dalam pembentukan kelompok dengan perbedaan kelompok yang signifikan. Analisis
dengan dua atau lebih perlakuan (faktor) disebut rancangan faktorial. Secara umum,
desain dengan n perawatan disebut desain faktorial n-way.

Memilih Treatment
Penggunaan yang paling umum dari rancangan faktorial melibatkan
pertanyaan penelitian yang menghubungkan dua atau lebih variabel independen
nonmetrik ke satu set variabel dependen. Dalam kasus ini, variabel independen
ditentukan dalam perancangan eksperimen atau disertakan dalam desain
eksperimen lapangan atau kuesioner survei.
Jenis Treatment
Seperti dibahas di sepanjang bab ini, perlakuan atau faktor adalah
variabel independen nonmetrik dengan sejumlah tingkat (kategori) yang
ditentukan. Setiap tingkat mewakili kondisi atau karakteristik yang berbeda yang
mempengaruhi variabel dependen. Dalam percobaan, perawatan dan tingkat ini
dirancang oleh peneliti dan diberikan dalam percobaan. Dalam penelitian
lapangan atau survei, karakteristik dari responden dikumpulkan oleh peneliti dan
kemudian dimasukkan dalam analisis.

MANOVA menyediakan metode terstruktur untuk menentukan perbandingan


perbedaan kelompok pada seperangkat tindakan tergantung sambil mempertahankan
efisiensi statistik. Tapi dalam beberapa kasus, perawatan diperlukan selain desain asli.
Penggunaan perawatan tambahan yang paling umum adalah mengendalikan
karakteristik yang mempengaruhi variabel dependen namun bukan merupakan bagian
18
dari rancangan studi. Dalam kasus ini, peneliti mengetahui kondisi (misalnya, metode
pengumpulan data) atau karakteristik responden (mis., Lokasi geografis, jenis kelamin,
dll.) Yang berpotensi menimbulkan perbedaan dalam tindakan bergantung. Meskipun
mereka bukan variabel independen yang menarik bagi penelitian, mengabaikannya
mengabaikan sumber perbedaan potensial yang, yang tidak diketahui, mungkin
mengaburkan beberapa hasil yang menarik untuk penelitian ini.

Cara paling langsung untuk memperhitungkan efek tersebut adalah melalui


faktor pemblokiran, yaitu karakteristik nonmetrik yang digunakan post hoc untuk
segmen responden. Tujuannya adalah untuk mengelompokkan responden untuk
mendapatkan homogenitas dalam kelompok yang lebih besar dan mengurangi sumber
variabel MSw. Dengan demikian, kemampuan uji statistik untuk mengidentifikasi
perbedaan ditingkatkan.

Asumsikan contoh iklan sebelumnya, kami menemukan bahwa pria pada


umumnya bereaksi berbeda dari wanita terhadap iklan. Jika jenis kelamin kemudian
digunakan sebagai faktor pemblokir, kami dapat mengevaluasi efek dari variabel
independen secara terpisah untuk pria dan wanita. Mudah-mudahan, pendekatan ini
akan membuat efek lebih nyata daripada ketika kita menganggap keduanya bereaksi
sama dengan tidak membuat perbedaan gender. Efek tipe pesan dan tipe pelanggan
sekarang dapat dievaluasi untuk pria dan wanita secara terpisah, memberikan tes efek
individual yang lebih tepat. Dengan demikian, karakteristik nonmetrik apapun dapat
digabungkan secara langsung ke dalam analisis untuk memperhitungkan dampaknya
terhadap tindakan tergantung. Namun, jika varibel yang ingin Anda kontrol adalah
metrik, mereka dapat disertakan sebagai kovariat, yang akan dibahas di bagian
berikutnya.

Number of Treatments . Salah satu kelebihan teknik multivariat adalah


penggunaan beberapa variabel dalam satu analisis. Bagi MANOVA, fitur ini
berkaitan dengan jumlah variabel dependen yang dapat dianalisis secara
bersamaan Seperti telah dibahas, jumlah variabel dependen mempengaruhi
ukuran sampel yang dibutuhkan dan masalah lainnya. Tapi bagaimana dengan
jumlah perawatan (yaitu, variabel independen)? Meskipun ANOVA dan
MANOVA dapat menganalisis beberapa perawatan pada saat bersamaan,
beberapa pertimbangan berkaitan dengan jumlah perawatan dalam analisis.
Number of Cells Formed Mungkin masalah yang paling membatasi yang
melibatkan banyak perawatan melibatkan jumlah sel (kelompok) yang terbentuk.
Seperti yang telah dibahas pada contoh sebelumnya, jumlah sel adalah produk
dari jumlah level untuk setiap perlakuan. Misalnya, jika kita memiliki dua
perlakuan dengan dua tingkat masing-masing dan satu perlakuan dengan empat
tingkat, total 16 sel (2 X 2 X4 = 16) akan terbentuk. Mempertahankan ukuran
sampel yang cukup untuk setiap sel (dengan asumsi 20 responden per sel)
kemudian memerlukan sampel total 320.

19
Ketika diterapkan pada data eksperimen survei atau lapangan, bagaimanapun,
meningkatkan jumlah sel menjadi jauh lebih bermasalah. Karena penelitian lapangan
pada umumnya tidak mampu mengelola survei secara terpisah ke setiap sel dalam
desain, peneliti harus merencanakan sampel keseluruhan yang cukup besar untuk
mengisi setiap sel ke minimnm yang dibutuhkan. Proporsi sampel total pada sel ach
kemungkinan besar sangat bervariasi (yaitu, beberapa sel akan jauh lebih mungkin
terjadi daripada yang lain), terutama karena jumlah sel meningkat. Dalam situasi seperti
ini, peneliti harus merencanakan ukuran sampel yang lebih besar dari pada ukuran yang
ditentukan dengan mengalikan jumlah sel dengan minimum per sel. Mari kita lihat
kembali contoh awal kita untuk menggambarkan masalah ini.
Asumsikan bahwa kita memiliki desain dua faktor sederhana dengan dua tingkat
untuk masing-masing faktor (2 X 2). Jika rancangan empat sel ini adalah eksperimen
terkontrol, peneliti dapat secara acak menetapkan 20 responden per sel untuk ukuran
sampel keseluruhan 80. Lalu, apakah itu survei lapangan? Jika sama-sama mungkin
responden akan jatuh ke dalam setiap sel, maka peneliti bisa mendapatkan sampel
sebanyak 80 dan setiap sel harus memiliki sampel 20. Proporsi dan sampel yang rapi
jarang terjadi. Bagaimana jika satu sel dianggap hanya mewakili 10 persen populasi?
Jika kita menggunakan sampel total 80, maka sel ini diharapkan memiliki sampel hanya
8. Jadi, jika peneliti menginginkan sampel 20 bahkan untuk sel kecil ini, sampel
keseluruhan harus ditingkatkan menjadi 200.
Kecuali rencana sampling yang canggih digunakan untuk memastikan sampel
per sel yang diperlukan, meningkatkan jumlah sel (sehingga kemungkinan proporsi
populasi yang tidak sama di seluruh sel) akan memerlukan sampel yang lebih besar
daripada percobaan terkontrol. Kegagalan untuk melakukannya akan menciptakan
situasi di mana sifat statistik analisis dapat dikurangi secara nyata.
Creation of Interaction Effects Setiap kali lebih dari satu perlakuan digunakan,
efek interaksi diciptakan. Istilah interferensi merupakan efek gabungan dari dua atau
lebih perawatan. Secara sederhana, ini berarti bahwa perbedaan antara kelompok satu
perlakuan bergantung pada nilai perlakuan lain. Mari kita lihat sebuah contoh
sederhana:
Asumsikan bahwa kita memiliki dua perlakuan: wilayah (Timur versus Barat)
dan status pelanggan (pelanggan dan bukan pelanggan). Pertama, asumsikan bahwa
pada variabel dependen (attitude to HBAT) pelanggan mencetak 15 poin lebih tinggi
daripada nonkonsumen. Namun, interaksi antara wilayah dan status pelanggan akan
menunjukkan bahwa jumlah perbedaan antara pelanggan dan pelanggan non-pelanggan
tergantung pada wilayah pelanggan. Sebagai contoh, ketika kita memisahkan kedua
wilayah tersebut, kita dapat melihat bahwa pelanggan dari Timur mencetak 25 poin
lebih tinggi daripada non pelanggan di Timur, sedangkan di Barat perbedaannya hanya
5 poin. Dalam kedua kasus tersebut, pelanggan mendapat nilai lebih tinggi, namun
jumlah perbedaannya bergantung pada wilayah. Ini keluar akan menjadi interaksi kedua
perawatan tersebut.
Istilah interaksi dibuat untuk setiap kombinasi variabel perlakuan Dua arah

20
Interaksi adalah variabel yang diambil dua per satu. Interaksi tiga arah adalah kombinasi
dari tiga variabel, dan seterusnya. Jumlah perawatan menentukan jumlah kemungkinan
interaksi. Bagan berikut menunjukkan interaksi yang diperhitungkan untuk dua, tiga,
dan empat variabel independen:

Kita akan membahas berbagai jenis istilah interaksi dan interpretasinya di bagian
berikut, namun peneliti harus siap untuk menafsirkan dan menjelaskan istilah interaksi,
apakah signifikan atau tidak, tergantung dari pertanyaan penelitian.
Jelas, pertimbangan ukuran sampel sangat penting, namun peneliti tidak boleh
mengabaikan implikasi dari persyaratan interaksi. Selain menggunakan setidaknya satu
tingkat kebebasan untuk setiap interaksi, mereka menyajikan masalah interpretasi yang
dibahas di tahap 4.

Menggunakan Kovariat-ANCOVA dan MANCOVA


Kami membahas sebelumnya penggunaan faktor pemblokiran untuk
mengendalikan pengaruh pada variabel dependen yang bukan merupakan bagian dari
desain penelitian namun perlu dipertanggungjawabkan dalam analisis. Ini
memungkinkan peneliti mengendalikan variabel nonmetrik, tapi bagaimana dengan
variabel metrik?
Salah satu pendekatannya adalah mengubah variabel metrik menjadi variabel
nonmetrik (mis., Median split, dll.), Namun proses ini pada umumnya dianggap tidak
memuaskan karena sebagian besar informasi yang terdapat dalam variabel metrik hilang
dalam konversi. Pendekatan kedua adalah memasukkan variabel metrik sebagai
kovariat. Variabel ini dapat mengekstrak pengaruh asing dari variabel dependen,
sehingga meningkatkan varians dalam kelompok (MSw). Prosesnya mengikuti dua
langkah:
1. Prosedur yang serupa dengan regresi linier digunakan untuk menghilangkan
variasi pada variabel dependen yang terkait dengan satu atau lebih kovariat.
2. Analisis konvensional dilakukan pada variabel dependen yang disesuaikan.
Dalam pengertian yang sederhana, ini menjadi analisis residu regresi begitu efek
dari kovariat (s) dikeluarkan.
Bila digunakan dengan ANOVA, analisisnya disebut analisis kovariansi
(ANCOVA) dan perluasan sederhana dari prinsip analisis ANCOVA ke multivariat
(multiple dependent variable) disebut MANCOVA.

21
Tujuan Analisis Covariance
Tujuan kovariat adalah untuk menghilangkan efek yang (1) hanya
mempengaruhi sebagian responden atau (2) berbeda di antara responden. Serupa dengan
penggunaan faktor pemblokiran, analisis kovariat dapat mencapai dua tujuan spesifik:
1. Untuk menghilangkan beberapa kesalahan sistematis di luar control dari peneliti
yang dapat memburuk hasilnya
2. Untuk memperhitungkan perbedaan tanggapan karena karakteristik unik
responden.
Dalam pengaturan eksperimental, bias paling sistematis dapat dihilangkan
dengan penugasan acak responden ke berbagai perawatan. Namun, dalam penelitian
yang tidak biasa, kontrol semacam itu tidak mungkin dilakukan. Misalnya, dalam
menguji efek iklan mungkin berbeda tergantung pada waktu hari atau komposisi
penonton dan reaksinya. Selain itu, perbedaan pribadi, seperti sikap atau pendapat,
dapat mempengaruhi tanggapan, namun analisis tersebut tidak memasukkannya sebagai
faktor pengobatan. Peneliti menggunakan kovariat untuk mengambil perbedaan karena
faktor-faktor ini sebelum efek eksperimen dihitung.

Memilih Covariat
Kovariat yang efektif adalah hubungan yang sangat berkorelasi dengan variabel
dependen yang tidak berkorelasi dengan variabel independen. Mari kita periksa
alasannya. Varians dalam variabel dependen membentuk dasar dari istilah kesalahan
kita.
Jika kovariat berkorelasi dengan variabel dependen dan bukan variabel
independen, kita dapat menjelaskan beberapa varians dengan kovariat (melalui
regresi linier), meninggalkan varian residu maller (yang tidak dapat dijelaskan)
dalam variabel dependen. Varians residual ini memberikan istilah error yang
lebih kecil (MSw) untuk statistik F dan dengan demikian merupakan uji efek
pengobatan yang lebih efisien. Jumlah yang dijelaskan oleh kovariat yang tidak
berkorelasi tidak akan dijelaskan oleh variabel independen (karena kovariat tidak
berkorelasi dengan variabel independen). Dengan demikian, uji variabel
independen (s) lebih sensitif dan kuat.
Namun, jika kovariat berkorelasi dengan variabel independen (s), maka kovariat
akan menjelaskan beberapa varians yang dapat dijelaskan oleh variabel
independen dan mengurangi pengaruhnya. Karena kovariat diekstraksi terlebih
dahulu, variasi yang terkait dengan kovariat tidak tersedia untuk variabel
independen.
Oleh karena itu, sangat penting bagi peneliti untuk memastikan bahwa korelasi
antara kovariat dan variabel independen cukup kecil sehingga pengurangan daya
penjelas dari pengurangan varians yang bisa saja dijelaskan oleh variabel independen (s)
kurang dari penurunan varians yang tidak dapat dijelaskan yang disebabkan oleh
kovariat.
22

Number of Covariates. Pertanyaan umum melibatkan berapa banyak kovariat
untuk ditambahkan ke analisis. Meskipun peneliti ingin memperhitungkan
sebanyak mungkin efek asing, jumlah yang terlalu besar akan mengurangi
efisiensi prosedur statistik. Aturan praktis [13] menentukan bahwa jumlah
maksimum kovariat ditentukan sebagai berikut:
Maximumnumberofcovariates = (.10 X Sample sire) - (Number
of groups - 1)
Misalnya, untuk ukuran sampel 100 responden dan 5 kelompok, jumlah kovariat
harus kurang dari 6 [6 = .10 X 100 - (5 - 1)]. Namun, hanya untuk dua kelompok
analisis bisa mencakup hingga sembilan kovariat.
Peneliti harus selalu berusaha meminimalkan jumlah kovariat, sambil tetap
memastikan bahwa kovariat efektif tidak dihilangkan, karena dalam banyak kasus
terutama dengan ukuran sampel yang kecil, mereka dapat secara nyata meningkatkan
sensitivitas uji statistik.

Asumsi untuk Analisis Kovarian


Dua persyaratan untuk penggunaan analisis kovarian adalah sebagai berikut:
a. Kovariat harus memiliki beberapa hubungan (korelasi) dengan tindakan
tergantung.
b. Kovariat harus memiliki homogenitas efek regresi, yang berarti bahwa kovariat
memiliki efek yang sama terhadap variabel dependen di seluruh kelompok.
Dalam istilah regresi, ini menyiratkan koefisien yang sama untuk semua
kelompok.
Tes statistik tersedia untuk asumsi apakah asumsi ini berlaku untuk setiap
kovariat yang digunakan. Jika salah satu dari persyaratan ini tidak terpenuhi, maka
penggunaan kovariat tidak tepat.

MANOVA Mitra Desain ANOVA lainnya


Banyak jenis desain ANOVA ada dan dibahas dalam teks desain eksperimental
standar [15, 19, 22]. Setiap desain ANOVA memiliki rekanan multivariat; Artinya,
ANOVA apapun pada satu variabel dependen dapat diperluas ke desain MANOVA.
Untuk menggambarkan fakta ini, kita harus membahas setiap desain ANOVA secara
rinci. Jelas, jenis diskusi ini tidak mungkin dilakukan dalam satu bab karena
keseluruhan buku ditujukan untuk topik desain ANOVA.
Kasus Khusus MANOVA: Tindakan Berulang
Kami membahas sejumlah situasi di mana kami ingin memeriksa perbedaan
pada beberapa tindakan tergantung. Situasi khusus jenis ini terjadi ketika responden
yang sama memberikan beberapa tindakan, seperti nilai tes dari waktu ke waktu, dan
kami ingin memeriksanya untuk melihat apakah ada tren yang muncul. Tanpa perlakuan
khusus, bagaimanapun, kita akan melanggar asumsi terpenting, independensi. Model
MANOVA khusus, yang disebut model tindakan berulang, memperhitungkan
ketergantungan ini dan masih memastikan apakah ada perbedaan yang terjadi pada
23
individu untuk himpunan variabel dependen. Perspektif orang dalam penting sehingga
setiap orang ditempatkan pada pijakan yang sama.
Sebagai contoh, asumsikan kita menilai perbaikan pada nilai tes selama semester
ini. Kita harus memperhitungkan nilai tes sebelumnya dan bagaimana kaitannya dengan
nilai di kemudian hari, dan kita mungkin berharap dapat melihat tren yang berbeda
untuk mereka yang memiliki skor awal rendah dan tinggi. Dengan demikian, kita harus
mencocokkan masing-masing skor responden saat melakukan analisis. Perbedaan yang
kita minati menjadi berapa banyak setiap orang berubah, belum tentu perubahan dalam
kelompok berarti sepanjang semester.
Desain Penelitian MANOVA
Sel (kelompok) dibentuk oleh kombinasi variabel independen; misalnya,
variabel nonmetrik tiga kategori (mis., rendah, sedang, tinggi) dikombinasikan
dengan variabel nonmetrik dua kategori (mis., jenis kelamin laki-laki versus
perempuan) akan menghasilkan desain 3 x 2 dengan enam sel (kelompok)
Ukuran sampel per kelompok adalah masalah desain kritis:
Ukuran sampel minimum per kelompok harus lebih besar dari jumlah variabel
dependen
Ukuran sel minimum yang disarankan adalah 20 pengamatan per sel (kelompok)
Peneliti harus mencoba untuk memiliki ukuran sampel kira-kira sama per sel
(kelompok)
Variabel kovariat dan pemblokiran adalah cara efektif untuk mengendalikan
pengaruh eksternal pada variabel dependen yang tidak secara langsung diwakili
dalam variabel independen.
Kovariat yang efektif adalah hubungan yang sangat berkorelasi dengan variabel
dependen (s) namun tidak berkorelasi dengan variabel independen.
Jumlah maksimum kovariat dalam model harus (.10 x Ukuran sampel) - (Jumlah
kelompok-1)

3.2. Estimasi dan Interpretasi Hasil MANOVA

Estimasi Model MANOVA dan Menilai Kelayakan Secara Keseluruhan

Setelah analisis MANOVA dirumuskan dan diuji untuk memenuhi asumsi,


penilaianperbedaan yang signifikan di antara kelompok-kelompok yang dibentuk oleh perlakuan
dapatdilanjutkan.Prosedur estimasi berdasarkan pada model linier umum menjadi lebih umum dan isu-
isu dasar akan dibahas. Dengan model estimasi, peneliti kemudian dapat menilai perbedaanberarti
berdasarkan pada uji statistik yang paling tepat untuk tujuan studi. Selain itu, dalamsituasi apapun, tetapi
terutama karena analisis menjadi lebih kompleks, peneliti harusmengevaluasi kekuatan uji statistik
untuk memberikan keyakinan yang tinggi pada hasil yang diperoleh.

24
Cara tradisional untuk menghitung statistik uji yang tepat untuk ANOVA dan MANOVAdidirikan
lebih dari 70 tahun yang lalu. Dalam beberapa tahun terakhir, bagaimanapun, modellinier umum
(GLM) telah menjadi sarana populer memperkirakan model ANOVA danMANOVA. Prosedur
GLM, seperti namanya, adalah keluarga model, masing-masing terdiridari tiga unsur :

Variate. Kombinasi linear dari variabel independen yang ditentukan oleh peneliti.
Setiapvariabel independen memiliki sebuah estimasi yang diperkirakan mewakili
kontribusiterhadap nilai prediksi variabel

Komponen Acak. Distribusi probabilitas diasumsikan menggarisbawahi kemampuanvariabel


dependen. Distribusi probabilitas yang khas adalah normal, poisson, binominal,dan distribusi
multinominal. Masing-masing distribusi terkait dengan jenis responvariabel (misalnya, variabel
kontinyu berhubungan dengan distribusi normal, proporsiyang berhubungan dengan distribusi
binominal, dan variabel dikotomis yang terkaitdengan distribusi Poisson). Peneliti memilih
komponen acak berdasarkan pada jenisvariabel respon.

Fungsi link. Menyediakan koneksi teoritis antara variate dan komponen acak
untuk mengakomodasi perbedaan formulasi. Model fungsi link menentukan jenis
transformasiyang dibutuhkan untuk menentukan model yang diinginkan. Tiga fungsi link yang
palingumum adalah identitas, logit, dan link log

Pendekatan GLM menyediakan peneliti dengan model estimasi tunggal di manasejumlah model
statistik yang berbeda dapat diakomodasi. Dua keuntungan unik dari pendekatanGLM adalah
fleksibilitas dan kesederhanaan pada desain model.

Dengan menetapkan kombinasi spesifik dari komponen acak dan fungsi link digabungkan
dengan jenis variabel di variate, berbagai model multivariat dapatdiperkirakan. Seperti yang
ditunjukkan pada Tabel 2, kombinasi komponen ini sesuaidengan banyaknya teknik
multivariat sudah digunakan. Dengan demikian, prosedurestimasi tunggal dapat digunakan
untuk berbagai macam model empiris

Peneliti juga dapat bervariasi baik fungsi link atau distribusi probabilitas untuk palingcocok
dengan sifat sebenarnya dari data daripada menggunakan transformasi luas data.Dua contoh
menggambarkan fitur ini. Pertama, dalam kasus-kasus heteroskedastisitas,
.

25
substitusi dari distribusi gamma akan memungkinkan untuk estimasi model tanpamengubah
pengukuran variabel tergantung. Kedua, jika variate diasumsikan multiplikatif daripada tambahan, salah
satu alternatif adalah dengan menggunakan transformasilogaritmik dari variate. Dalam GLM, para
variate dapat tetap dalam formulasi aditif dengan fungsi link log digunakan sebagai gantinya.

Kriteria Tes Signifikansi


Dalam diskusi kita tentang kesamaan MANOVA dengan analisis diskriminan kitamenyebutnya akar
karakteristik terbesar dan fungsi diskriminan pertama, dan istilah-istilah inimenyiratkan bahwa beberapa
fungsi diskriminan dapat bertindak sebagai variates dari variabeldependen. Jumlah fungsi didefinisikan
oleh lebih kecil dari (k - 1) atau p dimana k adalah jumlahkelompok dan p adalah jumlah variabel
dependen. Dengan demikian, setiap tindakan untuk menguji signifikansi statistik perbedaan kelompok
di MANOVA mungkin perlumempertimbangkan perbedaan fungsi diskriminan ganda.

Pengukuran Statistik
Seperti dalam analisis diskriminan, peneliti menetapkan sejumlah kriteria statistik untuk menerapkan tes
signifikansi berkaitan dengan perbedaan dimensi variabel dependen. Tindakanyang paling banyak
digunakan adalah:
Roys greatest characteristic root (GCR),
seperti namanya, mengukur perbedaan hanyapada fungsi diskriminan pertama di antara
variabel dependen. Kriteria ini memberikankeuntungan dalam kekuatan dan spesifisitas tes
namun membuatnya kurang bergunadalam situasi tertentu di mana semua dimensi harus
dipertimbangkan. Roy (GCR)terbesar adalah paling tepat ketika variabel dependen sangat
terkait pada dimensi tunggal,tetapi juga merupakan ukuran yang paling mungkin terkena
dampak pelanggaran asumsi.

Wilkslambda (juga dikenal sebagai U statistik) adalah beberapa kali disebut sebagai
Fmultivariat dan umumnya digunakan atau menguji signifikansi keseluruhan antarakelompok-
kelompok dalam situasi multivariat. Tidak seperti statistik Roy (GCR)terbesar, yang
didasarkan pada fungsi diskriminan pertama, lambda Wilks 'menganggapsemua fungsi
diskriminan, yaitu mengkaji apakah kelompok yang terasa berbeda tanpapeduli apakah mereka
berbeda pada setidaknya satu kombinasi linear dari variable dependen . Meskipun distribusi

26
lambda Wilks adalah complex, perkiraan yang baik untuk pengujian signifikansi tersedia
dengan mengubahnya menjadi sebuah statistik F

Pillais Criterion and Hotellings T adalah dua ukuran lain yang serupa dengan
lambdaWilks 'karena mereka mempertimbangkan semua karakteristik akar dan dapat
didekatidengan statistik F

Kekuatan Statistik Tes Multivariat

Dalam istilah sederhana untuk MANOVA, kekuatan adalah probabilitas bahwa


tes statistik akan mengidentifikasi efek pengobatan jika benar-benar ada. Daya juga
dapat dinyatakan sebagai salah satu minus probabilitas kesalahan Tipe II atau beta (P)
(yaitu, Power = 1 - Jl). Kekuatan statistik memainkan peran penting dalam analisis
MANOVA karena digunakan baik dalam proses perencanaan (misalnya, menentukan
sampel sampel yang diperlukan) dan sebagai ukuran diagnostik hasil, terutama bila
ditemukan efek yang tidak signifikan. Bagian berikut pertama-tama memeriksa
dampaknya terhadap kekuatan statistik dan kemudian membahas masalah yang unik
untuk memanfaatkan analisis daya dalam desain MANOVA.

DAMPAK KEKUATAN STATISTIK

Tingkat kekuatan untuk empat kriteria statistik Kritik Roy, Wiiks 'lambda,
kriteria Hotelling, atau Pillai - berdasarkan tiga pertimbangan: tingkat alfa (a), efek sire
dari perlakuan , dan tuan tanah yang cukup banyak dari kelompok tersebut. Masing-
masing pertimbangan ini dapat dikontrol dalam berbagai tingkat dalam desain
MANOVA dan memberi peneliti sejumlah pilihan dalam mengelola kekuatan untuk
mencapai tingkat kekuatan yang diinginkan dalam kisaran 0,80 atau lebih.

Tingkat Signifikansi Statistik (alfa a). Daya berbanding terbalik dengan tingkat
alpha (a) yang dipilih. Banyak peneliti menganggap tingkat signifikansi di tentukan
pada tingkat tertentu (misalnya, 0,05), namun sebenarnya adalah penilaian oleh peneliti
mengenai tempat untuk menempatkan penekanan pada uji statistik. Banyak kali dua
elemen lainnya yang mempengaruhi daya (efek sire dan ukuran sampel) sudah
ditentukan atau data telah dikumpulkan, sehingga tingkat alpha menjadi alat utama
dalam menentukan kekuatan analisis.

Dengan menetapkan tingkat alpha yang diperlukan untuk menunjukkan


signifikansi statistik, peneliti merasa balas keinginan untuk bersikap tegas dalam hal
yang dianggap sebagai perbedaan yang signifikan antar kelompok sambil tetap tidak
menetapkan kriteria yang tinggi sehingga perbedaan tidak dapat ditemukan.

Meningkatkan alpha (yaitu, menjadi lebih konservatif, seperti bergerak dari 0,05 ke
0,01) mengurangi kemungkinan menerima perbedaan sebagai signifikan bila tidak
27
benar-benar signifikan. Namun, dengan melakukan hal tersebut menurunkan daya
karena lebih selektif dalam hal yang dianggap sebagai perbedaan statistik juga
meningkatkan kesulitan dalam menemukan perbedaan yang signifikan.

Mengurangi tingkat alfa yang diperlukan untuk signifikansi statistik (misalnya,


pergerakan dari 0,05 hingga 0,10)

dianggap berkali-kali "kurang statistik" karena peneliti bersedia menerima perbedaan


kelompok yang lebih kecil secara signifikan. Namun, dalam kasus di mana pengaruh
sires atau sampel sires lebih kecil dari yang diinginkan, mungkin perlu sedikit perhatian
untuk menerima positif palsu ini dan menurunkan tingkat alfa untuk meningkatkan
daya. Salah satu contohnya adalah saat membuat beberapa perbandingan. Untuk
mengendalikan tingkat kesalahan eksperimen, tingkat alpha meningkat untuk setiap
perbandingan yang terpisah. Namun, untuk membuat beberapa perbandingan dan masih
mencapai tingkat keseluruhan 0,05, mungkin memerlukan tingkat yang ketat (misalnya,
01 atau kurang) untuk setiap gabungan parison, sehingga sulit menemukan perbedaan
yang signifikan (yaitu, daya rendah). Disini peneliti dapat meningkatkan keseluruhan
tingkat alfa untuk memungkinkan tingkat alpha yang lebih masuk akal untuk pengujian
terpisah.

Isu Unik dengan MANOVA. Kemampuan untuk menganalisis beberapa variabel


dependen dalam MANOVA menciptakan kendala tambahan pada kekuatan dalam
analisis MANOVA. Satu sumber [17] tabel yang diterbitkan menyajikan kekuatan
dalam sejumlah situasi umum dimana MANOVA diterapkan. Namun, kita dapat
menarik beberapa kesimpulan umum untuk memeriksa serangkaian kondisi yang
dihadapi dalam banyak rancangan penelitian. Tabel 3 memberikan gambaran umum
tentang ukuran sampel yang dibutuhkan untuk berbagai tingkat kompleksitas analisis.
Sebuah tinjauan terhadap tabel mengarah pada beberapa poin umum.

Meningkatnya jumlah variabel dependen memerlukan peningkatan ukuran sampel


untuk mempertahankan tingkat kekuatan tertentu. Ukuran sampel tambahan yang
dibutuhkan lebih terasa untuk efek yang lebih kecil.

Untuk ukuran efek kecil, peneliti harus siap untuk terlibat dalam upaya penelitian
substansial untuk mencapai tingkat kekuatan yang dapat diterima. Misalnya, untuk

28
mencapai kekuatan yang disarankan .80 saat menilai ukuran efek kecil dalam desain
empat kelompok, 115 subjek per kelompok diperlukan jika dua tindakan tergantung
digunakan. Ukuran sampel yang dibutuhkan meningkat menjadi 185 per kelompok jika
delapan variabel dependen dipertimbangkan

Seperti yang bisa kita lihat, keuntungan menggunakan beberapa tindakan bergantung
bergantung pada analisis kami. Dengan demikian peneliti harus selalu menyeimbangkan
penggunaan tindakan yang lebih bergantung versus manfaat dari parsimoni dalam
rangkaian variabel dependen yang terjadi tidak hanya dalam interpretasi tetapi dalam uji
statistik untuk perbedaan kelompok juga.

Menghitung Tingkat Daya. Untuk menghitung kekuatan analisis ANOVA, sumber yang
dipublikasikan [3, 24] serta program komputer sekarang tersedia. Metode komputasi
kekuatan MANOVA, bagaimanapun, jauh lebih terbatas. Untungnya, sebagian besar
program komputer memberikan penilaian tentang kekuatan untuk tes signifikansi dan
memungkinkan peneliti untuk menentukan apakah daya harus berperan dalam
menafsirkan hasilnya.

Dalam hal materi yang diterbitkan untuk tujuan perencanaan, hanya ada sedikit untuk
MANOVA karena banyak elemen mempengaruhi kekuatan analisis MANOVA.
Peneliti, bagaimanapun, harus menggunakan alat yang tersedia untuk ANOVA dan
kemudian melakukan penyesuaian yang dijelaskan untuk mendekati kekuatan desain
MANOVA.

Interpretasi Hasil Manova

Setelah signifikansi statistik dari perawatan telah dinilai, peneliti ternyata perhatian
untuk memeriksa hasil untuk memahami bagaimana setiap perlakuan mempengaruhi
tindakantergantung. Dengan demikian, serangkaian tiga langkah yang harus diambil:

1.Menginterpretasikan efek kovariat, jika digunakan.


2.Menilai mana variabel dependen (s) menunjukkan perbedaan di seluruh kelompok perlakuan masing-
masing.
3.Mengidentifikasi apakah kelompok berbeda pada variabel dependen tunggal atau variatetergantung
seluruh

Mengevaluasi Kovariat
Kovariat dapat memainkan peran penting dengan memasukkan variabel metrik keMANOVA atau
desain ANOVA. Namun, karena tindakan kovariat sebagai ukuran kontrol padavariate dependen,
sebelum pengerjaannya di nilai terlebih harus diperiksa. Setelah memenuhiasumsi untuk menerapkan
kovariat, peneliti dapat menafsirkan efek sebenarnya dari kovariatpada variate dependen dan
dampaknya terhadap uji statistik yang sebenarnya dari perawatan.Peran paling penting dari kovariat (s)

29
adalah dampak keseluruhan dalam uji statistik untuk perawatan. Pendekatan yang paling langsung
untuk mengevaluasi dampak adalah denganmenjalankan analisis dengan dan tanpa kovariat. Kovariat
yang efektif akan meningkatkankekuatan statistik tes dan mengurangi dalam kelompok varians. Jika
peneliti tidak melihatpeningkatan substansial, maka kovariat dapat liminated, karena mereka
mengurangi derajatkebebasan yang tersedia untuk tes dari efek pengerjaan. Pendekatan ini juga
dapatmengidentifikasi contoh-contoh di mana kovariat yang terlalu kuat dan mengurangi
varianssedemikian rupa sehingga perawatan tidak signifikan semua. Seringkali situasi ini terjadi
ketikakovariat termasuk yang berkorelasi dengan salah satu variabel independen dan dengan
demikianmenghilangkan varians ini, sehingga mengurangi kekuatan penjelas dari variabel independen.

Jika dampak keseluruhan signifikan, maka setiap kovariat dapat diperiksa untuk
kekuatanhubungan prediktif dengan tindakan tergantung. Jika kovariat merupakan efek secara
teoritisberbasis maka hasil ini memberikan dasar obyektif untuk menerima atau menolak
hubunganyang diusulkan. Dalam nada yang praktis, peneliti dapat meneliti dampak kovariat
danmenghilangkan selang dengan efek sedikit atau tidak ada.Untuk menentukan efek utama dalam
istilah-istilah ini, bagaimanapun, membutuhkan duaanalisis tambahan:1. Jika analisis ini mencakup
lebih dari satu pengerjaan, harus memeriksa persyaratan interaksiuntuk melihat apakah signifikan, jika
demikian apakah mereka memungkinkan untuk menafsirkan efek utama.2. Jika pengerjaan melibatkan
lebih dari dua tingkat, maka peneliti harus melakukan serangkaiantes tambahan antara kelompok-
kelompok untuk melihat mana pasangan kelompok secarasignifikan berbeda.

Dampak Dari Syarat Interaksi


Istilah interaksi merupakan efek gabungan dari dua atau lebih pengerjaan. Setiap kalidesain penelitian
memiliki dua atau lebih perawatan, peneliti harus terlebih dahulu menelitiinteraksi sebelum pernyataan
apapun dapat dibuat tentang efek utama. Pertama, kita akanmembahas bagaimana mengidentifikasi
interaksi signifikan. Kemudian kita akan membahasbagaimana mengklasifikasikan interaksi yang
signifikan dalam rangka untuk menafsirkandampaknya terhadap efek utama dari variabel pengobatan.
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
setlengkap hasil untuk setiap istilah interaksi selain efek utama. Tes statistik yang menunjukkaninteraksi
yang tidak signifikan menunjukkan efek independen dari pengerjaan. Kemerdekaandalam desain
faktorial berarti bahwa efek dari satu pengerjaan (yaitu, kelompok perbedaan)adalah sama untuk setiap
tingkat perawatan lain) dan bahwa efek utama dapat diartikan secaralangsung. Di sini kita dapat
menggambarkan perbedaan antara kelompok sebagai konstan biladianggap dalam kombinasi dengan
pengerjaan kedua akan membahas penafsiran efek utamadalam contoh sederhana pada bagian
selanjutnya.Jika interaksi dianggap signifikan secarastatistik, sangat penting bahwa peneliti
mengidentifikasi jenis interaksi (ordinal vs disordinal)

karena memiliki kaitan langsung pada kesimpulan yang dapat ditarik dari hasil. Seperti yangakan kita
lihat di bagian berikutnya, interaksi berpotensi dapat mengacaukan setiap deskripsi dariefek utama
dependen pada sifat mereka.

30
Jenis Interaksi signifikan.
Signifikansi statistik dari istilah interaksi dibuat dengan kriteria statistik yang sama digunakanuntuk
menilai dampak dari efek utama. Setelah menilai signifikansi dari istilah interaksi, penelitiharus meneliti
efek dari pengobatan (yaitu, perbedaan antara kelompok-kelompok) untuk menentukan jenis interaksi
dan dampak dari interaksi pada interpretasi dari efek utama. Interaksisignifikan dapat diklasifikasikan ke
dalam salah satu dari dua jenis: interaksi ordinal ataudisordinal.
Interaksi Ordinal
. Ketika efek dari pengobatan yang tidak sama di semua tingkat perawatanlain, namun perbedaan
kelompok (s) selalu arah yang sama, kita istilah ini interaksi ordinal.Dengan kata lain, kelompok berarti
untuk satu tingkat selalu lebih besar / lebih rendah daripadatingkat lain perlakuan yang sama tidak peduli
bagaimana mereka dikombinasikan denganpengobatan lain.Asumsikan bahwa dua perlakuan (jenis
kelamin dan umur) yang digunakanuntuk mengukur kepuasan. Interaksi ordinal terjadi, misalnya,
ketika perempuan selalu lebihpuas dibandingkan laki-laki, tetapi jumlah perbedaan antara pria dan
wanita berbeda menurutkelompok umur.Ketika interaksi yang signifikan adalah ordinal, peneliti harus
menafsirkan istilah interaksiuntuk memastikan bahwa hasilnya dapat diterima secara konseptual. Di sini
peneliti harusmengidentifikasi mana variasi dalam perbedaan kelompok terjadi dan bagaimana variasi
yangberkaitan dengan model konseptual yang mendasari analisis. Jika demikian, maka efek pengerjaan
masing-masing harus dijelaskan dari pengerjaan yang salin berinteraksi.

Interaksi Disordinal.
Ketika perbedaan antara switchs tingkat, tergantung pada bagaimana merekadikombinasikan dengan
tingkat dari perawatan lain, ini dinamakan interaksi disordinal. Berikutefek dari satu pengobatan yang
positif untuk beberapa tingkat dan negatif untuk tingkat lain daripengobatan lain Dalam contoh kita
memeriksa kepuasan berdasarkan gender dan usia, interaksidisordinal terjadi ketika perempuan
memiliki kepuasan yang lebih tinggi dibandingkan laki-lakidalam beberapa kategori usia, namun laki-
laki yang lebih puas dalam kategori usia lainnya.

Jika interaksi signifikan dianggap disordinal, maka efek mam dari perawatan yang terlibat
dalaminteraksi tersebut tidak dapat ditafsirkan dan penelitian harus dirancang ulang usulan ini
berasaldari fakta bahwa dengan interaksi disordinal, efek utama bervariasi tidak hanya di
tingkatpengobatan tetapi juga arah (positif atau negatif). Dengan demikian, perawatan tidak
mewakiliefek yang konsisten

Mengidentifikasi Perbedaan Antara Kelompok Individu


Meskipun tes univariat dan multivariat ANOVA dan akhir MANOVA mampu kita untuk menolak
hipotesis nol yang berarti kelompok semua sama, tidak menentukan di mana perbedaanyang signifikan
antara berbohong lebih dari dua kelompok. Beberapa tes t tanpa bentuk penyesuaian yang tidak sesuai
untuk menguji signifikansi perbedaan antara sarana kelompok dipasangkan karena kemungkinan Tipe I
kesalahan meningkat dengan jumlah perbandinganantarkelompok dibuat. Banyak prosedur yang
tersedia untuk penyelidikan lebih lanjut darikelompok tertentu berarti perbedaan kepentingan dengan
menggunakan pendekatan yangberbeda untuk mengontrol Tipe I tingkat kesalahan di beberapa tes.

31
TES UNIVARIAT GANDA UNTUK MENGATUR RATE ERROR
EXPERIMENTWIDE
Banyak kali pendekatan yang paling sederhana adalah dengan melakukan serangkaian tesunivariat
dengan beberapa bentuk penyesuaian manual oleh peneliti untuk memperhitungkantingkat kesalahan
experimentwide. Peneliti dapat membuat penyesuaian berdasarkan padaapakah perawatan melibatkan
dua atau lebih tingkat (kelompok).
Menafsirkan kovariat dan Efek Interaksi
a. Ketika kovariat kembali terlibat dalam sebuah model GLM:

1.Menganalisis model baik dengan dan tanpa kovariat2.

Jika kovariat tidak meningkatkan kekuatan statistik atau tidak berpengaruh padapentingnya efek
pengobatan, maka mereka dapat dijatuhkan dari analisis akhirb. Setiap saya dua atau lebih variabel
independen (perawatan) yang dimasukkan dalam analisis,interaksi harus diperiksa sebelum menarik
kesimpulan tentang efek utama untuk setiapvariabel independen1.

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

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

Interaksi Ordinal berarti bahwa arah perbedaan tidak berbeda dengan tingkat(misalnya, laki-laki selalu
kurang dari perempuan) meskipun perbedaan antara laki-laki / perempuan bervariasi menurut tingkat
pada pengobatan lainnya, dalam hal ini,ukuran efek utama (misalnya, laki-laki dibandingkan
perempuan) hanya bolehdijelaskan secara terpisah untuk setiap tingkat perlakuan lainnya

Interaksi disordinal signifikan terjadi ketika arah suatu perubahan efek yang diamatiutama dengan
tingkat pengobatan yang lain (misalnya, laki-laki lebih besar daripadaperempuan untuk satu tingkat dan
kurang dari perempuan untuk tingkat lain), interaksidisordinal mengganggu penafsiran efek utama

32
33