RUMUS APG Semester 7 -ANGKATAN 55 ^^

Aspect Of Multivariate Analysis Pengujian Hipotesis Beda Rata-Rata (Multivariate Test)

Eigen Value Varians Diketahui
|𝜆𝐼 − 𝐴| = 0 Asumsi : Sampel acak berasal dari populasi berdistribusi N(µ,Σ)
Ortogonal 𝐻0 : 𝝁 = 𝝁𝟎
𝐴𝑇 𝐴 = 𝐼 𝑎𝑡𝑎𝑢 𝐴𝑇 = 𝐴−1 𝑎𝑡𝑎𝑢 𝐴−1 𝐴 = 𝐼 𝐻1 : 𝝁 ≠ 𝝁𝟎
α
𝜎12
𝑟= Statistik uji :
𝜎11 𝜎22
𝑍 2 = 𝑛(𝑦̅ − 𝜇0 )′ 𝛴 −1 (𝑦̅ − 𝜇0 )
Wilayah kritik : Tolak 𝐻0 apabila 𝑍 2 > 𝜒𝛼,𝑝
Random Vektor
1 ′
̅
𝑋 = 𝑋 1 Ket : 1 adalah matriks satu satuan.
𝑛 Varians Tidak Diketahui
1 1 Asumsi : Sampel acak berasal dari populasi berdistribusi N(µ,Σ)
𝑆= 𝑋 ′ (𝐼 − 11′ ) 𝑋
𝑛−1 𝑛 𝐻0 : 𝝁 = 𝝁𝟎
𝑅 = 𝐷 −1/2 𝑆𝐷 −1/2 𝐻1 : 𝝁 ≠ 𝝁𝟎
α
Sample Geometri dan Random Sampling Statistik uji :
Generalized Variance : |𝑆| 𝑇 2 = 𝑛(𝑦̅ − 𝜇0 )′ 𝑆 −1 (𝑦̅ − 𝜇0 )
𝑣−𝑝+1 2
Combinasi Linear : Wilayah kritik : 𝑇𝑝,𝑣 = 𝐹𝑝,𝑣−𝑝+1
𝑣𝑝
X : N p (μ, Σ) Tolak 𝐻0 apabila 𝑇 2 >
𝑣𝑝
𝐹 ket : v= n-1
𝑣−𝑝+1 𝑝,𝑣−𝑝+1
a' X  a1 X 1  a2 X 2    a p X p :
Jika Hasilnya Tolak H0 , untuk mencari variabel yang
N (a' μ, a' Σa ) memberikan kotribusi penting dengan cara membentuk selang
Kontur : kepercayaan.
Tahapan pembentukan kontur :
Cari c2 (x-μ)’ Σ-1 (x-μ)=c2 𝑝(𝑛 − 1) 𝑆11
𝑦1 ± √
𝜇1 : ̅̅̅ 𝐹𝑝,𝑣−𝑝+1 (𝛼)√
(x-μ)’ Σ-1 (x-μ)≤χ𝑃 2 (α) (𝑛 − 𝑝) 𝑛
c2=χ𝑃 2 (α) Cat : Dicari CI sampai variabel ke p
Cari nilai eigen |Σ - 𝜆I| = 0
Cari vector eigen Σe1 = 𝜆 e1
Gambarkan sumbu mayor dan minor. Pusat dari Perbandingan Dua Vektor Rataan
ellipsoid adalah μ dan memilki 𝐻0 : 𝝁𝟏 = 𝝁𝟐
sumbu ±c 𝝀𝒊𝒆𝒊 , dimana Σ𝒆𝒊 = 𝝀𝒊𝒆𝒊untuk i= 1,2, … , 𝐻1 : 𝝁𝟏 ≠ 𝝁𝟐
p. α
𝜇1 𝜆
[𝜇 ] ± 𝑐 √𝜎11 +𝜎12 [ 1 ] Statistik uji :
2 𝜆2 𝑛1 𝑛2
𝑇2 = (𝑦̅ − 𝑦̅2 )′ 𝑆𝑔𝑎𝑏 −1
𝑛1 + 𝑛2 1
𝑐 = √(𝑋 − 𝜇)′𝛴 −1 (𝑋 − 𝜇) 1
𝑆𝑔𝑎𝑏 = (𝑊 + 𝑊1 )
𝑛1 + 𝑛2 − 1 1
𝑛1

Multivariate Normal 𝑊1 = ∑(𝑦1𝑖 − 𝑦̅1 )(𝑦1𝑖 − 𝑦̅1 )′ = (𝑛1 − 1)𝑆1

Untuk mengetahui suatu random sample mengikuti sebaran 𝑖=1
𝑛2
multivariat normal dapat dilakukan dengan 2 cara :
1. Q-Q Plot 𝑊2 = ∑(𝑦2𝑖 − 𝑦̅2 )(𝑦2𝑖 − 𝑦̅2 )′ = (𝑛2 − 1)𝑆2
1 𝑖=1
Proporsi nilai x  x( j ) : j / n  ( j  ) / n
2
Wilayah kritik :
q( j ) 1 z2 / 2 j 1/ 2
P[ Z  q( j ) ]   e dz  Tolak 𝐻0 apabila 𝑇 2 >
(𝑛1 −𝑛1 −2)𝑝
𝐹𝑝,𝑛1+𝑛1−𝑝−1

2 n 𝑛1 +𝑛1 −𝑝−1
Plot q( j ) , x( j )  untuk meneliti kelinieran nya
CI Hotteling :
2. Chi-Square Plot 1 1
𝜇1𝑖 − 𝜇2𝑖 : (𝑦̅1𝑖 − 𝑦̅2𝑖 ) ± 𝑐√( + )𝑆𝑔𝑎𝑏
d 2  ( x  x ) S 1 ( x  x ) : kuadrat jarak 𝑛1 𝑛2
Urutkan kuadrat jarak d (21)  d (22 )    d (2n ) (𝑛1 − 𝑛1 − 2)𝑝
𝑐2 = 𝐹
1 1 𝑛1 + 𝑛1 − 𝑝 − 1 𝑝,𝑛1+𝑛1−𝑝−1
qc , p (( j  ) / n) : 100( j  ) / n , df  p CI Bonferoni :
2 2
1 𝛼 1 1
Gambarkan nilai (qc , p (( j  ) / n), d (2j ) ) 𝜇1𝑖 − 𝜇2𝑖 : (𝑦̅1𝑖 − 𝑦̅2𝑖 ) ± 𝑡𝑛1+𝑛2−2 ( )√( + )𝑆𝑔𝑎𝑏
2 2𝑝 𝑛1 𝑛2
Plot seharusnya membentuk garis lurus dengan slope 1
1 1 Cat : Untuk melakukan uji beda rata2, harus terpenuhi syarat
Note : qc , p (( j  ) / n)   p2 (1  ( j  ) / n)
2 2 keragama varians dan normal multivariat
 Likelihood Ratio test Manova
𝑛/2 Statistik Uji : Wilks Lamda
𝑚𝑎𝑥𝛴 |𝛴̂ |
𝐿𝑅 = =( ) < 𝐶𝛼
𝑚𝑎𝑥µ𝛴 |𝛴̂0 |
𝑛/2 𝑛/2
|𝛴̂ | |∑𝑛𝑗=1(𝑋𝑖 − 𝑋̅)(𝑋𝑖 − 𝑋̅)′ |
Ʌ=( ) = ( 𝑛 ) < 𝐶𝛼
|𝛴̂0 | |∑𝑗=1(𝑋𝑖 − 𝜇0 )(𝑋𝑖 − 𝜇0 )′ |

(𝑛−1)|𝛴̂0 |
𝐶=𝑇 𝑇2 = ̂|
|𝛴
− (𝑛 − 1)

Simultaneous Confidence Interval

𝑦̅ = 𝑎′ 𝑥̅
Multi  Simultan
𝛼 √𝑎′ 𝑆𝑎 𝛼 √𝑎′ 𝑆𝑎
𝑎′ 𝑥̅ − 𝑡𝑛−1 ( ) ≤ 𝑎′ 𝜇 ≤ 𝑎′ 𝑥̅ + 𝑡𝑛−1 ( )
2 √𝑛 2 √𝑛
Uni  Single
𝛼 𝑆𝑧 𝛼 𝑆𝑧
𝑍̅ − 𝑡𝑛−1 ( ) ≤ 𝜇𝑧 ≤ 𝑍̅ − 𝑡𝑛−1 ( )
2 √𝑛 2 √𝑛

Uji Data Berpasangan

𝐻0 : 𝝁𝒅 = 𝟎 Asumsi Manova
𝐻1 : 𝝁𝒅 ≠ 𝟎 1. Independen antar populasi
Statistk Uji 2. Matriks covarian sama
𝑛
1 3. Multivariate Normal
𝑑̅ = ∑ 𝑑𝑖
𝑛
𝑖=1 CI
𝑛
1
𝑆𝑑 = ∑(𝑑𝑖 − 𝑑̅ )(𝑑𝑖 − 𝑑̅ )′
𝑛−1
𝑖=1

̅ 𝑆𝑑 −1 𝑑
𝑇 2 = 𝑛𝑑′
Uji Covarians Sama
Uji Data Berulang 𝐻0 : 𝜮𝟏 = 𝜮𝟐
𝐻0 : 𝑪𝝁 = 𝟎 𝐻1 : 𝜮𝟏 ≠ 𝜮𝟐
𝐻1 : 𝑪𝝁 ≠ 𝟎 C dalah matriks Kontras α
Statistk Uji Tolak H0 : 𝐶 > 𝝌𝜶;𝒗
𝑇 2 = 𝑛(𝐶𝑥̅ )′(𝐶𝑆𝐶)−1 (𝐶𝑥̅ ) 1
𝑣 = 𝑝(𝑝 + 1)(𝑔 − 1)
Tolak H0, 𝑇 2 >
(𝑛−1)(𝑞−1)
𝐹𝛼;𝑞−1;𝑛−𝑞+1 2
𝑛−𝑞+1
Statistik uji :
1
Manova 𝑺𝑝𝑙 = (𝑾𝟏 + 𝑾𝟏 )
𝑛1 + 𝑛2 − 2
𝐻0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑔 𝑛1

𝐻1 : 𝑚𝑖𝑛𝑖𝑚𝑎𝑙 𝑎𝑑𝑎 1 𝑦𝑎𝑛𝑔 𝑡𝑖𝑑𝑎𝑘 𝑠𝑎𝑚𝑎 𝑊1 = ∑(𝑦1𝑖 − 𝑦̅1 )(𝑦1𝑖 − 𝑦̅1 )′ = (𝑛1 − 1)𝑆1
𝑖=1
𝑛2
Sumber Matriks Jumlah Kuadrat Derajat Bebas
Variasi 𝑊2 = ∑(𝑦2𝑖 − 𝑦̅2 )(𝑦2𝑖 − 𝑦̅2 )′ = (𝑛2 − 1)𝑆2
𝑖=1
Perlakuan g g-1 1 1 2𝑝2 + 3𝑝 − 1
i 1
ni( yi  y )( yi  y ) 𝑢 = [∑
𝑙
− ][
(𝑛𝑙 − 1) ∑𝑙(𝑛𝑙 − 1) 6(𝑝 + 1)(𝑔 − 1)
]

𝑀 = [∑(𝑛𝑙 − 1)] 𝑙𝑛|𝑆𝑝𝑜𝑜𝑙𝑒𝑑 | − ∑[(𝑛𝑙 − 1)𝑙𝑛|𝑆𝑙 |]

Residu g ni g

 ( y n  g
𝑙 𝑙
ij  yi ) ( yij  yi ) i
i 1 j 1 i 1 𝐶 = (1 − 𝑢)𝑀

Total g ni g

 ( y
i 1 j 1
ij  y )( yij  y ) n 1 i
i 1