1
Jika variabel IQ mempengaruhi kemampuan mengingat kosakata Jerman, desain
blok acak akan menyediakan tes yang lebih kuat karena ia menghilangkan efek IQ dari
perkiraan varians error. Untuk memahami poin ini, ujilah SSTO pembagi untuk dua
desain yang ditunjukkan pada Gambar 7.1-2. SSTO desain blok acak yang lengkap dibagi
menjadi dua : SSBG dan SSWG. SSTO desain blok acak dibagi menjadi tiga: SSA,
SSBLOCKS, dan SSRESIDUAL. Sum of Squares ini digunakan untuk memperkirakan
varians eror di dalam 2 desain yang diindikasikan oleh kotak berwarna. Poin penting
untuk dicatat bahwa SSRESIDUAL = SSWG – SSBLOCKS. Jika SSBLOCKS, 10 level
dari IQ, memberikan penjelasan bagian yang cukup besar dari SSTO, kemudian eror
SSRESIDUAL akan lebih kecil daripada error SSWG. Secara umum. Statistik F :
𝑆𝑆𝐴/2 𝑀𝑆𝐴
F= =
𝑆𝑆𝑅𝐸𝑆𝐼𝐷𝑈𝐴𝐿/18 𝑀𝑆𝑅𝐸𝑆𝐼𝐷𝑈𝐴𝐿
Untuk desain blok acak yang lebih baik daripada statistik F untuk desain acak lengkap
adalah sebagai berikut:
𝑆𝑆𝐵𝐺/2 𝑀𝑆𝐵𝐺
F= =
𝑆𝑆𝑊𝐺/27 𝑀𝑆𝑊𝐺
Hasilnya hipotesis null ditolak di dalam tes lebih kuat. Walaupun demikian, desain blok
acak akan lebih lemah daripada desain acak lengkap jika SSRESIDUAL sama dengan
atau mendekati SSWG karena desain terakhir memiliki df yang lebih besar untuk
memperkirakan varians eror dan memerlukan nilai kritis lebih kecil untuk menolak.
(1) Desain RB-3
Treat. Level Treat. level Treat. level
Block1 a1 a2 a3 𝑌̅1.
Block2 a1 a2 a3 𝑌̅2.
Block3 a1 a2 a3 𝑌̅3.
...
...
...
...
...
Block10 a1 a2 a3 𝑌̅10.
𝑌̅.1 𝑌̅.2 𝑌̅.3
2
(2) Desain CR-3
Treat. level
Subject1 a1
Subject2 a1
Group1
...
...
Subject10 a1
Subject11 a2
Subject12 a2
Group2
...
...
Subject20 a2
Subject21 a3
Subject22 a3
Group3
...
...
Subject30 a3
Gambar 7.1-1
(a) gambaran desain blok acak (Desain RB-3) dengan tiga level perlakuan yang disimbolkan dengan
a1, a2, dan a3. Setiap blok mengandung tiga siswa yang memiliki IQ hampir sama. Tiga siswa tersebut
di dalam setiap blok ditempatkan secara acak pada tiga level perlakuan.
(b) Gambaran untuk desain acak lengkap (Desain CR-3). Tiga puluh siswa ditempatkan secara acak
pada tiga level perlakuan, dengan restriksi/pembatasan 10 siswa di masing-masing level. Sepuluh
siswa dalam level perlakuan a1 disebut Grup1, dan seterusnya.
SSTOTAL
df = 29
Gambar 7.1-2 . Bagian dari SSTO dan df untuk CR-3 dan RB-3.
Gambar 7.1-2 . Bagian dari SSTO dan df untuk CR-3 dan RB-3.
Kotak yang berwarna mengindikasikan Sum of Squares yang digunakan untuk penghitungan estimasi
varians error. Estimasi dari varian eror untuk desain RB-3 menjadi bagian penyebab yang cukup
besar dari SSTO karena SSRESIDUAL = SSWG – SSBLOCKS.
3
Desain blok acak sesuai untuk eksperimen yang ditemui, sebagai tambahan untuk
analisis asumsi umum varians, dengan diikuti 3 kondisi:
1. Satu perlakuan dengan p ≥ 2 level perlakuan dan satu variabel pengganggu
dengan n ≥ 2 level.
2. Formasi n blok, setiap blok mengandung p unit eksperimental yang homogen.
Perubahan yang terjadi pada unit-unit setiap blok harus lebih sedikit dari pada
perubahan dalam unit-unit dalam blok yang berbeda. Kemungkinan lain, sebuah
blok dapat mengandung satu unit eksperimental yang diobservasi selama p
waktu.
3. Jika setiap blok mengandung pasangan p unit eksperimental, unit-unit dalam
setiap blok harus ditempatkan secara random dalam p level perlakuan. Desain
ini menyediakan n set dari p unit eksperimental yang homogen- jumlah total N
= np unit. Jika setiap blok mengandung satu unit eksperimental yang dapat
diobservasi dibawah setiap p level perlakuan dan jika sifat dasar dari perlakuan,
dengan tujuan pemberian level perlakuan harus diacak secara bebas untuk setiap
unit perlakuan. Unuk kasus ini desain menyediakan n unit eksperimental yang
diobservasi sebanyak p kali.
1. Kriteria Pengelompokan (Blocking)
Variabel lain yang berhubungan dengan variabel terikat dapat digunakan
sebagai variabel bloking. Dalam membentuk blok, objek ditempatkan pada unit
eksperimental untuk blok, sehingga dapat diberikan blok semirip mungkin dengan
respect variabel terikat, ketika dalam blok yang berbeda tidak mirip. Empat prosedur
yang sering digunakan untuk mencapai objektifitas ini adalah sebagai berikut:
a. Membentuk subjek set yang mirip dengan memperhatikan variabel pengganggu
yang berhubungan dengan variabel terikat. Hal ini disebut pencocokan subjek
(subject matching).
b. Mengobservasi setiap subjek dalam semua kondisi eksperimen (diberlakukan
pengukuran berulang (repeated measures) dalam subjek).
c. Pemberlakuan set yang kembar (identik) atau pasangan satu orangtua dan
penempatan anggota dari pasangan secara acak sesuai kondisi dalam
eksperimen.
d. Pemberlakuan pasangan subjek yang dipasangkan melalui seleksi bersama
(contoh, pasangan suami istri atau partner bisnis).
4
Untuk mengingat lagi, tujuan dari prosedur blocking adalah untuk mengurangi
varians eror dan mendapatkan lebih banyak estimasi yang tepat dari efek perlakuan,
dengan cara pemberlakuan lebih banyak tes yang kuat dari kesalahan Hnull. Jika
variasi di antara unit-unit eksperimental dalam blok adalah kurang dari variasi antar
blok cukup besar, desain blok acak lebih kuat daripada desain acak lengkap.
Pengukuran dari efisiensi relatif dari dua desain dijelaskan pada bagian G (7.7).
5
kasus ini, hal tersebut diperbolehkan dengan memperhatikan blok-blok sebagai
variabel acak. Karena level IQ bukan sampel acak, kesimpulan tentang hasil dari
eksperimen dibatasi pada populasi hipotetis dari level IQ, yang mana sampel
eksperimen haruslah sampel acak jika pengambilan sampel secara acak sudah
diterapkan.
Efek eror, 𝜀𝑖𝑗 dalam model (7.1-1) biasanya ditunjuk sebagai residual error.
Panggilan tersebut tepat karena 𝜀𝑖𝑗 adalah bagian dari skor sisa setelah semua dalam
bagian lain model ini sudah dikurangi dari hal tersebut. Model (7.1-1-), 𝜀𝑖𝑗 sama
dengan:
𝜀𝑖𝑗 = 𝑌𝑖𝑗 − [𝜇 + (𝜇.𝑗 − 𝜇) + (𝜇𝑖. − 𝜇)]
= 𝑌𝑖𝑗 − 𝜇 − 𝜇.𝑗 + 𝜇 − 𝜇𝑖. + 𝜇
= 𝑌𝑖𝑗 − 𝜇.𝑗 − 𝜇𝑖. + 𝜇
Bagian dari SSTO untuk desain blok acak ditunjukkan pada gambar 7.1-2. Kita
melihat bahwa SSTO dapat dibagi menjadi 3 bagian: sum of squares due to treatment
(SSA), sum of squares due to blocks (SSBL), dan sum of squares due to residual
error (SSRES). Dasar dari pembagian ini sekarang akan dijelaskan. Kita memulai
dengan menata ulang istilah dalam persamaan (7.1-2) dengan mengikuti:
𝑌𝑖𝑗 − 𝑌̅.. = (𝑌̅𝑖𝑗 − 𝑌̅.. ) + (𝑌̅𝑖. − 𝑌̅.. ) + (𝑌̅𝑖𝑗 − 𝑌̅.𝑗 − 𝑌̅𝑖. + 𝑌̅.. )
Selanjutnya kita mengkuadratkan kedua bagian dari persamaan:
2 2
(𝑌𝑖𝑗 − 𝑌̅.. ) = [(𝑌̅𝑖𝑗 − 𝑌̅.. ) + (𝑌̅𝑖. − 𝑌̅.. ) + (𝑌̅𝑖𝑗 − 𝑌̅.𝑗 − 𝑌̅𝑖. + 𝑌̅.. )]
6
Persamaan ini untuk satu skor (single score), tetapi jika kita dapat memperlakukan
setiap skor np dalam satu jalan dan menjumlah hasil persamaan menghasilkan:
𝑝 𝑛 𝑝 𝑛
2 2
∑ ∑(𝑌𝑖𝑗 − 𝑌̅.. ) = ∑ ∑[(𝑌̅𝑖𝑗 − 𝑌̅.. ) + (𝑌̅𝑖. − 𝑌̅.. ) + (𝑌̅𝑖𝑗 − 𝑌̅.𝑗 − 𝑌̅𝑖. + 𝑌̅.. )]
𝑗=1 𝑖=1 𝑗=1 𝑖=1
Kuantitas pada SSTO di sisi kiri. Hal tersebut dapat dilihat dengan
menggunakan aljabar dasar dan syarat kesimpulan dalam Lampiran A bahwa istilah
dalam sisi kanan sama dengan SSA + SSBL + SSRES:
(7.1-3) :
𝑝 𝑛
2
∑ ∑(𝑌𝑖𝑗 − 𝑌̅.. )
𝑗=1 𝑖=1
𝑝 𝑛 𝑝 𝑛
2 2
= 𝑛 ∑(𝑌̅𝑖𝑗 − 𝑌̅.. ) + 𝑝 ∑(𝑌̅𝑖. − 𝑌̅.. )2 + ∑ ∑(𝑌̅𝑖𝑗 − 𝑌̅.𝑗 − 𝑌̅𝑖. + 𝑌̅.. )
𝑗=1 𝑖=1 𝑗=1 𝑖=1
SSTO = SSA + SSBL + SSRES
Formula sum of squares dalam Tabel 7.1-3 bukan yang terbaik untuk tujuan
penghitungan. Lebih jauh, formula yang baik diberikan pada tabel 7.3-1. Mean
squares ditemukan dengan membagi setiap sum of squares dengan derajat
kebebasannya:
𝑆𝑆𝑇𝑂
MSTO =
𝑛𝑝−1
𝑆𝑆𝐴
MSA =
𝑝−1
𝑆𝑆𝐵𝐿
MSBL =
𝑛−1
𝑆𝑆𝑅𝐸𝑆
MSRES =
(𝑛−1)(𝑝−1)
Derivasi dari nilai yang diperkirakan dari sum of squares mengikuti prosedur-
prosedur yang digambarkan untuk desain acak lengkap dalam Bagian 3.3. Derivasi
tidak diberikan karena tidak ada prinsip-prinsip baru yang disediakan dan aljabar
yang membosankan. Hasil akhir dari deviasi terdapat pada kesimpulaan dalam Tabel
7.2-2 dan Bagian C (7.3).
Hipotesis statistik untuk perlakuan A adalah:
H0 : 𝜇.1 = 𝜇.2 = . . . = 𝜇.𝑝 atau H0 : 𝛼𝑗 = 0 untuk semua j
H1 : 𝜇.𝑗 ≠ 𝜇.𝑗′ untuk beberapa j dan j’ atau H0 : 𝛼𝑗 ≠ 0 untuk beberapa j
7
Sebuah tes dari Hipotesis null diberikan oleh F = MSA/MSRES. Jika Ho
adalah benar dan asumsi pada Bagian 7.4 dapat dipertahankan, statistik F
didistribusikan sebagai distribusi F dengan n – 1 dan (n – 1) (p – 1) derajat
kebebasan. Hipotesis statistik untuk blok, dimana blok menggambarkan efek acak
adalah:
H0 : 𝜎𝜋2 = 0
H1 : 𝜎𝜋2 ≠ 0
Sebuah tes dari hipotesis null blok diberikan oleh F = MSBL/MSRES. Jika
hipotesis null adalah benar dan asumsi pada Bagian 7.4 dapat dipertahankan,
statistik F ini didistribusikan sebagai F dengan n – 1 dan (n – 1) (p – 1) derajat
kebebasan. Hipotesis null ini fokus pada populasi blok dari yang mana n blok dalam
eksperimen adalah sampel acak. Secara umum peneliti tidak berkepentingan utama
dalam pengujian hipotesis null ini. Hipotesis null blok diekspektasikan menjadi
signifikan karena blok-blok dalam sebuah eksperimen dibentuk semirip mungkin.
a1 a2 a3 a4 ∑ 𝑌𝑖𝑗
𝑗=1
s1 3 4 4 3 14
s2 2 4 4 5 15
s3 2 3 3 6 14
s4 3 3 3 5 14
s5 1 2 4 7 14
s6 3 3 6 6 18
s7 4 4 5 10 23
s8 6 5 5 8 24
𝑛
∑ 𝑌𝑖𝑗 24 28 34 50
𝑖=1
9
(ii) Simbol Komputasi
𝑝 𝑛
2
(∑𝑝𝑗=1 ∑𝑛𝑖=1 𝑌𝑖𝑗 ) (136)2
= [𝑌] = = 587
𝑛𝑝 (8)(4)
𝑝 𝑛
𝑝 2
(∑𝑛𝑖=1 𝑌𝑖𝑗 ) (24)2 (28)2 (50)2
∑ = [𝐴] = + +. . . + = 627
𝑛 8 8 8
𝑗=1
𝑛 2
(∑𝑝𝑗=1 𝑌𝑖𝑗 ) (14)2 (15)2 (24)2
∑ = [𝑆] = + +. . . + = 609,500
𝑝 4 4 4
𝑖=1
10
Penghitungan SPSS:
1. Memasukkan Data
11
3. Masukkan Hasil pada Dependent Variable, Perlakuan dan Blok pada Fixed Factors
12
5. Output SPSS
Untuk desain blok acak dan desain lain yang lebih kompleks, kekuatan asosiasi
(pengelompokan) dapat dijabarkan dalam 2 cara:
𝜎2𝜋 𝜎𝛼2
𝜔𝑌2 |A’ 𝜌𝐼𝑌 |A = dan 𝜔𝑌2 |A.BL 𝜌𝐼𝑌 |A.BL =
𝜎2𝜀 +𝜎2𝜋 + 𝜎2𝛼 𝜎𝜀2 +𝜎𝛼2
Penghitungan pertama, 𝜔𝑌2 |A dan 𝜌𝐼𝑌 |A’ menunjukkan varian dari efek perlakuan
relatif dengan jumlah semua efek dalam model. Penghitungan kedua disebut partial
omega squared (𝜔𝑌2 |A.BL) dan partial intraclass correlation ( 𝜌𝐼𝑌 |A.BL ), abaikan efek
blok dan tunjukkan varian dari efek perlakuan relatif pada jumlah hanya eror efek dan
efek perlakuan. Titik di notasi Y|A.BL dinotasikan sebagai asosiasi antara varaibel
terikat, Y dan perlakuan A dengan efek blok diabaikan.Pengukuran yang mirip untuk
blok dapat dijabarkan:
2 𝜎2𝜋 2 𝜎𝜋2
𝜔𝑌|𝐵𝐿 , 𝜌𝐼𝑌|BL = dan 𝜔𝑌|𝐵𝐿.𝐴 , 𝜌𝐼𝑌| 𝐵𝐿.𝐴 =
𝜎2𝜀 +𝜎2𝜋 + 𝜎2𝛼 𝜎𝜀 +𝜎𝜋2
2
Untuk desain-desain dimana SSTO disekat dalam 3 atau lebih sum of squares,
sebagian omega kuadrat dan sebagian korelasi antar kelas lebih informatif daripada
omega kuadrat dan korelasi antar kelas. Garis besar diperkenalkan di Bagian 5.5 untuk
menginterpretasikan kekuatan asosiasi:
𝜔2 = 0,01 adalah asosiasi yang kecil
𝜔2 = 0.059 adalah asosiasi sedang
𝜔2 = 0.138 atau lebih adalah asosiasi besar
Estimasi-estimasi sampel dari kekuatan asosiasi untuk efek model yang tetap adalah:
13
𝑝
̂ 𝑗2 /𝑝
∑𝑗=1 𝛼 ∑𝑛 ̂ 𝑗2 /𝑛
𝑖=1 𝜋
2 2
𝜔𝑌|𝐴.𝐵𝐿 = 𝑝 dan 𝜔𝑌|𝐵𝐿.𝐴 =
̂ 𝑗2 /𝑝
̂𝜀2 +∑𝑗=1 𝛼
𝜎 ̂𝜀2 +∑𝑛
𝜎 ̂ 𝑗2 /𝑛
𝑖=1 𝜋
dimana
𝜎̂𝜀2 = MSRES
𝑝−1
∑𝑝𝑗=1 𝛼̂𝑗2 /𝑝 = (MSA – MSRES)
𝑛𝑝
𝑛−1
∑𝑛𝑖=1 𝜋̂𝑗2 /𝑛 = (MSBL-MSRES)
𝑛𝑝
𝑝
Garis bawah rasional formula ini untuk ∑𝑗=1 𝛼̂𝑗2 /𝑝 , untuk contoh, dapat dipahami
dalam istilah dari ekspektasi dari MSA dan MSBL ditunjukkan pada tabel 7.2-2:
𝑝 𝑝
𝑝−1 𝑝−1 𝑛 ∑𝑗=1 𝛼𝑗2 ∑𝑗=1 𝛼𝑗2
𝐸=[
𝑛𝑝
(𝑀𝑆𝐴 − 𝑀𝑆𝑅𝐸𝑆] =
𝑛𝑝
{[𝜎𝜀2 +
𝑝−1
]− 𝜎𝜀2 } =
𝑝
Estimasi-estimasi sampel dari kekuatan asosiasi untuk mode efek acak adalah
𝜎𝛼2 𝜎𝜋2
𝜌̂𝐼𝑌 |A.BL = dan 𝜌̂𝐼𝑌 |BL.A =
𝜎𝜀2 +𝜎𝛼2 𝜎𝜀2 +𝜎𝜋2
Dimana
𝜎𝜀2 = MSRES
1
𝜎𝛼2 = (MSA – MSRES)
𝑛
1
𝜎𝜋2 = (MSBL – MSRES)
𝑝
Estimasi-estimasi sampel dari kekuatan asosiasi untuk model mixed dimana level
perlakuan A adalah tetap dan mereka untuk diblok secara acak adalah
𝑝
̂ 𝑗2 /𝑝
∑𝑗=1 𝛼 𝜎𝜋2
2
𝜔𝑌|𝐴.𝐵𝐿 = 𝑝 dan 𝜌̂𝐼𝑌 |BL.A =
𝜎 ̂ 𝑗2 /𝑝
̂𝜀2 +∑𝑗=1 𝛼 𝜎𝜀2 +𝜎𝜋2
14
1 1
𝜎𝜋2 = (MSBL – MSRES) = (4.500 – 1.405) = 0.774
𝑝 4
Asosiasi (kumpulan) antara nomor eror membaca dan tipe dari alat ukur
ketinggian adalah signifikan secara statistik dan terlalu luas : 𝜔𝑌2 |A.BL = 0,50. Blok ini,
pengalaman terbang sebelumnya, mewakili asosiasi yang luas, 𝜌̂𝐼𝑌 |BL.A = 0,36. Akan
tetapi, pengalaman terbang sebelumnya adalah varaibel bloking yang efektif.
Sebagian omega kuadrat dan sebagian korelasi antar kelas dapat
dikomputasikan dari F statistik, n dan p. Formula alternatif untuk perlakuan A, bahwa
Yij = 𝜇 + 𝛼𝑗 + 𝜋𝑖 + 𝜀𝑖𝑗 adalah
2
(𝑝−1)(𝐹𝐴 −1) (4−1)(11.63−1)
𝜔𝑌|𝐴.𝐵𝐿 =
(𝑝−1)(𝐹𝐴 −1)+𝑛𝑝
= (4−1)(11.63−1)+(8)(4) = 0,50
2 𝐹𝐴 −1
𝜔𝑌|𝐵𝐿.𝐴 =(
𝑛−1)+𝐹𝐴
Dimana statistik FA untuk perlakuan A dan derajat kebebasan diperoleh dari Tabel
7.2-2. Formula alternatif untuk blok yaitu Yij = 𝜇 + 𝛼𝑗 + 𝜋𝑖 + 𝜀𝑖𝑗 adalah
2 (𝑛−1)(𝐹𝐵𝐿 −1)
𝜔𝑌|𝐵𝐿.𝐴 ,=
(𝑛−1)(𝐵𝐿−1)+𝑛𝑝
𝐹𝐵𝐿 −1 3.203−1
𝜌𝐼𝑌| 𝐵𝐿.𝐴 =
(𝑝−1)+𝐹𝐵𝐿
= (4−1)+3.203 = 0.36
Formula ini bermanfaat untuk menilai signifikansi praktik dari penelitian yang
dipublikasikan dimana hanya statistik F dan derajat kebebasan yang disediakan.
Omega kuadrat sebagian dapat dikonversikan dalam pengukuran Cohen dari effect
size, f, dengan mengikuti:
2
𝜔𝑌|𝐴.𝐵𝐿 0,50
𝑓̂𝐴 = √ 2 =√ = 1,00
1−𝜔𝑌|𝐴.𝐵𝐿 1−0,50
Menurut penjelasan Cohen, efek perlakuan yang besar adalah satu untuk f =
0,40. Nilai dari 𝑓̂𝐴 = 1,0 melebihi dari kriteria ini oleh considerable margin.
Dalam Bagian 5.5. kita dikenalkan bahwa sebuah statistik F tidak menyediakan
informasi mengenai ukuran efek perlakuan, hanya apakah mereka signifikan atau
tidak. Efek yang sepele dapat mmencapai signifikansi statistik jika sampel cukup
̂ 2 , 𝑝̂1 , atau 𝑓̂ bermanfaat
besar. Hasil interpretasi dari penelitian ini dalam istilah 𝜔
untuk menambah tingkat signifikansi tes.
15
2. Kekuatan dan Penentuan Ukuran Sampel
Prosedur menghitung kekuatan dan jumlah subjek yang dibutuhkan untuk
mencapai kekuatan yang ditetapkan untuk desain acak lengkap dijelaskan pada
bagian 5.6. Prosedur umum ini dengan modifikasi yang diperkecil untuk desain blok
acak. Data alat ukur ketinggian dalam tabel 7.2-2 digunakan untuk mengilustrasikan
penghitungan kekuatan dari perlakuan A. Mengingat kembali perlakuan A adalah efek
̂𝐴 adalah
tetap. Nilai dari 𝜙
𝑝
𝜆 ̂ ̂ 𝑗2 /𝑝
∑𝑗=1 𝛼 1.400
𝜙̂𝐴 = √ 𝐴 = √ ̂𝜀2 /𝑛
=√ = 2.82
𝑝 𝜎 1.405/8
∑𝑝𝑗=1 𝛼̂𝑗2 /𝑝
𝜙̂𝐴 = √𝑛′√
𝜎̂𝜀2
Sampai kekuatan dari 0.80 diperoleh. Notasi n’ menunjukkan nilai uji coba dari n.
Kita mulai dengan proses trial and eror dengan n’ = 5:
1.400
𝜙̂𝐴 = √5√1.405 = √5(0,998) = 2,23
16
dengan kekuatan 0.91, yang mana lebih besar daripada kekuatan yang dinginkan.
Mengganti n’= 4 dalam formula yang telah diberikan
1.400
𝜙̂𝐴 = √4√1.405 = √4(0,998) = 2,00
17
dengan 𝜙𝐴 = √𝑛′ 𝑓𝐴∗ , dimana 𝑓𝐴∗ = fA/√1 − 𝑝, v1 = p – 1 dan v2 = (n’ – 1) (p – 1).
Alternatifnya grafik Tang dapat dimasukkan dengan:
2
𝜔𝑌|𝐴.𝐵𝐿
𝜙𝐴 = √𝑛′√ 2
(1−𝜔𝑌|𝐴.𝐵𝐿 )(1−𝑝)
NID(0, 𝜎𝜀2 ), 𝛼𝑗 bebas dari 𝜋𝑖 dan 𝜀𝑖𝑗 dan 𝜋𝑖 bebas dari 𝜀𝑖𝑗 .
3. Model Efek-Campuran (Model III, perlakuan A acak). Pada model ini, level dari
A adalah efek acak tetapi efek blok tetap. Selanjutnya, 𝛼𝑗 adalah NID(0, 𝜎𝛼2 ), 𝜋𝑖
adalah subjek untuk pembatasan ∑𝑛𝑖=1 𝜋𝑗 = 0, 𝜀𝑖𝑗 adalah NID(0, 𝜎𝜀2 ), 𝛼𝑗 bebas
dari 𝜀𝑖𝑗 .
Seperti yang dapat kita lihat, penentuan model dari hipotesis alami yang akan
diujikan dan ekspektasi (perkiraan) dari mean squares. Hipotesis null untuk 4 model
sebagai berikut:
18
Model I Model II Model III Model III
A tetap A acak A tetap A acak
BL tetap BL Acak BL acak BL tetap
Perlakuan A H0 : 𝜇.1 =𝜇.2 = ....= 𝜇.𝑝 H0 : 𝜎𝛼2 = 0 H0 : 𝜇.1 =𝜇.2 = ....= 𝜇.𝑝 H0 : 𝜎𝛼2 = 0
Blok H0 : 𝜇1. =𝜇2. = ....= 𝜇𝑛. H0 : 𝜎𝜋2 = 0 H0 : 𝜎𝜋2 = 0 H0 : 𝜇1. =𝜇2. = ....= 𝜇𝑛.
Ekspektasi-ekspektasi dari mean squares diberikan dalam bagian atas dari tabel
7.3-1 (model penambahan). Untuk setiap model ini, statistik F adalah :
𝑀𝑆𝐴 𝑀𝑆𝐵𝐿
𝐹= dan 𝐹 =
𝑀𝑆𝑅𝐸𝑆 𝑀𝑆𝑅𝐸𝑆
Dimana ekspektasi dari kandungan nomor istilah yang sama sebagai ekspektasi
dari penyebut (bilangan pecahan) ditambah satu isilah tambahan. Penambahan istilah
satu kali mengandung parameter yang sedang diujikan, sebagai contoh, 𝛼𝑗 , 𝜎𝜔2 , 𝜋𝑖 atau
𝜎𝜋2 . Walaupun bentuk dari statistik F adalah sama untuk semua 4 model, kesimpulan
peneliti dapat digambarkan berbeda. Sebagai contoh,, untuk Model I, kesimpulan
diterapkan pada populasi dari level perlakuan p dan blok n adalah sampel acak.
Persamaan (7.3-1) sesuai untuk model additive karena hal tersebut tidak
mengandung ketetapan apapun untuk nonadditivity blok dan level perlakuan. Bagian
selanjutnya akan kita deskripsikan persamaan untuk model nonadditivity.
19
Tabel 7.3-1 Nilai Ekspektasi dari Mean Squares untuk Desain RB-p: Additive dan
Nonadditive Model.
Sumber Model I Model II Model III Model IIV
A tetap A acak A tetap A acak
BL tetap BL Acak BL acak BL tetap
Additive Model
𝑝 𝑝
MSA 𝑛 ∑𝑗=1 𝛼𝑗2 𝜎𝜀 + 𝑛𝜎𝛼2
2
𝑛 ∑𝑗=1 𝛼𝑗2 𝜎𝜀2 + 𝑛𝜎𝛼2
𝜎𝜀2 + 2
𝜎𝜀 +
𝑝−1 𝑝−1
MSBL 𝑝 ∑𝑛𝑖=1 𝜋𝑗2 2
𝜎𝜀 + 𝑝𝜎𝜋2
𝜎𝜀 + 𝑝𝜎𝜋2
2
𝑝 ∑𝑛𝑖=1 𝜋𝑗2
𝜎𝜀2 + 𝜎𝜀2 +
𝑛−1 𝑛−1
MSRES 𝜎𝜀2 𝜎𝜀2 𝜎𝜀2 𝜎𝜀2
Nonadditive Model
𝑝 𝑝
MSA 𝑛 ∑𝑗=1 𝛼𝑗2 𝜎𝜀2 + 2
+ 𝑛𝜎𝛼2
𝜎𝜋𝛼 𝑛 ∑𝑗=1 𝛼𝑗2 𝜎𝜀2 + 𝑛𝜎𝛼2
𝜎𝜀2 + 2 2
𝜎𝜀 + 𝜎𝜋𝛼 +
𝑝−1 𝑝−1
𝑝
MSBL 𝑝 𝑛𝑖=1 𝜋𝑗2
∑ 𝜎𝜀2 + 𝜎𝜋𝛼
2
+ 𝑝𝜎𝜋2 𝜎𝜀2 + 𝑝𝜎𝜋2 𝑝 ∑𝑗=1 𝜋𝑗2
𝜎𝜀2 + 𝜎𝜀2 + 2
𝜎𝜋𝛼 +
𝑛−1 𝑛−1
MSRES ∑𝑝𝑗=1 ∑𝑛𝑖=1(𝜋𝛼)2𝑖𝑗 𝜎𝜀2 + 𝜎𝜋𝛼
2
𝜎𝜀2 + 𝜎𝜋𝛼
2
𝜎𝜀2 + 𝜎𝜋𝛼
2
𝜎𝜀2 +
(𝑛 − 1)(𝑝 − 1)
Jika garis tersebut paralel, blok dan level perlakuan akan ditambahkan sehingga
tidak ada pengaruh. Jika dua garis tidak paralel selama beberapa bagian dalam garis,
blok dan level perlakuan menunjukkan adanya pengaruh. Dalam kasus ini kita perlu
untuk memasukkan beberapa istilah dalam model (7.3-1) yang merefleksikan interaksi
ini atau nonadditivity. Model kita seharusnya selalu merefleksikan semua dari efek
yang hadir secara aktual dalam sebuah eksperimen. Persamaan model nonaddivitive
untuk desain blok acak adalah sebagai berikut:
Yij = 𝜇 + 𝛼𝑗 + 𝜋𝑖 + (𝜋𝛼)𝑖𝑗 + 𝜀𝑖𝑗 (i = 1, . . ., n; j = 1, . . . , p)
Dimana (𝜋𝛼)𝑖𝑗 merepresentasikan interaksi efek dari blok i dan level perlakuan
j. Hadirnya interaksi efek blok – perlakuan mengubah nilai yang diekspektasikan dari
mean squares, hal tersebut ditunjukkan dalam bagian bawah dari tabel (7.3-1)
(nonadditive model) dan bias-bias beberapa uji statistik F. Mengingat nilai yang
diperkirakan untuk model I pada bagian bawa Tabel 7.3-1. Hal tersebut tidak mungkin
untuk bentuk statistik F dimana ekspektasi dari istilah pembilang yang sama sebagai
ekspektasi dari istilah penyebut ditambah satu, istilah (syarat) haruslah diuji. Sebagai
contoh, untuk menguji hipotesis 𝛼𝑗 = 0 untuk semua j, nilai ekspektasi dari pembilang
dan penyebut dari statistik F memiliki bentuk:
𝑝
𝐸(𝑀𝑆𝐴) 𝜎𝜀2 +𝑛 ∑𝑗=1 𝛼𝑗2 /(𝑝−1)
=
𝐸(𝑀𝑆𝑅𝐸𝑆) 𝜎𝜀2
20
Walaupun, untuk model unadditive, nilai yang diperkirakan dari pembilang dan
penyebut adalah
𝑝
𝐸(𝑀𝑆𝐴) 𝜎𝜀2 +𝑛 ∑𝑗=1 𝛼𝑗2 /(𝑝−1)
= 𝑝
𝐸(𝑀𝑆𝑅𝐸𝑆) 𝜎𝜀2 +∑𝑗=1 ∑𝑛 2
𝑖=1(𝜋𝛼)𝑖𝑗 /(𝑛−1)(𝑝−1)
Kehadiran dari interaksi istilah dalam penyebut bias tes negatif; alhasil, peneliti akan
menolak hipotesis null. Masalah yang sama terjadi dengan model III ketika level A
secara acak dan blok yang tetap.
Jika bias negatif tes signifikan, peneliti dapat merasakan kepercayaan diri bahwa
hipotesis null salah. Akan tetapi, interpretasi dari sebuah test yang tidak signifikan
adalah keambiguan. Sebuah tes yang tidak signifikan mungkin terjadi karena tes bias
negatif, tes kurang cukup kuat, atau hipotesis null benar. Untuk model I dan II (tetap),
test dari perlakuan A tidak bias negatif. Akan tetapi tes-tes yang kurang kuat jika
sebuah interaksi istilah muncul dalam model daripada jika tidak. Untuk melihat hal
tersebut, mengingat test dari perlakuan A model II. Nilai yang diekspektasian untuk
model additive dan nonadditive adalah sebagai berikut:
𝐸(𝑀𝑆𝐴) 𝜎𝜀2 +𝑛𝜎𝛼2 𝜎𝜀2 +𝜎𝜋𝛼
2 +𝑛𝜎 2
𝛼
= dan
𝐸(𝑀𝑆𝑅𝐸𝑆) 𝜎𝜀2 𝜎𝜀2 +𝜎𝜋𝛼
2
2
Penambahan konstan, 𝜎𝜋𝛼 = 10, untuk pembilang dan penyebut dari model nonadditive
dikurangi nilai dari statistik F dan dihasilkan tes yang kurang kuat dari hipotesis null.
Kita sudah melihat dua alasan mengapa model additive lebih disukai daripada
nonadditive model: Model additive menghindari bias negatif untuk model I dan model
III (acak) dan hasilnya dalam tes yang lebih kuat dari kesalahan hipotesis null. Sebelum
menyusun untuk beberapa asumsi garis besar berhubungan dengan desain blok acak,
kita mendeskripsikan hipotesis tes yang mana blok dan efek perlakuan ditambahkan.
21
perlakuan yang merepresentasikan nonadditivity dan (n – 1)(p – 1) – 1 komponen
derajat kebebasan yang menyediakan hubungan eror dari sebuah uji coba signifikansi
dari komponen nonadditivity.
Untuk mendapatkan perasaan yang lebih baik untuk arti dari additivity dan
nonadditivity, ingatlah data yang ditunjukkan pada alat ukur ketinggian dalam tabel 7.2-
1. Jika nilai populasi untuk setiap 8 blok dalam Tabel 7.2-1 diubah melalui jumlah X
dari a1 sampai a2 oleh jumlah X’ dari a2 sampai a3 dan oleh jumlah X’’ dari a3 sampai
a4, hubungan blok-perlakuan akan menghasilkan nol dan model additive dapat
diterapkan. Jika dta kita berupa grafik, garis yang menghubungkan skor di setiap blok
harus paralel. Hubungan akan muncul sebagai dua atau lebih garis nonparalel selama
beberapa bagian dari garis.
Tes Tukey sangat sensitif untuk situasi yang mana skor dari setiap blok mengikuti
kecenderungan yang sama secara umum tetapi jumlah perubahan dari a1 sampai a2, a2
sampai a3 dan seterusnya tidak sama untuk semua blok. Ini adalah kekurangan dari test
ini karena bentuk lain dari nonadditivity dapat terjadi. Meskipun demikian, itu dapat
menjadi bermanfaat tes pendahuluan dalam desain-desain yang tidak memiliki skor per
cell. Dalam beberapa desain tidak ada group antara (within groups) atau hubungan eror
within cells dan residual digunakan sebagai estimasi dari hubungan eror. Jika tes untuk
nonadditivity signifikan, itu dapat memberikan kepercayaan untuk hiipotesis bahwa
MSRES adalah sebuah estimasi dari 𝜎𝜀2 lebih baik daripada 𝜎𝜀2 + 𝜎𝜋𝛼
2
atau 𝜎𝜀2 +
∑𝑝𝑗=1 ∑𝑛𝑖=1(𝜋𝛼)2𝑖𝑗 (𝑛 − 1)(𝑝 − 1)
22
dari 𝜀̂𝑖𝑗 cenderung meningkat. Model nonadditive merupakan sebuah interpretasi
masalah additional untuk peneliti.
[(0,9375)3+(0,6250)2+⋯+(2,5000)8]2
[(−0,75)2 +⋯+(1,75)2 ] [(−1,25)2 +⋯+(2,00)2 ]
(9,25)2 85,5625
=
(7,875)(6,125)
= = 1,7739
48,2344
SSMREM = SSRES – SSNONADD = 29,5000 - 1,7739 = 27,7261
23
dfNONADD =1
dfREM = dfRES – 1 = 21 – 1 = 20
𝑆𝑆𝑁𝑂𝑁𝐴𝐷𝐷/𝑑𝑓𝑁𝑂𝑁𝐴𝐷𝐷 1,7739/1 1,7739
FNONADD = = = = 1,28
𝑆𝑆𝑅𝐸𝑀/𝑑𝑓𝑅𝐸𝑀 27,7261/20 1,3863
𝑛 𝑝
𝑛 𝑝
Tes yang signifikan untuk nonadditivity adalah sinyal bahwa efek dari
perlakuan tidak dapat dideskripsikan untuk populasi dari blok seperti keseluruhan tetapi
malah harus dideskripsikan secara individual untuk setiap blok. Dengan kata lain,
setidaknya satu perbedaan diantara level perlakuan tidak sama untuk dua atau lebih
blok.
Terkadang penggunaan kriteria pengukuran yang berbeda atau satu dari
transformasi yang dideskripsikan pada Bagian 3.6 akan mengelimasi atau
meminimalisir interaksi perlakuan-blok. Mengingat manfaat dari model ssdditive,
prosedur ini menjadi pertimbangan yang cukup baik.
24
untuk desain CR-p daan RB-p. Kita ingat kembali bahwa model efek-tetap untuk desain
CR-p adalah :
Yij = 𝜇 + 𝛼𝑗 + 𝜀𝑖𝑗 (i = 1, . . ., n; j=1, . . . , p)
Gambar 7.3-1 Residual Plot, 𝜀̂𝑖𝑗 = 𝑌𝑖𝑗 − 𝑌̅.𝑗 − 𝑌̅𝑖. + 𝑌̅𝑖𝑗 + 𝑌̅. . , berlawanan dengan nilai estimasi, 𝑌̂𝑖𝑗 = 𝑌̅.. +
(𝑌̅.𝑗 − 𝑌̅.. ) + (𝑌̅𝑖. − 𝑌̅.. ). Tidak ada hubungan yang jelas antara ukuran residual dan ukuran nilai estimasi.
Diberikan data sampel ini, tidak ada alasan untuk percaya bahwa populasi dari blok dan level perlakuan
yang saling berpengaruh.
Dimana ∑𝑝𝑗=1 𝛼𝑗 = 0 dan 𝜀̂𝑖(𝑗) adalah NID (0, 𝜎𝜋2 ), 𝜀̂𝑖𝑗 adalah NID (0, 𝜎𝜀2 ), dan
𝜋𝑖 adalah bebas dari 𝜀𝑖𝑗 . Untuk model ini, varians dari 𝑌𝑖𝑗 untuk populasi aj disimbolkan
2
𝜎𝑌𝑗 atau 𝜎𝑗2 , variasi yang seharusnya diantara nilai 𝜀𝑖(𝑗) karena 𝜇 dan 𝛼𝑗 keduanya
konstan untuk populasi j. Lebih dulu kita menunjuk varians ini sebagai varians eror dan
2 2
dilambangkan 𝜎𝜀2 . Berdasarkan model ini, 𝜎𝜀1 = 𝜎𝜀2 2
= . . . = 𝜎𝜀𝑝 = 𝜎𝜀2 atau secara
2
ekuvalen 𝜎𝑌1 2
= 𝜎𝑌2 2
= . . . = 𝜎𝑌𝑝 = 𝜎𝑌̅2 . Estimasi yang terbaik dari varians eror yang
umum, 𝜎𝜀2 adalah rerata utama (weighted mean) dari sampel varians eror:
(𝑛1 −1)𝜎 2 2
̂𝜀𝑗 + … +(𝑛𝑝 −1)𝜎̂𝜀𝑝
MSWG =
(𝑛1 −1)+ ... + (𝑛𝑝 −1)
Dimana bobot adalah derajat kebebasan masing-masing untuk setiap sampel.
Mengingat sekarang adalah model campuran untuk desain blok acak dijelaskan dalam
bagian 7.1. Terdapat asumsi bahwa:
(7.4-1) Yij = 𝜇 + 𝛼𝑗 + 𝜋𝑖 +𝜀𝑖𝑗 (i = 1, . . ., n; j=1, . . . , p)
Dimana ∑𝑝𝑗=1 𝛼𝑗 = 0, 𝜋𝑖 adalah dan NID (0, 𝜎𝜋2 ), 𝜀𝑖𝑗 adalah NID (0, 𝜎𝜀2 ), dan 𝜋𝑖 bebas
dari 𝜀𝑖𝑗 . Untuk model ini, varians dari Yij untuk populasi aj hak untuk variasi antara 𝜀𝑖𝑗
dan 𝜋𝑖 . Seprti dalam desain CR-p, 𝜇 dan 𝛼𝑗 adalah konstan ntuk poulasi j. Kita
2
sekarang menunjukkan varians dari 𝑌𝑖𝑗 untuk populasi 𝑎𝑗 adalah sama dengan 𝜎𝑌𝑗 =
25
𝜎𝜀2 + 𝜎𝜋2 . Hal ini mengikuti Aturan B.2 dalam lampiran B mengenai varians dari
variabel acak:
V(Y) = E[Y – E(Y)]2
= E(Y)2 – [E(Y)]2 (Rule B.2)
Pergantian Y di sisi kanan dari Rule B.2 dengan 𝜇 + 𝛼𝑗 + 𝜋𝑖 + 𝜀𝑖𝑗 dari persamaan (7.4-
1) diberikan:
2
𝜎𝑌𝑗 = 𝐸(𝜇 + 𝛼𝑗 + 𝜋𝑖 + 𝜀𝑖𝑗 )2 − [𝐸(𝜇 + 𝛼𝑗 + 𝜋𝑖 + 𝜀𝑖𝑗 )]2
= (𝜇 2 + 𝛼𝑗 2 + 𝜎𝜋2 + 𝜎𝜀2 + 2𝜇𝛼𝑗 ) − (𝜇 2 + 𝛼𝑗 2 + 2𝜇𝛼𝑗 )
(7.4-2) = 𝜎𝜀2 + 𝜎𝜋2
Dua skor Yij dan Yij’ di dalam blok yang sama dari desain blok acak tidak bebas karena
hubungan 𝜋𝑖 biasa untuk keduanya. Kemudian, walaupun kita mengasumsikan bahwa
eror adalah bebas, kita tidak mengetahui asumsi bahwa skor antara (within)
direfleksikan dalam covarian nya, disimbolkan dengan 𝜎𝑌𝑗𝑌𝑗′ atau 𝜎𝑗𝑗′ . Kita sekarang
memperlihatkan bahwa 𝜎𝑌𝑗𝑌𝑗′ = 𝜎𝜋2 . Berdasarkan Aturan B.15 (Rule B15) dalam
lampiran B,
COV (X, Y) = E{[X – E(X)] [Y – E(Y)]}
= E (XY) – E(X) E(Y)
Menggantikan X pada tempat yang tepat dari Rule B.15 dengan 𝜇 + 𝛼𝑗 + 𝜋𝑖 + 𝜀𝑖𝑗 dan
Y dengan 𝛼𝑗′ + 𝜋𝑖 + 𝜀𝑖𝑗′ memberikan
𝜎𝑌𝑗𝑌𝑗′ = 𝐸[(𝜇 + 𝛼𝑗 + 𝜋𝑖 + 𝜀𝑖𝑗 )(𝜇 + 𝛼𝑗′ + 𝜋𝑖 + 𝜀𝑖𝑗′ )] − 𝐸(𝜇 + 𝛼𝑗 + 𝜋𝑖 + 𝜀𝑖𝑗 )𝐸(𝜇 +
𝛼𝑗′ + 𝜋𝑖 + 𝜀𝑖𝑗′ )
= (𝜇 2 + 𝛼𝑗 𝛼𝑗′ + 𝜎𝜋2 + 𝜇𝛼𝑗 + 𝜇𝛼𝑗′ ) − (𝜇 2 + 𝛼𝑗 𝛼𝑗′ + 𝜇𝛼𝑗 + 𝜇𝛼𝑗′ )
(7.4-3) = 𝜎𝜋2
2
Kesimpulan untuk desain blok acak : (1) 𝜎𝑌𝑗 = 𝜎𝜀2 + 𝜎𝜋2 , (2) keterikatan dari Yij dan
Yij’ harus dengan hubungan 𝜋𝑖 dan (3) 𝜎𝑌𝑗𝑌𝑗′ = 𝜎𝜋2 .
2
Terlebih dahulu kita melihat untuk desain acak lengkap, bahwa 𝜎𝜀2 = 𝜎𝑌𝑗 . Kita
sekarang menunjukkan untuk desain blok acak bahwa 𝜎𝜀2 = 𝜎𝑌2 (1 − 𝑝), dimana 𝜌
simbol dari korelasi anatara dua level perlakuan. Asumsi bahwa kemampuan
pengamatan dibawah level perlakuan A memiiki varians:
2
𝜎𝑌𝑗 = 𝜎𝑌2 untuk semua j
dan kovariannya adalah
𝜎𝑌𝑗𝑌𝑗′ = sebuah konstanta untuk semua pasangan j dan j’ (j ≠ j’)
26
Dengan kata lain, variansnya adalah homogen dan kovariannya homogen.
Kemudian korelasi anatara kemampuan pengamatan untuk dua level perlakuan j dan j’
dapat dituliskan sebagai
∑𝑁
𝑖=1(𝑌𝑖𝑗 −𝜇.𝑗 )(𝑌𝑖𝑗′ −𝜇.𝑗′ ) 𝜎𝑌𝑗𝑌𝑗′
𝑁
𝜌= =
2 2 𝜎𝑌2
∑𝑁 (𝑌𝑖𝑗 −𝜇.𝑗 ) ∑𝑁 (𝑌𝑖𝑗′ −𝜇.𝑗′ )
√[ 𝑖=1 ][ 𝑖=1 ]
𝑁 𝑁
𝜎𝑌𝑗𝑌𝑗′ = 𝜌𝜎𝑌2
2 2 2
Dari asumsi bahwa 𝜎𝑌1 = 𝜎𝑌2 = . . . = 𝜎𝑌𝑝 = 𝜎𝑌2 dan persamaan (7.4-2), kita tahu bahwa
𝜎𝑌2 = 𝜎𝜀2 + 𝜎𝜋2 , dan menggunakan 𝜎𝑌𝑗𝑌𝑗′ = 𝜎𝜋2 dari persamaan (7.4-3) memberikan:
Komparasi dari hubungan eror ini untuk desain blok acak untuk desain acak lengkap,
CR-p : E(MSWG) = 𝜎𝜀2 = 𝜎𝑌2
RB-p: E(MSRES) = 𝜎𝜀2 = 𝜎𝑌2 (1 − 𝜌)
Digambarkan mengapa MSRES secara normal kurang dari MSWG. Kunci dari
faktor ini adalah korelasi koefisien 𝜌. Pencocokan yang lebih baik dari unit
eksperimental dengan blok, korelasi lebih tinggi antara pengamatan-pengamatan di dua
level perlauan yang lain dan lebih kecil hubungan eror 𝜎𝜀2 dalam desain blok acak.
Nilai yang diekpektasikan dari perlakuan dan blok rerata kuadrat untuk model
campuran dijelaskan pada Bagian 7.1 juga dapat ditunjukkan pada istilah 𝜎𝑌2 dan 𝜌:
𝑝
𝑛 ∑𝑗=1 𝛼𝑗2
E(MSA) = 𝜎𝜀2 + 𝑝−1
𝑝
𝑛 ∑𝑗=1 𝛼𝑗2
= 𝜎𝑌2 (1 − 𝜌) + 𝑝−1
E(MSBL) = 𝜎𝜀2 + 𝑝𝜎𝜋2
27
= 𝜎𝑌2 − 𝜌𝜎𝑌2 + 𝑝𝜌𝜎𝑌2
= 𝜎𝑌2 [1 + (𝑝 −)𝜌]
Dimana semua varians pada diagonal utama adalah sama dan semua diagonal utama
covarians off adalah sama. Seperti pada matriks yang menunjukkan bahwa memiliki
gabungan simetris dan disebut sebagai tipe matriks S.
Gabungan simetris adalah kondisi yang cukup untuk statistik blok acak F =
MSA/MSRES didistribusikan sebagai F dengan (p - 1) dan (n – 1) (p – 1) derajat
kebebasan ketika hipotesis null adalah benar. Gabungan tidak simetris, walaupun pada
kondisi yang penting. Huynh dan Feldt (1970) dan Rovanet dn Lepine (1970) secara
bebas menunjukkan bahwa statistik F didistribusikan sebagai F jika perbedaan varians
untuk semua pasangan dari level perlakuan adalah homogen--hal tersebut jika:
2
𝜎𝑌𝑗−𝑌𝑗′ = 𝜎𝑗2 + 𝜎𝑗′2 + 2𝜎𝑗𝑗′ = konstan untuk semua j dan j’ ( j ≠j’)
Matriks yang secara statistik ini lebih sedikit membatasi kondisi yang disebut
matriks tipe H, ∑𝐻. Semua matriks yang memiliki gabungan simetris secara statistik
kondisi ini jadi subset dari kelas yang lebih luas dari tipe matriks H. Matriks populasi
yang mengikuti adalah sebuah contoh dari matriks tipe H:
28
Kita dapat memverifikasi bahwa ini adalah tipe matriks H melalui penghitungan
perbedaan dari variansi untuk semua p (p – 1) 2 = 6 pasang dari level perlakuan yang
mengikuti:
2
𝜎𝑌1−𝑌2 = 5,0 + 10,0 – 2 (2,5) = 10,0
2
𝜎𝑌1−𝑌3 = 5,0 + 15,0 – 2 (5,0) = 10,0
2
𝜎𝑌1−𝑌4 = 5,0 + 20,0 – 2 (7,5) = 10,0
2
𝜎𝑌2−𝑌3 = 10,0 + 15,0 – 2 (7,5) = 10,0
2
𝜎𝑌2−𝑌4 = 10,0 + 20,0 – 2 (10,0) = 10,0
2
𝜎𝑌3−𝑌4 = 15,0 + 20,0 – 2 (12,5) = 10,0
2
Karena 𝜎𝑌𝑗−𝑌𝑗′ sama dengan konstan untuk semua j dan j’ , ∑𝐻 adalah tipe matriks
H. Poin pentingnya adalah sama dengan varians dan sama dengan kovarians tidak
diperlukan untuk statistik F yang didistribusikan sebagai F. Seperti yang telah kita
lihat, jika hipotesis null diterima, kemudian kondisi kebutuhan dan cukup untuk F =
MSA/MSRES didistribusikan sebagai F dengan (p - 1) dan (n - 1) (p - 1) derajat
kebebasannya adalah :
2
𝜎𝑌𝑗−𝑌𝑗′ = 𝜎𝑗2 + 𝜎𝑗′2 + 2𝜎𝑗𝑗′ = konstan untuk semua j dan j’ ( j ≠j’)
Rouanet dan Lepine (1970) menunjukkan kondisi kebutuhan dan cukup dalam
notasi matriks sebagai
(7.4-6) C*’ ∑ C* = λ I
(p – 1)×p p×p p× (p – 1) (p – 1) × (p – 1)
Dimana
C*’ : beberapa (p – 1)×p matriks koefisien orthonormal yang digunakan untuk
menunjukkan hipotesis null untuk perlakuan A.
∑ : matriks populasi kovarian
λ : nomor skala , λ > 0
I : matriks identitas
Ketika kondisi (7.4-6) adalah ditetapkan, ∑ menunjukkan berbentuk bola, oleh
sebab itu kondisi yang penting dan butuh disebut dengan kondisi sphericity. Kondisi
sphericity sangat simpel. Walaupun kecenderungan notasi matriks untuk mengaburkan
kesederhanaan. Matriks tipe H dideskripsikan lebih dulu untuk desain RB-4 yang
digunakan untuk mengilustrasikan kondisi.
Untuk memulai kita perlu memformulasikan 𝜇∙1 = 𝜇∙2 = 𝜇∙3 = 𝜇∙4. Kumpulan
hipotesis null untuk perlakuan A, sehingga hal tersebut mengandung p – 1 baris
29
orthogonal. Penyusunan ulang dapat diselesaikan melalui variasi jalan. Untuk contoh,
dua alternatif formulasi adalah
H0: 𝜇∙1 = 𝜇∙2 = 0 H0: 𝜇∙1 − 𝜇∙2 = 0
𝜇∙1 +𝜇∙2
𝜇∙1 = 𝜇∙2 = 𝜇∙3 − 𝜇∙3 = 0
2
𝜇∙1 +𝜇∙2 𝜇∙3 +𝜇∙4 𝜇∙1 +𝜇∙2 +𝜇∙3
− =0 − 𝜇∙4 = 0
2 2 2
dan
Selanjutnya, panjang dari setiap koefisien vektor matus dibuat sama dengan satu.
Sebuah matriks yang mana barisnya ortoghonal dan memiliki panjnag unit yang disebut
matriks orthogonal (lihat lampiran D.I-8). Bentuk orthonormal (Lihat Lampiran D.I-8)
dari matriks koefisien, 𝐶1′ dan 𝐶2′ adalah
Dan
30
Karena 𝐶1∗′ ∑𝐻 𝐶1∗ = 5I, kita menyimpulkan bahwa kondisi bentuk bulat ditetapkan .
Keluaran dari prosedur ini tidak dipengaruhi oleh partikular matriks orthonormal yang
digunakan untuk menguji hipotesis null yang meliputi berbagai hal. Kia harus memiliki
kesimpulan yang sama yang dapat dicapai, contohnya, jika kita menggunakan 𝐶2∗
koefisien matriks karena 𝐶2∗′ ∑ 𝐶2∗ juga sama dengn 5I. Rouanet dan Lepine (1970)
telah ditunjukkan bahwa ketika 𝐶 ∗′ ∑ 𝐶 ∗ = λI, Kondisi bentuk bulat juga ditetapkan
untuk semua subset dari kontras, tidak hanya untuk subset dari hipotesis interest
(bentuk bulat lokal), walaupun kondisi bentuk bultyang dapat dicapai tidak dapat
dipertahankan.
Table 7.4-1 Penghitungan Tes lokal Invarian Terbaik untuk Kondisi Bentuk Bulat
(matriks Kovarians, Ʃ̂, dihitung untuk data dalam tabel 7.2-1.)
(i) Matriks dasar [elemen-elemen dalam diagonal utama dari Ʃ̂ adalah 𝜎̂𝑗2′ ; unsur-unsur
yang lepas dari diagonal utama adalah 𝜎̂𝑗𝑗′ ; Matriks orthonormal, 𝐶 ∗′ dan 𝐶 ∗ akan
dijelaskan pada Bagian 7.4.]
(∑𝑛 𝑌 )2 (∑𝑛 𝑛
𝑖=1 𝑖𝑗 𝑖=1 𝑌𝑖𝑗 )(∑𝑖=1 𝑌𝑖𝑗′ )
∑𝑛
𝑖=1 −
𝑛
∑𝑖=1 𝑌𝑖𝑗 𝑌𝑖𝑗′ −
𝜎̂𝑗2 = 𝑛
𝜎̂𝑗𝑗′ = 𝑛
𝑛−1 𝑛−1
31
(ii) Perhitungan dari tes statistik Invarian Terbaik Lokal, V*
2
(𝑛−1)(𝑝−1) (𝑝−1)𝑡𝑟𝑎𝑐𝑒(𝐶 ∗′ Ʃ̂𝐶 ∗ )
V* = { 2 − 1}
2 [𝑡𝑟𝑎𝑐𝑒(𝐶 ∗′ Ʃ̂𝐶 ∗ )]
2
Trace (𝐶 ∗′ Ʃ̂𝐶 ∗ ) = (0,4286)2 + (-0,2857)2 + (0,0000)2 + (-0,2857)2 + (1,8571)2 + . . .
+ (1,9286)2 = 9,5560
2
[𝑡𝑟𝑎𝑐𝑒(𝐶 ∗′ Ʃ̂𝐶 ∗ )] = (0,4286 + 1,8571 + 1,9286)2 = 17,7598
(4−1)(8−1) (4−1)(9,5560)
V* = { − 1} = 6,45
2 17,7598
∗ ∗
𝑉𝛼;(𝑝−1),𝑛 = 𝑉0,25; 3,8 = 5,886
Mereka menemukan bahwa tes ini, tidak seperti tes yang lain memiliki kekuatan
substansial untuk mendeteksi awal mula dari bentuk bulat untuk kedua sampel baik
kecil maupun besar dan memberikan kontrol yang baik dari tipe eror I. Tes
digambarkan pada tabel 7.4-1 untuk data pengukuran ketinggian di tabel 7.2-1. 𝛼 =
0,15 direkomendasikan. Penggunaan level signifikan numerik yang besar ketika
menguji model asumsi adalah paraktik yang biasa dan meningkatkan kekuatan dari tes.
Nilai kritis untuk tes invarian terbaik lokal dalam Lampiran Tabel E.18 disimbolkan
∗ ∗
sebagai 𝑉𝛼;(𝑝−1),𝑛 . Karena V* = 6,45 lebih besar daripada nilai kritis 𝑉0,25; 3,8 =
5,886 sehingga tidak ada alasan untuk mempercayai kondisi bentuk bulat, 𝐶 ∗′ ∑ 𝐶 ∗ =
λI, tidak dapat dipertahankan. Sehingga, tes F konvensional untuk data ketinggian pada
tabel 7.2-2 positif bias (Box, 1954). Sebuah tes yang positif bias jika hal tersebut
dipertahankan untuk menolak hipotesis null lebih sering dari pada hipotesis seharusnya
ditolak. Untungnya, disana terdapat koreksi untuk positif bias ini seperti yang kita lihat
pada bagian selanjutnya.
32
4. Contoh Strategi Pengujian Secara Sekuen
Ketika kondisi bentuk bulat (sphericity) dilanggar, Box (1954b) menunjukkan
bahwa distribusi dari statistik F benar dengan (p – 1) dan (n – 1) (p – 1) derajat
kebebasan dapat didekati dengan menggunakan statistik F denngan mengurangi df.
Modifikasi df adalah (p – 1)𝜀 dan (n – 1) (p – 1) 𝜀, dimana 𝜀 adalah nomor yang
mempertahankan derajat dari kovarians matrik populasi awal dari bentuk yang
dikehendaki (epsilon ini, tidak perlu dibingungkan dengan epsilon yang digunakan
untuk menyimbolkan efek eror. Arti dari epsilon seharusnya sudah jelas dilihat dari
konteks). Ketika kondisi kebuatan ditetapkan, nilai dari 𝜀 adalah 1; sebaliknya, 𝜀
kurang dari 1, dengan nilai minimum dari 1/(p – 1).
Dalam beberapa situasi praktik, nilai dari 𝜀 tidak diketahui. Akan tetapi hasil
kerja dari Collier, Baker, Mandeville dan Hayes (1967), Hyunh dan Feldt (1976), dan
Stoloff (1970) mengindikasikan bahwa estimasi statisfactory dari 𝜀 dapat diperoleh dari
sampel matriks kovarian. Collier dkk (1967) mengusulkan kemungkinan estimator
maksimum dari 𝜀. Estimatornya 𝜀̂, yang mana dijelaskan dalam Tabel 7.4-2 adalah bias,
dan keluasan dari bias dengan pendekatan 𝜀 meningkat 1,0. Untuk mengurangi bias
untuk luas nilai dari 𝜀̃ (lihat Tabel 7.4-2) ketika 𝜀 ≥ 0,75. Rogan, Keselman, dan
Mendoza (1979) membuat rkomendasi yang mirip. Estimator 𝜀̃, yang dihitung dari
rasio dari dua estimator yang tidak bias, juga dibiaskan. Gary (1981) menginvestigasi
tipe eror I untuk dua estimator dalam konteks dari desain faktorial blok acak yang
mengikuti nilai dari 𝜀: 1,0 , 0.96, 0.69 dan 0.52. Dia menyimpulkan bahwa 𝜀̂
menyediakan proteksi tipe eror I lebih baik daripada 𝜀̃ untuk semua nilai dari 𝜀 yang
diinvestigasi kecuali 1,0. Satu alasan untuk kebebasan dari 𝜀̃ bahwa itu dapat
diasumsikan nilai lebih besar dari satu -- dengan kasus hal tersebut sama dengan satu.
Hal itu dapat ditunjukkan bahwa 𝜀̃ ≥ 𝜀̂ ; dua statistik adalah sama ketika 𝜀̂ = 1/(p – 1).
Menunggu penelitian selanjutnya, penggunaan dari 𝜀̂ direkomendasikan.
Grieve (1984) menyarankan untuk mengikuti prosedur test sequential untuk desain blok
acak:
a. Penyelenggaraan tes awal dari kondisi bentuk bulat dengan menggunakan tes
invariant terbaik lokal. Jika tes ini tidak signifikan, digunakan uji statistik F
konvensional pelakuan A dan blok.
b. Jika tes awal signifikan, penghitngan estimasi sampel, 𝜀̂, dari 𝜀 (lihat tabel 7.4-2)
untuk prosedur penghitungan) dan derajat kebebasan yang dimodifikasi, (p – 1) 𝜀̂
33
dan (n – 1) (p – 1) 𝜀̂. Menetukan nilai kritis dari F untuk df yang dimodifikasi ini.
Jika F melampaui nilai kritis, tes dikatakan signifikan, jika sebaliknya maka tes
tidak signifikan. Penggunaan dari estimasi sampel dari 𝜀 dalam menentukan df
untuk F tes ditunjuk sebagai sebuah tes F adjusted.
2
(∑𝑛
𝑛 𝑛
𝑌𝑖𝑗 ) (∑𝑖=1 𝑌𝑖𝑗 )(∑𝑖=1 𝑌𝑖𝑗′ )
𝑛 𝑖=1 ∑𝑛
𝑖=1 𝑌𝑖𝑗 𝑌𝑖𝑗′ −
∑
𝑖=1 −
𝜎̂𝑗2 = 𝑛−1
𝑛 𝜎̂𝑗𝑗′ =
𝑛−1
𝑛
34
𝑝2 (𝐸̅𝐷 −𝐸̅.. )2
𝜀̂ = 2 𝑝 2 2
(𝑝−1)(∑ ∑ 𝐸𝑗𝑗′ −2𝑝 ∑𝑗=1 𝐸̅𝑗. +𝑝2 𝐸̅.. )
(4)2 (2,1786−1,1250)2
𝜀̂ = (4−1)[36,3469−2
(4)[(1,3571)2 +(0,6429)2 +(0,7500)2 +(1,7500)2 +(4)2 (1,1250)2 ]
17,7612
= = 0,6195
28,6700
(iii) Penghitungan 𝜀̃
𝑛(𝑝 − 1)𝜀̂ − 2 8(4 − 1)0,6195 − 2
𝜀̃ = = = 0,8343
(𝑝 − 1)[𝑛 − 1 − (𝑝 − 1)𝜀̂] (4 − 1)[8 − 1 − (4 − 1)0,6195]
35
terkadang direkomendasikan ketika tidak tercapai kondisi bentuk bulat (sphericity).
Pilihan tes statistik yang terbaik, beberapa faktor harus diketahui, jumlah blok dalam
desain blok acak, derajat awal dari bentuk bulat (sphericity) matriks 𝐶 ∗′ ∑ 𝐶 ∗ , dan
tingkat kekuatan asumsi normalitas. Jensen (1982, 1987) menunjukkan bahwa tes T2
Hotelling lebih kuat dripada bok acak tes F adjusted ketika jumah n besar, tetapi kurang
kuat pada n yang sedikit. Marcucci (1986) menunjukkan bahwa tes T2 lebih kuat
daripada desain blok acak tes F adjusted ketika 𝜀 menyimpang cukup besar dari 1,0.
Rasmusen, Heumann, Heumann, dan Botzum (1989) menemukan Pilai-Barlett statistik
bekas (trace) cukup lebih kuat daripada blok acak tes F adjusted ketika 𝜀 sama dengan
0,49. Walaupun demikian, mereka melaporkan bahwa Hollander-Sethuraman
nonparametic tes lebih kuat daripada tes T2 atau tes F adjusted ketika populasi sangat
menyimpang. Untuk ringkasan, tes F konvensional di desain blok acak memberikan
kekuatan maksimum ketika asumsi tes dapat dipertahankan. Tes F adjusted muncul
menjadi pilihan yang baik ketika jumlah blok relatif kecil, maktriks 𝐶 ∗′ ∑ 𝐶 ∗ tidak
dapat menyimpang jauh dari bentuk bulat, dan populasi diperkirakan normal.
E. Prosedur untuk Menguji Perbedaan Rerata
statistik untuk menguji hipotesis tentang perbedaan pada desain blok acak memiliki
bentuk umum yang sama seperti desain acak lengkap. meskipun, MSRES sebagai
pengganti MSWG harus digunakan untuk mengestimasi varian eror populasi jika
kondisi dapat dipertahankan. jika asumsi tidak dapat dipertahankan, MSRES tepat
untuk digunakan. rumus MSRES diberikan terlebih dahulu
statistik t lebih dahulu terhadap perbandingan rerata memiliki bentuk sebagai berikut:
̂
𝜓𝑖 𝑐1 𝑌̅1 + 𝑐2 𝑌̅2 + ⋯ + 𝑐𝑝 𝑌̅𝑝
𝑡= =
𝜎̂ 2 2 2
√𝑀𝑆𝑅𝐸𝑆(𝑐1 + 𝑐2 + ⋯ + 𝑐𝑝 )
𝜓𝑖
𝑛 𝑛 𝑛
dengan derajat kebebasan 𝑣 = (𝑛 − 1)(𝑝 − 1) untuk menolak H 0 bahwa
c1 1 c2 2 ... c p p 0 , nilai mutlak dari t harus lebih besar atau sama dengan
t / 2,v untuk uji dua arah dan t ,v untuk uji satu arah.
Fisher-Hayter
̂𝑖
𝜓 ̅𝑗 + 𝑐𝑗′ ̅̅̅
𝑐𝑗 𝑌 𝑌𝑗′
𝑞𝐹𝐻 = =
𝜎
̂𝑌̅
1 1
√[𝑀𝑆𝑅𝐸𝑆 (𝑛 + 𝑛 ′ )] /2
𝑗 𝑗
36
̂𝑖 𝑐𝑗 𝑌
𝜓 ̅𝑗 + 𝑐𝑗′ 𝑌
̅̅̅
𝑗′
𝑞𝐹𝐻 = =
𝜎
̂𝑌̅
√𝑀𝑆𝑅𝐸𝑆
𝑛
dengan derajat kebebasan v (n 1)( p 1) .
Scheffe’s
𝜓̂𝑖
2
(𝑐1 𝑌̅1 + 𝑐2 𝑌̅2 + ⋯ + 𝑐𝑝 𝑌̅𝑝 )2
𝐹𝑆 = =
̂
𝜎 2 𝑐2 𝑐2 𝑐𝑝2
𝜓𝑖 𝑀𝑆𝑅𝐸𝑆( 𝑛1 + 𝑛2 + ⋯ + 𝑛 )
37
Tabel 7.5.1 Prosedur Perhitungan untuk Menguji Perbedaan Rata-Rata dengan Sphericity Condition is not Tenable
(i) perhitungan dari perbedaan (koefisien dari perbedaan ada pada tabel 7.2.1)
ˆ 1 pada si ˆ 2 pada si ˆ 3 pada si
(1)Yi1 (1)Yi 2 0Yi3 (0)Yi 4 (0)Yi1 (0)Yi 2 1Yi3 (1)Yi 4 (.5)Yi1 (.5)Yi 2 .5Yi 3 (.5)Yi 4
s1 (1)3 (1)4 (0)4 (0)3 1 (0)3 (0)4 (1)4 (1)3 1 (.5)3 (.5)4 (.5)4 (.5)3 0
s2 (1)2 (1)4 (0)4 (0)5 2 (0)2 (0)4 (1)4 (1)5 1 (.5)2 (.5)4 (.5)4 (.5)5 1.5
s3 (1)2 (1)3 (0)3 (0)6 1 (0)2 (0)3 (1)3 (1)6 3 (.5)2 (.5)3 (.5)3 (.5)6 2.0
s4 (1)3 (1)3 (0)3 (0)5 0 (0)3 (0)3 (1)3 (1)5 2 (.5)3 (.5)3 (.5)3 (.5)5 1.0
s5 (1)1 (1)2 (0)4 (0)7 1 (0)1 (0)2 (1)4 (1)7 3 (.5)1 (.5)2 (.5)4 (.5)7 4
s6 (1)3 (1)3 (0)6 (0)6 0 (0)3 (0)3 (1)6 (1)6 0 (.5)3 (.5)3 (.5)6 (.5)6 3.5
s7 (1)4 (1)4 (0)5 (0)10 0 (0)4 (0)4 (1)5 (1)10 5 (.5)4 (.5)4 (.5)5 (.5)10 3.5
s8 (1)6 (1)5 (0)5 (0)8 1 (0)6 (0)5 (1)5 (1)8 3 (.5)6 (.5)5 (.5)5 (.5)8 1.0
n n n
ˆ 1 pada si 4
i 1
ˆ 2 pada si 16
i 1
ˆ
i 1
3 pada si 16
n n n
ˆ
i 1
2
1 pada si 8 ˆ
i 1
2
2 pada si 58 ˆ
i 1
2
3 pada si 45.5
n
n
n
ˆ 1 ˆ 1pada si / n 4 / 8 .5 ˆ 2 ˆ 2 pada si / n 16 / 8 2.0 ˆ 3 ˆ 3 pada si / n 16 / 8 2.0
i 1 i 1 i 1
i 1 n j 1
1j
8
38
n
n ˆ 2 pada si p
SSRES2 ˆ 22 pada si i 1 / c 2 58 (16) /[(0) 2 (0) 2 (1) 2 (1) 2 ] 13.0
2
i 1 n j 1
2j
8
n
n ˆ 3 pada si p
SSRES3 ˆ 32 pada si i 1 / c 2 45.5 (16) /[(0.5) 2 (0.5) 2 (0.5) 2 (0.5) 2 ] 13.5
2
i 1 n
j 1 3 j 8
MSRES1 SSRES1 /(n 1) 3.0 / 7 0.4286
MSRES2 SSRES2 /(n 1) 13.0 / 7 1.8571
MSRES3 SSRES3 /(n 1) 13.5 / 7 1.9286
p 2
c1 j
j 1
ˆ 1 MSRES1 0.4286 (2 / 8) 0.3273
n
p 2
c2 j
j 1
ˆ 2 MSRES2 1.8571(2 / 8) 0.4818
n
39
(iii) Perhitungan dari Uji Statistik
ˆ 2.0 ˆ 2.0
t 2 2.94 qFH 2 4.15
ˆ 2 0.6814 ˆ Y2 0.4818
ˆ 3 2.0 q.05;3,7 4.16
t 4.07
ˆ 3 0.4910
t.05 / 2,7 2.365
40
F. Pengujian Kecenderungan
𝑀𝑆𝜓̂𝑙𝑖𝑛
𝐹=
𝑀𝑆𝑅𝐸𝑆
𝑀𝑆𝜓̂𝑞𝑢𝑎𝑑
𝐹=
𝑀𝑆𝑅𝐸𝑆
tabel 7.6-1 prosedur untuk menguji signifikan dari perbedaan linear ketika kondisi
sphercity tidak tenable
(i) perhitungan dari perbedaan linear (koefisien perbedaan linear dari tabel apendix
E.10, c1 3, c2 1, c3 1, c4 3
ˆ lin pada si
(3)Yi1 (1)Yi 2 (1)4 (3)Yi 4
i 1 j 1
df 1
2
n
2
(84)2
SSRESlin 1202 /[( 3) (1) (1) (3) ] 16.000
2 2 2 2
8
df n 1 8 1 7
41
MSˆ lin SSˆ lin / 1 44.1000 / 1 44.1000
MSRESlin SSRESlin /(n 1)
MSRESlin 16 / 7 2.2857
F MSˆ lin / MSRESlin 44.1000 / 2 / 2857 19.29
42
Menguji Hipotesis menggunakan Model Restricted Cell Means
rata-rata populasi perlakuan
H 0 : 1 2 3 4
rata-rata cell population
H 0 : 11 12 13 14
21 22 23 24
1 1 1
31 32 33 34 1 1 1
.................................... J
h h
81 82 83 84
1 1 1
43
ˆ
h1
3
2
2
3
1
3
4
6
4
4
3
3
2
3
4
5
4
4
3
3
4
6
5
5
3
5
6
5
7
6
10
8
44
prosedur perhitungan untuk Desain RB-4 menggunakan model rata-rata Cell
(i) data dan matriks terdapat dalam bacaan
𝑆𝑆𝑇𝑂 = 𝜇̂ ′𝜇̂ − 𝜇̂ ′ 𝐽𝜇̂ ℎ−1
1
= 688.000 − (18,496) ( )
32
= 110.000
′
𝑆𝑆𝑅𝐸𝑆 = (𝑅 ′𝜇̂ ) (𝑅 ′ 𝑅)−1 (𝑅 ′𝜇̂ )
= 29.500
−1
𝑆𝑆𝐴 = (𝐶′1(𝐴) 𝜇̂ )′(𝐶 ′1(𝐴) 𝐶1(𝐴) ) (𝐶 ′ ′1(𝐴) 𝜇̂ )
= 49.000
alternatif formula
−1
𝑆𝑆𝐴 = (𝐶 ′ ′2(𝐴) 𝜇̂ )′(𝐶 ′ 2(𝐴) 𝐶2(𝐴) ) (𝐶 ′ 2(𝐴) 𝜇̂ ) − 𝑆𝑆𝑅𝐸𝑆
= 78.500 − 29.500
= 49.000
−1
𝑆𝑆𝐵𝐿 = (𝐶′1(𝐵𝐿) 𝜇̂ )′(𝐶 ′1(𝐵𝐿) 𝐶1(𝐵𝐿) ) (𝐶 ′ ′1(𝐵𝐿) 𝜇̂ )
= 31.500
Alternatif formula
−1
𝑆𝑆𝐵𝐿 = (𝐶 ′ ′2(𝐵𝐿) )′(𝐶 ′ 2(𝐵𝐿) 𝐶2(𝐵𝐿) ) (𝐶 ′ 2(𝐵𝐿) 𝜇̂ ) − 𝑆𝑆𝑅𝐸𝑆
45
contoh perhitungan dengan kehilangan data observasi
a1 a2 a3
s1 15 12 11
s2 11 9
s3 13 13
46
Desain Ekperimen Untuk GRB-P
Yijz j z ( ) jz i ( jz )
i 1....n
j 1,..., p
z 1,..., w
47
- Contoh Perhitungan pada GRB-P Desain
H 0 : 1 2 3 4
H1 : j j '
Data
a1 a2 a3 a4
g1 3 4 4 3
3 3 3 5
g2 2 4 4 5
2 3 3 6
g3 6 5 5 8
3 3 6 6
g4 1 2 4 7
4 4 5 10
computational symbols
n p w
Y
i 1 j 1 z 1
ijz 3 3 ... 7 10 136
n p w
Y
i 1 j 1 z 1
2
ijz [ AGS ] (3) 2 (3) 2 ... (10) 2 688
2
n p w
Yijz
i 1 j 1 z 1
[Y ] (136) 578
2
npw (2)(4)(4)
2
n p w
Yijz
p
i 1 j 1 z 1 [ A] (24) (28) (34) (50) 627
2 2 2 2
j 1 nw (2)(4) (2)(4) (2)(4) (2)(4)
2
n p w
Yijz
i 1 j 1 z 1 [G] (28) (29) (42) (37) 594,75
w 2 2 2 2
z 1 np (2)(4) (2)(4) (2)(4) (2)(4)
2
n
Yijz
i 1 [ AG ] (6) (4) ... (17) 663
p w 2 2 2
j 1 z 1 n 2 2 2
48
computational formulas
SSTO [ AGS ] [Y ] 668 578 110
SSA [ A] [Y ] 627 578 49
SSG [G] [Y ] 594,75 578 16,75
SSG A [ AG ] [ A] [G] [Y ] 663 627 594,75 578 19,25
SSWCELL [ AGS ] [ AG ] 688 663 25
49
2. olah data
- klik analyze
- pilih general linear model
- pilih univariate
50
- OK
51
kelebihan dari RB-p dan GRB-p desain
a. relatif banyak digunakan pada aplikasi penelitian. Desain mengizinkan peneliti untuk
mengisolasi efek dari satu variabel gangguan dan dengan demikian mengurangi kesalahan
eksperimental dan memperoleh perkiraan yang lebih tepat dari efek perlakuan
b. fleksibel dalam penggunaan beberapa jumlah perlakuan dan jumlah pengelompokan
c. analisis data yang sederhana
d. desain GRB-p memungkinkan peneliti untuk menguji signifikansi dari interaksi grup x
perlakuan A. Selanjutnya, istilah kesalahan yang tersedia untuk perlakuan pengujian A
meskipun interaksi signifikan
kekurangan dari RB-p dan GRB-p desain
a. jika level perlakuan yang dilakukan pada eksperimen banyak, menjadikan sussah untuk
membentuk blok/kelompok yang memiliki variabilitas kelompok dalam yang minimum.
b. pada efek tetap dan model campuran pada RB-p desain, sebuah test dari efek perlakuan
adalah dibiaskan secara negatif jika
c. desain melibatkan batasan asumsi- misalnya sphericity- daripada desain acak lengkap
52