Multivariate Analysis of Variances

(MANOVA)
Perbandingan Dua Grup

1
 MANOVA: perbandingan dua grup
▪ Mengetahui pengaruh variabel independen satu dikotomi (dua grup) terhadap dua atau
lebih variabel dependen kuantitatif.

▪ Contoh:
a) Pengaruh metode pembelajaran (STS, CTL) pada prestasi belajar, kompetensi, dan
sikap IPA.
b) Pengaruh jenis perlakuan (perilaku kognitif, psikoanalitik) terhadap penilaian fungsi
global dan kepuasan pelayanan konsumen.

▪ Meskipun pertanyaan penelitian tersebut dapat dianalisis dengan prosedur statistik

univariat (menganalisis masing-masing variabel dependen secara terpisah, uji t atau one-
way ANOVA), namun lebih tepat dianalisis secara multivariat yaitu menguji variabel
dependen secara bersamaan (Hotteling’s T2 atau MANOVA untuk variabel independen
dua grup).

2
Kapan MANOVA digunakan?

Bray & Maxwell (1985) dan Stevens (2002) mengidentifikasi 7 keuntungan menggunakan MANOVA.
1) Satu variabel dependen jarang menggambarkan seluruh fenomena yang diteliti. Beberapa variabel dependen
lebih memperluas domain konseptual yang sedang dipelajari.
2) MANOVA memberikan kontrol terhadap level 𝛼 secara keseluruhan.
3) Uji statistik univariat cenderung mengabaikan interkorelasi antara variabel dependen. Sedangkan MANOVA
mempertimbangkan interkorelasi antar variabel dependen dengan memeriksa matriks varians-kovarians.
4) MANOVA memungkinkan peneliti untuk menguji hubungan antara variabel dependen pada setiap level
variabel independen.
5) MANOVA memberi petunjuk statistik kepada peneliti tentang pereduksian jumlah variabel dependen.
6) MANOVA membantu mengidentifikasi variabel dependen yang menghasilkan perbedaan grup paling besar.
7) MANOVA dapat memperjelas adanya perbedaan grup dan meningkatkan power.

3
Kapan MANOVA tidak digunakan?

1) Jika variabel-variabel dependen tidak berkorelasi.

Situasi ideal penggunaan MANOVA jika variabel-variabel dependen berkorelasi
moderat. Weinfurt (1995) menyatakan korelasi antar tiga variabel dependen
berkisar antara 0.21 dan 0.36 cukup untuk MANOVA.
2) Jika variabel-variabel dependen berkorelasi sangat tinggi → multikolinearitas.
3) Keterbatasan pengetahuan statistik. Asumsi-asumsi dalam MANOVA lebih
kompleks dibanding univariat.

4
Hipotesis:
𝜇11 = 𝜇12
𝜇21 = 𝜇22
𝐻0 : 𝝁1 = 𝝁2 atau ⋮ vs 𝐻1 : 𝝁1 ≠ 𝝁2
𝜇𝑝1 = 𝜇𝑝2

▪ Kedua vektor sama berimplikasi bahwa rata-rata populasi bagi kedua grup pada variabel 1
sama (𝜇11 = 𝜇12 ), rata-rata populasi bagi kedua grup pada variabel 2 sama (𝜇21 = 𝜇22 ), dan
seterusnya pada masing-masing variabel dependen 𝑝.

▪ Pada pengujian hipotesis nol multivariat, asumsi-asumsi yang harus dipenuhi adalah
1) pengamatan-pengamatan independen
2) normalitas multivariat pada variabel dependen pada masing-masing populasi
3) kesamaan matriks kovarians.

5
Statistik Uji:
−1
1 1
𝑇2 ഥ1 − 𝒚
= 𝒚 ഥ2 − 𝝁0 ′ + 𝐒𝑝 ഥ1 − 𝒚
𝒚 ഥ2 − 𝝁0
𝑛1 𝑛2

𝑛𝑘
1
dengan vektor rata−rata sampel, 𝒚
ഥ𝑘 = ෍ 𝒚𝑘𝑖
𝑛𝑘
𝑖=1

matriks kovarians sampel gabungan,

𝑛1 − 1 𝑛2 − 1
𝐒𝑝 = 𝐒 + 𝐒
𝑛1 + 𝑛2 − 2 1 𝑛1 + 𝑛2 − 2 2
𝑛𝑘
1 ′
𝐒𝑘 = ഥ𝑘
෍ 𝒚𝑘𝑖 − 𝒚 ഥ𝑘
𝒚𝑘𝑖 − 𝒚
𝑛𝑘 − 1
𝑖=1

6
▪ Hotelling (1931) menunjukkan bahwa transformasi dari T2 menghasilkan distribusi F
eksak berikut:

𝑛1 +𝑛2 −𝑝−1 2
𝐹= 𝑇
𝑛1 +𝑛2 −2 𝑝
dengan derajat bebas 𝑝 dan 𝑛1 + 𝑛2 − 𝑝 − 1. 𝑝 menyatakan banyaknya variabel
dependen, 𝑛1 dan 𝑛2 menyatakan ukuran sampel dari grup 1 dan 2 berturut-turut.

7
Interpretasi Hotelling’s T2

▪ Jika p-value < 𝛼 maka tolak H0. Sehingga dapat disimpulkan bahwa dua grup
berbeda secara signifikan.
▪ Hampir semua paket statistik komputer tidak menampilkan nilai Hotelling’s T2 ,
melainkan nilai F dengan 4 statistik multivariat yang seringkali dijumpai pada
program komputer statistik MANOVA (Wilks’lambda, Pillai’s trace, Hotelling’s trace,
dan Roy’s largest root).
▪ Masing-masing uji memeriksa keragaman multivariat antar dan dalam grup dan
menghitung koefisien uji multivariat yang dikonversikan ke nilai F.
▪ Pengaruh signifikan secara statistik menunjukkan bukti perbedaan grup pada variabel
dependen itu ada (p-value < 𝛼).

8
Perhitungan numerik bagi Manova 2 grup
Data fiktif berikut merupakan skor dari dua ukuran efektivitas konselor yaitu kepuasan
klien (client satisfaction, SA) dan penerimaan diri klien (client self-acceptance, CSA).
Enam peserta awalnya secara acak ditugaskan untuk konselor yang menggunakan
modifikasi perilaku (behavior modification) atau metode kognitif (cognitive); Namun,
tiga peserta di kelompok modifikasi perilaku tidak dapat melanjutkan karena alasan
yang tidak terkait dengan perlakuan.

9
▪ Hipotesis nol multivariat dalam kalimat adalah “Tidak ada perbedaan yang berarti antara grup
modifikasi perilaku dan kognitif ketika mereka dibandingkan secara bersamaan pada kepuasan
klien dan penerimaan diri klien”.
▪ Misal variabel 1 adalah kepuasan klien dan variabel 2 adalah penerimaan diri klien.
𝜇11 𝜇12
𝐻0 : 𝜇 = 𝜇
21 22
▪ Sums of squares:

10
Tabel Estimasi Galat bagi uji 𝒕 dan Hotelling’s T2
Uji 𝑡 (Univariat) 𝑇 2 (multivariat)
Asumsi Variansi populasi dalam grup Matriks kovarians populasi dalam grup
adalah sama, 𝜎12 = 𝜎22 . adalah sama, 𝚺1 = 𝚺2 .
Nilai variansi galat dinotasikan Nilai variansi galat dinotasikan sebagai
sebagai 𝜎 2 . 𝚺.
Menghitung ukuran 𝑠𝑠𝑔1 dan 𝑠𝑠𝑔2 𝐖1 dan 𝐖2
keragaman dalam
grup

Gabungkan dua 𝑠𝑠𝑔1 + 𝑠𝑠𝑔2 𝐖1 + 𝐖2

penduga
Bagi dengan derajat 𝑠𝑠𝑔1 +𝑠𝑠𝑔2
= 𝜎ො 2
𝐖𝟏 +𝐖𝟐
෡=𝐒
=𝚺
bebas 𝑛1 +𝑛2 −2 𝑛1 +𝑛2 −2

11
▪ Matriks W1 menyatakan keragaman dalam (within variability) pada dua variabel dependen
pada grup 1. Keragaman pada variabel 1 dinyatakan dengan 𝑠𝑠1 dan variabel 2 dengan 𝑠𝑠2 ,
dan kovariabilitas dinyatakan dengan 𝑠𝑠12 .

▪ Matriks kovarians gabungan adalah

The pooled covariance matrix

▪ Invers dari S adalah

12
▪ Hotelling’s T2 adalah

▪ F eksak transformasi dari T2 adalah

𝑛1 +𝑛2 −𝑝−1 2 3+6−2−1
𝐹= 𝑇 = 21 = 9
𝑛1 +𝑛2 −2 𝑝 3+6−2 2

▪ Nilai kritis, 𝐹0.05(𝑝,𝑛1 +𝑛2 −𝑝−1) = 𝐹0.05(2,6) = 5.14

▪ Oleh karena 𝐹 = 9 > 5.14 (p-value = 0.01563 < 0.05) maka H0 ditolak dan
disimpulkan bahwa dua grup berbeda pada sekumpulan dua variabel dependen. Dalam
hal ini ada perbedaan yang berarti antara grup modifikasi perilaku dan kognitif
terhadap kepuasan klien dan penerimaan diri klien.

13
> dat <-read.csv(file="C:/data/counselor.csv")
> str(dat)
'data.frame': 9 obs. of 3 variables:
$ SA : int 1 3 2 4 6 6 5 5 4
$ CSA : int 3 7 2 6 8 8 10 10 6
$ Method: Factor w/ 2 levels "Behavior","Cognitive": 1 1 1 2 2 2 2 2 2 > SS1
SA CSA
> grup1 <- subset(dat, Method == "Behavior", select = c("SA","CSA")) 1 -1 -1
> SS1 <- as.matrix(sweep(grup1,2,colMeans(grup1))) 2 1 3
> W1 <- t(SS1)%*%SS1 3 0 -2
> W1
SA CSA
SA 2 4
CSA 4 14
> SS2
> grup2 <- subset(dat, Method == "Cognitive", select = c("SA","CSA")) SA CSA
> SS2 <- as.matrix(sweep(grup2,2,colMeans(grup2))) 4 -1 -2
> W2 <- t(SS2)%*%SS2 5 1 0
> W2 6 1 0
SA CSA 7 0 2
SA 4 4
8 0 2
CSA 4 16
9 -1 -2

14
 > ybar1 <- colMeans(grup1)
> n1 <- nrow(grup1) > ybar1
> n1 SA CSA
[1] 3 2 4

> ybar2 <- colMeans(grup2)

> n2 <- nrow(grup2) > ybar2
> n2 SA CSA
[1] 6 5 8

> p <- 2 #banyaknya variabel dependen > T2 <- (n1*n2/(n1+n2))%*%t(ybar1-

> p ybar2)%*%solve(S)%*%(ybar1-ybar2)
[1] 2 > T2 <-as.numeric(T2)
> T2
[1] 21
> S = (W1+W2)/(n1+n2-p)
> S > F <- ((n1+n2-p-1)/((n1+n2-2)*p))*T2
SA CSA > F
SA 0.8571429 1.142857 [1] 9
CSA 1.1428571 4.285714
> Fcrit <- qf(0.95,p,n1+n2-p-1)
> Fcrit
> solve(S) [1] 5.143253
SA CSA
SA 1.8103448 -0.4827586 > p.value <- 1-pf(F,p,n1+n2-p-1)
CSA -0.4827586 0.3620690 > p.value
[1] 0.015625

15
> library(ICSNP)
> Y <- as.matrix(dat[,c("SA","CSA")])
> muH0 <- c(0,0)
> Method <- factor(dat$Method)
> HotellingsT2(Y~Method,mu=muH0,test = "chi")

Hotelling's two sample T2-test

Hotteling’s T2 = 21, p-value = 0.00002754
data: Y by Method
T.2 = 21, df = 2, p-value = 2.754e-05
alternative hypothesis: true location difference is not equal to c(0,0)

> HotellingsT2(Y~Method,mu=muH0,test = "f")

Hotelling's two sample T2-test

data: Y by Method F = 9, p-value = 0.01562

T.2 = 9, df1 = 2, df2 = 6, p-value = 0.01562
alternative hypothesis: true location difference is not equal to c(0,0)

16
Apa yang dilakukan setelah pengaruh multivariat signifikan?

▪ Bila p-value < 0.05 maka H0 ditolak, maka dapat dilanjutkan uji t secara terpisah
atau ANOVA pada masing-masing variabel dependen dengan level 𝛼 yang
disesuaikan, misal koreksi Bonferroni, 𝛼/𝑝. Misal banyaknya variabel dependen adalah
0.05
2, maka = 0.025 menjadi level alpha yang baru untuk mengevaluasi masing-
2
masing variabel dependen.

17
 Uji univariat
Rata-rata variabel independen
(grup) Rata-rata beda
Variabel
perbandingan F p-value
dependen Behavior
Cognitive perpasangan
modification
SA 5 2 3 21 0.00254
CSA 8 4 4 7.467 0.0292

▪ Oleh karena pengaruh multivariat ada, maka dapat dilanjutkan uji F univariat terpisah.
Untuk mengontrol inflasi dari level alpha, maka digunakan penyesuaian Bonferroni pada
level alpha (0.05/2 = 0.025).
▪ Ada perbedaan signifikan antara grup modifikasi perilaku dan kognitif terhadap kepuasan
klien (F = 21, p-value = 0.00254 < 0.025).
▪ Ada perbedaan marjinal antara grup modifikasi perilaku dan kognitif terhadap penerimaan
diri klien (F = 7.467, p-value = 0.0292  0.025).

18
> anova.g1 <- aov(SA~Method,data=dat)
> summary(anova.g1)
Df Sum Sq Mean Sq F value Pr(>F)
Method 1 18 18.000 21 0.00254 **
Residuals 7 6 0.857
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

> anova.g2 <- aov(CSA~Method,data=dat)

> summary(anova.g2)
Df Sum Sq Mean Sq F value Pr(>F)
Method 1 32 32.00 7.467 0.0292 *
Residuals 7 30 4.29
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

19
> TukeyHSD(anova.g1)
Tukey multiple comparisons of means
95% family-wise confidence level 1.452 < 𝜇𝐶 − 𝜇𝐵 < 4.548
Fit: aov(formula = SA ~ Method, data = dat) Interval ini bernilai positif sehingga 95% yakin
$Method bahwa rata-rata kepuasan klien dengan
diff lwr upr p adj
Cognitive-Behavior 3 1.45199 4.54801 0.002536 metode kognitif lebih tinggi dari modifikasi
perilaku.

> TukeyHSD(anova.g2)
Tukey multiple comparisons of means
95% family-wise confidence level 0.539 < 𝜇𝐶 − 𝜇𝐵 < 7.461
Fit: aov(formula = CSA ~ Method, data = dat)
Interval ini bernilai positif sehingga 95% yakin
bahwa rata-rata penerimaan diri klien dengan
$Method metode kognitif lebih tinggi dari modifikasi
diff lwr upr p adj
Cognitive-Behavior 4 0.5385445 7.461455 0.0292321 perilaku.

20
Multivariat signifikan tetapi univariat tidak signifikan

▪ Jika hipotesis nol multivariat ditolak, maka secara umum setidaknya ada satu
univariat akan signifikan.
▪ Tetapi dimungkinkan bahwa hipotesis nol multivariat ditolak tetapi tidak pada
univariatnya.
▪ Timm (1975) menyatakan penolakan uji multivariat tidak menjamin bahwa ada
setidaknya satu F univariat signifikan.
▪ Uji keseluruhan F signifikan namun pada prosedur Tukey yang digunakan untuk
menentukan pasangan grup mana yang berbeda tidak ditemukan ada yang signifikan.

Uji multivariat memperhatikan perbedaan seluruh variabel dependen secara

bersamaan, sedangkan uji univariat mempertimbangkan perbedaan pada masing-
masing variabel dependen secara terpisah.

21
Hal-hal khusus dalam Hotelling T2 dan MANOVA

▪ Ukuran sampel
1) Minimal ukuran sampel adalah banyaknya pengamatan per variabel dependen harus melebihi
banyaknya variabel dependen.
2) Hair, dkk (1998) menyatakan minimal 20 pengamatan per variabel dependen untuk
memperoleh level power minimum.
▪ Variabel dependen
1) Hotelling T2 atau MANOVA paling efisien bila korelasi negatif tinggi atau korelasi moderat
(0.6) antar variabel dependen (Tabachnick & Fidell, 2001).
2) Variabel dependen dengan korelasi positif tinggi adalah redundan. Solusi dari korelasi kuat
(0.8 atau 0.9) adalah (i) membuat satu komposit variabel dependen baru, (ii) membuang satu
atau lebih variabel dependen sebelum analisis.
3) Analisis multivariat sebaiknya tidak digunakan jika korelasi antar variabel dependen sangat
lemah. Gunakan ANOVA terpisah dengan penyesuaian Bonferroni.
4) Bartlett’s test of sphericity (p-value < 0.001) digunakan sebagai indikasi korelasi yang cukup
antar variabel dependen sehingga analisis multivariat dapat dilakukan.

22
Power dari uji multivariat

▪ Power terkait dengan kecukupan uji statistik dari suatu studi untuk mendeteksi pengaruh
perlakuan aktual.
▪ Power dari uji statistik tergantung dari tiga faktor: level alpha (𝛼), ukuran sampel
(sample size), ukuran efek (effect size, seberapa besar perbedaan perlakuan dibuat, atau
sejauhmana kelompok perlakuan berbeda terhadap variabel dependen).
▪ Power turun seiring dengan level alpha kecil (misal dari 0.05 ke 0.01).
▪ Untuk memperoleh keseimbangan antara alpha dan power maka effect size dari variabel
perlu dipertimbangkan.
▪ Power uji statistik meningkat jika effect size meningkat.
▪ Effect size kecil memerlukan sampel berukuran besar untuk memperoleh power statistik
yang cukup.
▪ Peningkatan ukuran sampel menurunkan sampling error dan meningkatkan power.

23
Effect size
Ukuran pengaruh

Univariat Multivariat
(Cohen, 1988)
Populasi 𝜇1 − 𝜇2 𝐷2 = 𝝁1 − 𝝁2 ′ 𝚺 −1 𝝁1 − 𝝁2
𝑑=
𝜎
Sampel 𝑦ത1 − 𝑦ത2 𝐷2 = 𝒚 ഥ2 ′ 𝐒 −1 𝒚
ഥ1 − 𝒚 ഥ1 − 𝒚
ഥ2
𝑑መ =
𝑠

𝐷2 adalah jarak Mahalanobis.

24
▪ Power sangat tergantung pada ukuran sampel.
▪ Misal uji dua arah pada level 0.05 bagi uji 𝑡 sampel independen, dengan
ukuran efek 0.5 simpangan baku.

n (banyaknya subjek per grup) power

10 0.18
20 0.33
50 0.70
100 0.94

25
▪ Power juga dipengaruhi oleh ukuran efek.
▪ Bagi uji 𝑡, Cohen (1988) menyarankan ukuran efek sekitar 0.20 adalah kecil,
sekitar 0.50 adalah medium, dan lebih dari 0.80 adalah besar.
▪ Cohen dan banyak peneliti menyatakan bahwa ukuran efek kecil dan medium
adalah hal umum dalam penelitian ilmu sosial.

26
Cara meningkatkan power

Misal power sangat buruk dengan 20 subjek per grup, maka 4 metode berikut dapat digunakan
untuk meningkatkan power:
1) Gunakan level 𝛼, 𝛼 = 0.10 atau 𝛼 = 0.15
2) Gunakan uji satu arah jika literatur mendukung hipotesis satu arah. Opsi ini tidak tersedia
untuk uji multivariat karena adanya dua arah.
3) Mempertimbangkan pereduksian keragaman dalam grup (within-group variability). Cara (1)
adalah seleksi sampel, lebih banyak subyek homogen akan mengurangi keragaman dalam
variabel dependen. Misal pilih semua laki-laki daripada laki-laki dan perempuan, gunaka anak
berusia 6 dan 7 tahun dibandingkan anak usia 6 sampai 9 tahun. Cara (2): rancangan
factorial, (3) analisis kovarians, (4) rancangan pengukuran berulang.
4) Yakinkan bahwa ada keterkaitan yang kuat antara perlakuan dan variabel-variabel dependen.

27
Stevens (2016, page 166)

28
Contoh: Misal studi dua grup dengan 25 subjek per grup dan menggunakan 4
variabel dependen dan diperoleh F multivariat = 2.81. Berapa power dugaan
pada level 0.05?
𝑛1 +𝑛2 −𝑝−1 2 𝑛1 +𝑛2 −2 𝑝𝐹
▪ Konversi nilai F ke T2: 𝐹 = 𝑇 atau 𝑇 2 = .
𝑛1 +𝑛2 −2 𝑝 𝑛1 +𝑛2 −𝑝−1

25+25−2 (4)(2.81)
▪ 𝑇2 = = 11.99.
25+25−4−1

−1
2 ′ 1 1 𝑛1 𝑛2
▪ 𝑇 = 𝒚
ഥ1 − 𝒚
ഥ 2 − 𝝁0 + 𝐒𝑝 ഥ1 − 𝒚
𝒚 ഥ 2 − 𝝁0 = 𝐷2
𝑛1 𝑛2 𝑛1 +𝑛2

𝑛1 +𝑛2 25+25
▪ 𝐷2 = 𝑇 2 = 11.99 = 0.96
𝑛1 𝑛2 (25)(25)

▪ Dalam Tabel diatas tidak ada power untuk 4 variabel, lalu interpolasi antara 3 dan 5 variabel, dengan 𝐷2 = 1.

Banyaknya variabel 𝑛 𝐷2 = 1
3 25 0.8
5 25 0.72

▪ Aproksimasi bagi power adalah (0.8+0.72)/2 = 0.76 (power yang cukup). Dalam hal ini analisis univariatm dengan ukuran
efek besar, tidak banyak partisipan diperlukan per grup untuk memeproleh power yang cukup.
29
Contoh: Misal MANOVA dua grup dengan 5 variabel dependen, 22 subjek pada
grup 1 dan 32 subjek pada grup 2. Diperoleh F multivariat = 1.61, yang tidak
signifikan pada level 0.05 (nilai kritis = 2.42). Hitunglah power pada level 0.05
dan berikan pendapatmu!
▪ Oleh Karena ukuran sampel pada kedua grup tidak sama, maka menurut Cohen (1977),
rata-rata harmonik bagi 2 grup digunakan sebagai berikut
2 22 32
𝑛෤ = 2𝑛1 𝑛2 Τ 𝑛1 + 𝑛2 = = 26.07
22+32
𝑛1 +𝑛2 −2 𝑝𝐹 22+32−2 5 1.61
▪ 𝑇2 = = = 8.72
𝑛1 +𝑛2 −𝑝−1 22+32−5−1
𝑛 +𝑛 22+32
▪ 𝐷2 = 𝑇 2 1 2 = 8.72 = 0.67, dengan 𝑛 = 25 dan 𝐷2 = 0.64 dari Tabel
𝑛1 𝑛2 (22)(32)
diperoleh power = 0.42. Sebenarnya, power sedikit lebih besar dari 0.42 karena 𝑛 = 26
dan 𝐷2 = 0.67 namun tetap tidak mencapai 0.50. Sehingga power tidak cukup dalam
hal ini, tetapi effect size termasuk kategori medium maka signifikan secara praktis.

30
Contoh: Misal dari pilot studi atau studi sebelumnya yang menggunakan subjek yang
serupa, peneliti memperoleh matriks kovarians dalam grup gabungan dari 3 variabel
sebagai berikut
16 6 1.6
𝐒 = 6 9 .9
1.6 .9 1
Untuk mengestimasi 𝐷 2 , perbedaan antara vektor rata-rata harus diestimasi lebih
dahulu. Misal peneliti memperoleh informasi dari studi sebelumnya bahwa perbedaan
rata-rata pada variabel 1 dan 2 adalah 2 dan 1.5. Peneliti berharap beda rata-rata pada
variabel 3 adalah 0.2. Berapa subjek per grup diperlukan pada 𝛼 = 0.10 untuk
mendeteksi perbedaan dengan power 0.70?

0.0917 −0.0511 −0.1008 2

▪ 𝐷2 = 𝒚ഥ1 − 𝒚ഥ2′ 𝐒 −1 ഥ1 − 𝒚
𝒚 ഥ2 = 2,1.5,0.2 −0.0511 0.1505 −0.0538 1.5 = 0.3347
−0.1008 −0.0538 1.2100 0.2
▪ Power = 0.70 dengan 3 variabel dan 𝛼 = 0.10, dari Tabel :
𝑛 = 50 dan 3 variabel, power = 0.65 untuk 𝐷2 = 0.25 dan power = 0.98 untuk 𝐷2 = 0.64.
▪ Sehingga kira-kira 50 subjek per grup.

31
Contoh: MANOVA (mental.csv)
Studi pengaruh jenis terapi (perilaku kognitif vs psikoanalitik) sebagai
variabel independen atau grup terhadap variabel dependen dari kesehatan
mental pasien (Global Assessment Functioning (GAF) dan consumer service
satisfaction, Client Satisfaction Questionnaire-8, CSQ8). 𝑛1 = 30, 𝑛2 = 25.

> mental <- read.csv(file="C:/data/mental.csv")

> head(mental)
GAF CSQ8 Therapy
> tail(mental)
1 65 30.3 Cognitive
GAF CSQ8 Therapy
2 69 27.1 Cognitive
50 55 25.5 Psychoanalytic
3 73 31.0 Cognitive
51 60 23.2 Psychoanalytic
4 60 29.4 Cognitive
52 60 23.0 Psychoanalytic
5 58 27.4 Cognitive
53 65 22.0 Psychoanalytic
6 70 30.1 Cognitive
54 65 24.0 Psychoanalytic
55 50 25.0 Psychoanalytic

32
 Summary Statistics
> library(psych)
> describeBy(mental$GAF,group=mental$Therapy)
Descriptive statistics by group
group: Cognitive
vars n mean sd median trimmed mad min max range skew kurtosis se
X1 1 30 65.23 5.62 65 65.5 7.41 55 75 20 -0.32 -1.03 1.03
---------------------------------------------------------
group: Psychoanalytic
vars n mean sd median trimmed mad min max range skew kurtosis se
X1 1 25 58.32 6.84 59 58.29 8.9 45 70 25 -0.1 -1.14 1.37

> describeBy(mental$CSQ8,group=mental$Therapy)
Descriptive statistics by group
group: Cognitive
vars n mean sd median trimmed mad min max range skew kurtosis se
X1 1 30 28.43 1.9 28.6 28.55 2.37 24.3 31 6.7 -0.33 -0.99 0.35
---------------------------------------------------------
group: Psychoanalytic
vars n mean sd median trimmed mad min max range skew kurtosis se
X1 1 25 25.08 1.72 25 25.04 1.48 22 29 7 0.19 -0.42 0.34

33
> x1 <- subset(mental$GAF,mental$Therapy == "Cognitive")
> y1 <- subset(mental$CSQ8,mental$Therapy == "Cognitive")
Correlations
> cor.test(x1,y1,method="pearson",alternative="two.sided")
Pearson's product-moment correlation
data: x1 and y1
t = 2.4943, df = 28, p-value = 0.01879
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.07811949 0.68190679
sample estimates:
cor
0.4263884

> x2 <- subset(mental$GAF,mental$Therapy == "Psychoanalytic")

> y2 <- subset(mental$CSQ8,mental$Therapy == "Psychoanalytic")
> cor.test(x2,y2,method="pearson",alternative="two.sided")
Pearson's product-moment correlation
data: x2 and y2
t = 0.41381, df = 23, p-value = 0.6828
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.3200356 0.4652921
sample estimates:
cor
0.08596624
34
 Grup 1: Cognitive-Behavioral Grup 2: Psychoanalytic
GAF CSQ8 GAF CSQ8
Mean 65.23 28.43 58.32 25.08
SD 5.62 1.9 6.84 1.72
Korelasi 𝑟 = 0.426, 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.019 𝑟 = 0.086, 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.683

▪ Simpangan baku dari variabel dependen pada masing-masing grup cukup dekat,
menyatakan tingkat keragaman yang sebanding untuk setiap variabel dependen.
▪ Korelasi positif moderat (𝑟 = 0.426) untuk grup cognitive-behavioral dan
korelasi dekat nol (𝑟 = 0.086) untuk grup psychoanalytic. Korelasi-korelasi
tersebut menyatakan keragaman dalam kovarians variabel dependen.

35
Uji homogenitas matriks kovarians: Box’s M test

> library(biotools)
> X <- as.matrix(mental[,c("GAF","CSQ8")])
> boxM(X,mental$Therapy)
Box's M-test for Homogeneity of Covariance Matrices
data: X
Chi-Sq (approx.) = 3.3717, df = 3, p-value = 0.3378

▪ Hipotesis: 𝐻0 : 𝚺1 = 𝚺2 vs 𝐻1 : 𝚺1 ≠ 𝚺2 (1: Cognitive, 2: Pyschoanalytic).

▪ Dari uji Box’s M untuk homogenitas matriks kovarians diperoleh hasil yang tidak
signifikan (p-value = 0.3378 > 0.05) sehingga asumsi homogenitas matriks kovarians
terpenuhi, 𝚺1 = 𝚺2 .

36
Uji interkorelasi bagi variabel dependen

Statistik Signifikansi
Bartlett’s test of sphericity 𝜒 2 = 15.228 p-value = 0.0001
Pearson correlation:
GAF by CSQ8 0.5017811 p-value = 0.000

Bartlett’s test of sphericity menunjukkan signifikan secara statistik (p-value = 0.0001

< 0.05). Hal ini mengindikasikan bahwa korelasi cukup antara dua variabel dependen
(GAF dan CSQ8) untuk dilanjutkan analisis. Korelasi Pearson antara GAF dan CSQ8
adalah positif moderat (𝑟 = 0.502) .

37
> library(REdaS)
> bart_spher(as.matrix(mental[,c("GAF","CSQ8")]))
Bartlett's Test of Sphericity
Call: bart_spher(x = as.matrix(mental[, c("GAF", "CSQ8")]))
X2 = 15.228
df = 1
p-value = .0001

> cor.test(mental$GAF,mental$CSQ8, conf.level = 0.95)

Pearson's product-moment correlation

data: mental$GAF and mental$CSQ8

t = 4.2232, df = 53, p-value = 9.505e-05
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.2727993 0.6769606
sample estimates:
cor
0.5017811
38
Uji normal multivariat
Hipotesis:
H0: Data berdistribusi normal multivariat
H1: Data tidak berdistribusi normal multivariat

Grup Uji Henze-Zirkler Uji Royston

Cognitive-Behavioral HZ = 0.9642 H = 5.2304

p-value = 0.0173 p-value = 0.0741
Psychoanalytic HZ = 0.3684 H = 0.8078
p-value = 0.5931 p-value = 0.6677

Berdasarkan uji Royston, diperoleh semua p-value lebih dari 0.05. Kedua
variabel dependen (GAF dan CSQ8) mengikuti distribusi normal multivariat
pada masing-masing grup.

39
Uji normal multivariat dengan R
> # Grup1: Cognitive-Behavioral
> C <- subset(mental,Therapy == "Cognitive", select = c(GAF, CSQ8))
> library(MVN)
> result.hz <- mvn(data = C, mvnTest = "hz")
> result.hz$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.9641606 0.01725498 NO

> result.roy <- mvn(data = C, mvnTest= "royston")

> result.roy$multivariateNormality
Test H p value MVN
1 Royston 5.23042 0.07413114 YES

> mvn(data = C, mvnTest= "royston", multivariatePlot = "qq")

> # to get normality multivariate plot

40
> # Grup2: Psychoanalytic
> P <- subset(mental, Therapy == "Psychoanalytic", select = c(GAF, CSQ8))
> result.hz <- mvn(data = P, mvnTest = "hz")
> result.hz$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.3683675 0.5931084 YES

> result.roy <- mvn(data = P, mvnTest = "royston")

> result.roy$multivariateNormality
Test H p value MVN
1 Royston 0.80783 0.6677035 YES

> # to get normality multivariate plot

> mvn(data = P, mvnTest= "royston", multivariatePlot = "qq")

41
 Asumsi normal multivariat: Q-Q Plot
Cognitive Psychoanalytic

▪ Dari Chi-Square Q-Q plot untuk grup Cognitive terlihat bahwa ada beberapa penyimpangan
titik—titik dari garis lurus mengindikasikan kemungkinan pelanggaran dari distribusi normal
multivariat.
▪ Dari Chi-Square Q-Q plot untuk grup Psychoanalitic terlihat bahwa titik-titik dekat dengan
garis lurus mengindikasikan terpenuhinya asumsi distribusi normal multivariat.
42
MANOVA
> library(car)
> fit <- lm(cbind(GAF,CSQ8)~ Therapy,data=mental)
> table <- Manova(fit)
> summary(table,multivariate=TRUE)
Type II MANOVA Tests:
Sum of squares and products for error:
GAF CSQ8
GAF 2036.807 156.3180
CSQ8 156.318 176.0966
------------------------------------------
Term: Therapy
Sum of squares and products for the hypothesis:
GAF CSQ8
GAF 651.7388 315.4365
CSQ8 315.4365 152.6689
Multivariate Tests: Therapy
Df test stat approx F num Df den Df Pr(>F)
Pillai 1 0.4946093 25.44534 2 52 1.9693e-08 ***
Wilks 1 0.5053907 25.44534 2 52 1.9693e-08 ***
Hotelling-Lawley 1 0.9786671 25.44534 2 52 1.9693e-08 ***
Roy 1 0.9786671 25.44534 2 52 1.9693e-08 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

43
 Misal 1: Cognitive-Behavioral, 2: Psychoanalytic
MANOVA Hipotesis:
𝜇𝐺𝐴𝐹1 − 𝜇𝐺𝐴𝐹2 0
𝐻0 : 𝝁1 − 𝝁2 = 𝝁0 atau 𝐻0 : 𝜇 =
𝐶𝑆𝑄81 − 𝜇𝐶𝑆𝑄82 0
𝐻1 : 𝝁1 − 𝝁2 ≠ 𝝁0
> library(ICSNP)
> Factor <- mental$Therapy
> HotellingsT2(as.matrix(mental[,c("GAF","CSQ8")])~Factor, mu=c(0,0),test="chi")
Hotelling's two sample T2-test
data: as.matrix(mental[, c("GAF", "CSQ8")]) by Factor
T.2 = 51.869, df = 2, p-value = 5.454e-12
alternative hypothesis: true location difference is not equal to c(0,0)

▪ Berdasarkan uji Roy’s largest root diperoleh nilai F = 25.445 dan p-value <
0.0001 yang signifikan secara statistik (tolak H0). Sehingga pada level signifikansi
0.05 dapat disimpulkan bahwa kedua vektor grup rata-rata tidak sama (jenis
terapi mempunyai pengaruh pada kedua variabel dependen (GAF dan CSQ8).
▪ Berdasarkan T2 Hotelling diperoleh T2 = 51.869 dengan p-value < 0.0001.

44
Uji univariat
Rata-rata variabel independen
Variabel (grup) Rata-rata beda
F p-value
dependen Cognitive- perbandingan perpasangan
Psychoanalytic
Behavioral
GAF 65.233 58.320 6.913 16.959 0.0001344
CSQ8 28.430 25.084 3.346 45.949 1.025e-08

▪ Oleh karena pengaruh multivariat ada, maka dapat dilanjutkan uji F univariat terpisah.
Untuk mengontrol inflasi dari alpha, maka digunakan penyesuaian Bonferroni pada level
alpha (0.05/2 = 0.025). Pada uji F (masing-masing variabel dependen) dengan level alpha
dikoreksi diperoleh bahwa signifikan secara statistik (masing-masing p-value < 0.025).
▪ Berdasarkan rata-rata variabel independen diperoleh bahwa terapi cognitive-behavioral
menghasilkan hasil klinik lebih tinggi (skor GAF) dan lebih vesar dari kepuasan layanan
(CSQ8) daripada perlakuan psychoanalytic.
45
Uji F univariat
> fit <- manova(cbind(GAF,CSQ8)~ Therapy,data=mental)
> summary.aov(fit)
Response GAF :
Df Sum Sq Mean Sq F value Pr(>F)
Therapy 1 651.74 651.74 16.959 0.0001344 ***
Residuals 53 2036.81 38.43
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Response CSQ8 :
Df Sum Sq Mean Sq F value Pr(>F)
Therapy 1 152.67 152.669 45.949 1.025e-08 ***
Residuals 53 176.10 3.323
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

> GAF.C = subset(mental[,c("GAF")],mental$Therapy == "Cognitive")

> GAF.P = subset(mental[,c("GAF")],mental$Therapy == "Psychoanalytic")
> CSQ8.C = subset(mental[,c("CSQ8")],mental$Therapy == "Cognitive")
> CSQ8.P = subset(mental[,c("CSQ8")],mental$Therapy == "Psychoanalytic")
> data.frame(mean(GAF.C),mean(GAF.P),mean(CSQ8.C),mean(CSQ8.P))
mean.GAF.C. mean.GAF.P. mean.CSQ8.C. mean.CSQ8.P.
1 65.23333 58.32 28.43 25.084

46
 Effect size 𝐷2 = 0.25 pengaruh kecil, 𝐷2 = 0.50 pengaruh medium, dan 𝐷2 > 1 pengaruh besar

> X1 <- as.matrix(subset(mental[,c("GAF","CSQ8")],mental$Therapy == "Cognitive"))

> X2 <- as.matrix(subset(mental[,c("GAF","CSQ8")],mental$Therapy == "Psychoanalytic"))
> X <- as.matrix(mental[,c("GAF","CSQ8")])
> S <- cov(X)
> D2.mahalanobis <- t(colMeans(X1)-colMeans(X2))%*%solve(S)%*%(colMeans(X1)-colMeans(X2))
> D2.mahalanobis
[,1]
[1,] 1.958653
> as.numeric(D2.mahalanobis)
[1] 1.958653

Ukuran pengaruh sebesar 1.959 (pengaruh yang besar). Ukuran ini menjelaskan
bahwa besarnya perbedaan perlakuan yang dibuat sebesar 1.959.

47