3.

2 UJI KEBEBASAN PADA TABEL KONTIGENSI DUA ARAH

Asumsikan sampling multinomial dengan probabilitas { π ij } pada tabel kontigensi I x J

Dengan hipotesis null H 0 : π ij =π i+¿ π +j ¿ untuk semua I dan j.

3.2.1 UJI PEARSON DAN RASIO LIKELIHOOD CHI-SQUARE

 Sebelumnya telah diperkenalkan statistik Pearson X 2 untuk uji peluang
multinomial. Sebuah uji dengan H 0 :independenmenggunakan X 2 dengan ni
ditempatkan pada ni j dan μi j =n π i+¿ π ¿ ditempatkan pada μi. Disini μij =E( nij )
+j

berada didalam H 0 . Biasanya nilai ¿ dan { π + j } tidak diketahui. Estimator Ml

^π n
merupakan proporsi sampel marginal 1+¿= n ¿¿ dan ^π +1= +1 . Jadi dilakukan 1+¿
n n
nπ
estimasi frekuensi harapan { μij =¿ i+¿ π =
n
+j
2
}¿¿. Maka nilai X setara dengan
i+¿n + j

n
2
2 ( nij −^μij )
X =∑ ∑
i j ^μij

 Mengganti { μij } dengan { ^μij } tidak akan mempengaruhi distribusi X 2

 Karena tabel kontigensi memiliki ij kategori, X 2 akan asimtotik chi-square
dengan df =ij−1. Sebaliknya, karena { ^μij } memerlukan perkiraan nilai¿ dan { π + j }
, maka

df =( IJ−1 )−( I −1 )− ( J −1 )=(I −1)(J −1)

nπ
 Dengan H 0 :independen, μij =¿ i+¿ π +j =
n i+¿n+j
¿¿ . Dalam kasus umum dimana
n

nij
^π ij = . Rasio likelihood setara dengan
n

Λ=∏ ∏ ¿ ¿ ¿ ¿ ¿
i j

 Statistik chi-square pada rasio likelihood adalah −2 log Λ yang dinotasikan

dengan G 2, atau
nij
2
G =−2 log Λ=2 ∑ ∑ nij log
i j μ^ ij ( )
Semakin besar nilai G 2 dan X 2 maka semakin kuat bukti untuk menolak H 0
3.2.3 KECUKUPAN APROKSIMASI CHI-SQUARE
 Konvergensi distribusi sampling X 2 atau G 2 ke distribusi chi square berlaku saat
n meningkat menyebabkan { μij =n π ij } meningkat untuk jumlah kolom yang tetap
 Jika jumlah kolom meningkat, distribusi multinomial dari { n ij } lebih baik
diaproksimasikan dengan distribusi multivariat normal dimana X 2 dan G2 lebih
dekat ke distribusi chi square
 Kekonvergenan X 2 terhadap distribusi chi-square lebih cepat dibandingkan G 2
n
 Kecukupan pada aproksimasi bergantung pada n dan jumlah sel. Ukuran yang
IJ
menghasilkan aproksimasi yang cukup untuk X 2 cenderung menurun jika IJ
bertambah
 Tabel kontigensi yang memiliki jumlah sel yang sedikit disebut sparse.
 Cochran menyebutkan jika df >1, nilai harapan minimum μij ≈ 1 diperbolehkan
asalkan tidak lebih dari 20% dari μij <5
 Perhitungan dengan menggunakan G 2 memberikan hasil yang lebih buruk ketika
n
<5
IJ
 Ketika μij <0.50, menganggap G 2sebagai chi-square memberikan uji yang sangat
konservatif ketika H 0 benar maka p-value cenderung lebih besar
 Ketika 0.50< μij < 4, maka p-value cenderung lebih kecil

3.2.4 CHI-SQUARE DAN MEMBANDINGKAN PROPORSI DUA TABEL

 Tabel 2x2 meringkas hasil untuk variasi independen binomial y 1 dan y 2 dengan
pengulangan sebanyak n1 dan n2
 Independen ekuivalen dengan kondisi homogeny dimana π 1=π 2
y1+ y2
 Dibawah H 0 :π 1=π 2, estimasi nilai dari π 1=π 2 adalah ^π = dengan statistik
n1 + n2
uji

π^ 1− π^ 2
z=
1 1
√ π^ (1− ^π )
( +
n 1 n2 )
 Statistik itu berhubungan dengan Pearson untuk menguji independensi pada tabel
2x2 dengan z 2=X 2
 Misalkan z berdistribusi normal maka z 2 berdistribusi chi-square dengan df =1
yang mana ( I −1)(J −1) berlaku dengan I =J=2
 Formula untuk X 2 ,
 2 n (n11 n22 −n12 n21)2
X =
n1 +¿n ¿¿ 2+ ¿n+1 n+2

3.2.5 INTERVAL KEPERCAYAAN MEMBANDINGKAN PROPORSI

 Metode score untuk membentuk interval untuk membandingkan proporsi
menguji H 0 :π 1−π 2=∆ 0 dimana ∆ 0 tidak harus nol
 Misalkan ^π 1 ( ∆0 ) dan ^π 2 ( ∆0 ) adalah estimasi ML dari π 1dan π 2 yang memenuhi
π 1−π 2=∆0
 Statistic uji skor,

( ^π 1−^π 2 )−∆0
z (∆¿ ¿ 0)= ¿
π^ 1 ( ∆0 ) [1− ^π 1 ( ∆0 ) ] π^ 2 ( ∆0 ) [1− π^ 2 ( ∆ 0) ]
√ n1
+
n2

Interval kepercayaan untuk skor adalah ¿

 Distribusi bersama { π ij } ekuivalen dengan ¿ untuk nonnull odds ratio θ0 .
Misalkan { μ^ ij (θ0 ) } menjadi estimasi frekuensi yang diharapkan unik yang
memiliki margin baris dan kolom yang sama yaitu { n ij } dan memenuhi

μ^ 11 ( θ0 ) μ^ 22(θ 0)
θ0 =
μ^ 12 ( θ0 ) ^μ21 (θ0)

2 ∑ (nij − μ^ ij ( θ0 ) )2 2
X ( θ0 ) = < X (α ) 1
μ^ ij (θ0 )

Membentuk 100 ( 1−α ) % interval kepercayaan untuk uji skor. Interval ini juga
koheren dengan Pearson Chi Square untuk H 0 :θ=1

3.2.6 LIKELIHOOD PROFIL PADA INTERVAL KEPERCAYAAN

 Untuk { μ^ ij (θ0 ) }, memenuhi

nij
G2 ( θ0 )=2 ∑ ∑ nij log
i j
[ ^μij (θ 0)]< X 21( α )

Membentuk 100 ( 1−α ) % interval kepercayaan untuk uji rasio likelihood

  Misalkan akan dicari interval kepercayaan untuk model dengan parameter β .
Misalkan didefinisikan parameter nuisance peluang marginal pad atabel
kontigensi 2x2 yaitu ψ
 Uji rasio likelihood dengan H 0 : β=β 0 untuk memeriksa apakah β 0 termasuk
dalam interval kepercayaan
 ^ 1 ( β 0) ) sebagai fungsi dari β 0
Profile log-likelihood function dinotasikan L ( β 0 , ψ
 Interval kepercayaan profile likelihood untuk β adalah

[ ^ ) < X 21 ( α )
−2 L ( β 0 , ψ^ 1 ( β 0 ) )−L ( β^ , ψ ]
3.3 UJI CHI-SQUARE
3.3.1 RESIDUAL PEARSON DAN RESIDUAL YANG DISTANDARKAN

 Dibawah H 0, selisih yang semakin besar antara ( n ij− μ^ ij ) sering terjadi dalam
kolom dengan μij yang besar
 Residual Pearson didefinisikan,
n −^μ
e ij = ij ij
√ ^μij
2
Residual Pearson terkait dengan statistik Pearson ∑ ∑ eij
i j

 Dibawah H 0, {eij } adalah normal asimptotik dengan mean 0. Bagaimanapun,

varians asimptotiknya adalah kurang dari 1, yang merupakan rata-rata dari
(I −1)(J −1)
IJ
 Residual Pearson yang distandarkan adalah asimptotik terhadap hasil normal
standar yang dihasilkan dari membagi ( n ij− μ^ ij ) dengan standar error. Untuk
H 0 :independen, maka
nij −^μij
r ij =
√ μ^ ij ¿ ¿ ¿
 Jika nilai residual Pearson yang distandarkan bernilai lebih dari 2 atau 3 dalam
nilai mutlak, maka hal ini mengindikasikan terjadinya ketidaksesuaian H 0 dalam
kolom tersebut. Nilai yang lebih besar akan lebih sesuai jika derajat bebas besar.