Menurut model pada (6-38), setiap komponen vektor observasi X lj memenuhi model
univariat (6-3). Kesalahan untuk komponen X lj berkorelasi, tetapi matriks kovariansi Σ
sama untuk semua populasi.
Vektor pengamatan dapat diuraikan seperti yang disarankan oleh model. Jadi,
x lj = x́ + ( x́ l−x́ ) + ( x ¿ ¿ lj− x́ l )¿
Dekomposisi di (6.39) mengarah ke analog multivariat dari jumlah kuadrat univariat dari
(6.35). Pertama perhatikan hasil
nl
Jumlah di atas j dari dua ekspresi tengah adalah matriks nol, karena ∑ (x ¿¿ lj¿−x́)=0 ¿ ¿
j=1
Oleh karena itu, menjumlahkan hasil perkalian silang di atas l dan j menghasilkan
g nl g g nl
( JKdanTotal ( terkoreksi )
hasil kali silang )
= ( JKdanperlakuan ( diantara )
hasil kali silang )
+ ( JKdanresidual ( didalam )
hasil kali silang )
Jumlah kuadrat within dan hasil kali silang matriks dapat dinyatakan sebagai
dengan Sl adalah matriks kovarians sampel untuk sampel ke-l. Matriks ini adalah
generalisasi dari matriks (n1 + n2 – 2) Spooled yang dijumpai pada kasus dua sampel. Ini
memainkan peran dominan dalam pengujian keberadaan efek perlakuan.
Analog dengan hasil univariat, hipotesis tidak ada efek perlakuan,
diuji dengan mempertimbangkan ukuran relatif dari perlakuan dan jumlah sisa kuadrat
dan produk silang. Dengan cara yang sama, dapat mempertimbangkan ukuran relatif dari
sisa dan jumlah kuadrat total (dikoreksi) dan produk silang.
Secara formal, meringkas perhitungan yang mengarah ke statistik uji dalam tabel
MANOVA.
Tabel MANOVA untuk Membandingkan Vektor Rata-rata Populasi
Tabel ini adalah bentuk yang persis sama, komponen demi komponen, seperti tabel
2
ANOVA, kecuali bahwa kuadrat skalar diganti dengan vektornya. Sebagai contoh,( x́ l−x́ )
menjadi ( x́ l−x́ ) ( x́ l−x́ ) ' . Derajat kebebasan sesuai dengan geometri univariat dan juga
beberapa teori distribusi multivariat yang melibatkan kerapatan Wishart.
Salah satu uji H 0 :τ 1=τ 2=…=τ g=0 melibatkan varian umum. menolak H0 jika
rasio varians digeneralisasi.
terlalu kecil. Kuantitas Λ =|W |/|B+W | yang awalnya diusulkan oleh Wilks sesuai dengan
¿
bentuk ekuivalen (6-37) dari uji-F H0: tidak ada efek perlakuan dalam kasus univariat.
Wilks’ Lambda memiliki kebaikan dan terkait dengan kriteria rasio kemungkinan.
Distribusi tepat Λ¿ dapat diturunkan untuk kasus-kasus khusus yang tercantum dalam
Tabel 6.3. Untuk kasus lain dan ukuran sampel yang besar, modifikasi Λ * karena Bartlett
dapat digunakan untuk menguji H0.
Tabel 6.3 Distribusi Wilks’ Lambda, Λ =|W |/|B+W |
¿
memiliki kira-kira distribusi chi-kuadrat dengan derajat bebas p (g - 1). Akibatnya, untuk
∑ nl=n besar, H0 ditolak pada level signifikan α jika
2
Dimana χ n ( p−1) ( α ) adalah persentil atas (l00α) th dari distribusi chi-kuadrat dengan derajat
bebas p(g – 1 )
Contoh 6.9 (Tabel MANOVA dan Wilks’ Lambda untuk menguji persamaan tiga vektor
rata-rata)
Misalkan variabel tambahan diamati bersama dengan variabel yang diperkenalkan dalam
Contoh 6.7. Ukuran sampelnya adalah n1 = 3, n2 = 2, dan n3 = 3.
Menyusun pasangan observasi x lj dalam baris, didapatkan.
Telah diungkapkan pengamatan pada variabel pertama sebagai jumlah dari mean
keseluruhan, efek perlakuan, dan residual dalam diskusi tentang ANOVA univariat.
ditemukan bahwa
Karena p = 2 dan g = 3, Tabel 6.3 menunjukkan bahwa uji eksak (dengan asumsi
normalitas dan matriks kovarian kelompok yang sama) dari H 0 :τ 1=τ 2=τ 3 =0 (tidak ada
efek perlakuan) versus H1: setidaknya satu τ l ≠ 0 tersedia.Untuk melakukan uji,
membandingkan statistik uji
dengan persentase titik dari distribusi-F yang memiliki derajat bebas v1 = 2 (g - 1) = 4 dan
v 2=2 ( ∑ nl−g−1 ) = 8. Karena 8.19 > F 4,8 ( α ) = 7.01, maka H0 ditolak pada level α = .01dan
menyimpulkan bahwa ada perbedaan perlakuan.
Jika jumlah variabel, p, besar, tabel MANOVA biasanya tidak dibuat. Namun, tetap
merupakan praktik yang baik untuk mencetak matriks B dan W sehingga entri yang
sangat besar dapat ditemukan. Juga, vektor sisa
harus diperiksa untuk normalitas dan keberadaan pencilan menggunakan teknik yang
dibahas dalam Bagian 4.6 dan 4.7 dari Bab 4.
Contoh 6.10 (Analisis multivariat dari data panti jompo Wisconsin).
Departemen Kesehatan dan Layanan Sosial Wisconsin mengganti biaya panti jompo
di negara bagian untuk layanan yang diberikan. Departemen mengembangkan
sekumpulan formula untuk tarif untuk setiap fasilitas, berdasarkan faktor-faktor seperti
tingkat perawatan, tingkat upah rata-rata, dan tingkat upah rata-rata di negara bagian.
Panti jompo dapat diklasifikasikan atas dasar kepemilikan (pihak swasta, organisasi
nirlaba, dan pemerintah) dan sertifikasi (fasilitas perawatan terampil, fasilitas perawatan
menengah, atau kombinasi keduanya).
Salah satu tujuan dari studi baru-baru ini adalah untuk menyelidiki pengaruh
kepemilikan atau sertifikasi (atau keduanya) terhadap biaya. Empat biaya, dihitung
berdasarkan hari per pasien dan diukur dalam jam per hari pasien, dipilih untuk analisis:
X1 = biaya tenaga kerja perawat, X2 = biaya tenaga kerja diet, X3 = biaya operasi
perusahaan dan tenaga pemeliharaan, dan X4 = biaya pembenahan dan laundry. Sebanyak
n = 516 pengamatan pada masing-masing p = 4 variabel biaya awalnya dipisahkan
menurut kepemilikan.
Ringkasan statistik untuk masing-masing kelompok g = 3 diberikan pada tabel berikut.
Matriks kovarian sampel
Juga
Dan
Untuk menguji H 0 :τ 1=τ 2=τ 3 (tidak ada efek kepemilikan atau, ekuivalen, tidak ada
perbedaan biaya rata-rata di antara tiga jenis pemilik-swasta, nirlaba, dan pemerintah),
kita dapat menggunakan hasil pada Tabel 6.3 untuk g = 3.
Perhitungan berbasis komputer memberikan
Dan
Diberikan α = .01, sehingga F 2( 4 ), 2 (510 ) ( .01 )= χ 28 (.01) /8=2.51. Karena 17.67 > F8,1020(.01) =
2.51, H0 ditolak pada level 1% dan menyimpulkan bahwa biaya rata-rata berbeda,
bergantung pada jenis kepemilikan.
Adalah informatif untuk membandingkan hasil berdasarkan uji yg "tepat" ini dengan
hasil yang diperoleh dengan menggunakan prosedur sampel besar yang diringkas dalam
(6-43) dan (6-44). Untuk contoh ini, ∑ nl=n = 516 besar, dan H0 dapat diuji pada tingkat
α = 0.01 dengan membandingkan
Dengan χ 2p ( g−1) ( .01 )= χ 28 ( .01 )=20.09. Karena 132.76 > 20.09, H0 ditolak pada lavel 1%. Hasil
ini sesuai dengan hasil berdasarkan statistik-F di atas.
Dan τ^ ki−^τ li= x́ki −x́ li adalah perbedaan antara dua mean sampel independen.
Interval kepercayaan berbasis-t dua sampel valid dengan α. Perhatikan
di mana σii adalah elemen diagonal ke-i dari Σ.Seperti yang disarankan oleh (6-41),
Var ( X́ ki− X́ li ) diperkirakan dengan membagi elemen W yang sesuai dengan derajat
kebebasannya.
Itu adalah
dimana ω ii adalah elemen diagonal ke-i dari W dan n = n1 + ... + ng.
Itu tetap untuk membagi tingkat kesalahan di atas banyak pernyataan kepercayaan. Relasi
(5-28) masih berlaku. Ada p variabel dan g (g - 1) / 2 perbedaan berpasangan, jadi setiap
dua sampel t-interval akan menggunakan nilai kritis tn-g(α/2m).
Result 6.5. Diberikan n=∑ nk . Untuk model di (6-38), dengan keyakinan setidaknya (1 –
k=1
α ).
Karena itu,
Dan n = 271 + 138 + 107 = 516, sehingga
Dapat disimpulkan bahwa biaya pemeliharaan dan tenaga kerja rata-rata untuk panti
jompo milik pemerintah lebih tinggi sebesar 0,025 hingga 0,061 jam per hari pasien
daripada untuk panti jompo milik pribadi. Dengan kepercayaan 95% yang sama, kami
dapat mengatakannya
τ 13−τ 23 termasuk dalam interval (- .058, -.026 )
Jadi, perbedaan biaya ini ada antara panti jompo swasta dan nirlaba, tetapi tidak ada
perbedaan yang diamati antara panti jompo nirlaba dan pemerintah.
di mana Σl adalah matriks kovariansi untuk populasi yg ke-l, l =1, 2, … , g, dan Σ adalah
asumsi matriks kovarians umum. Hipotesis alternatifnya adalah bahwa setidaknya dua
matriks kovarian tidak sama.
Dengan asumsi populasi normal multivariat, statistik rasio kemungkinan untuk pengujian
(6.47) diberikan oleh
Di sini nl adalah ukuran sampel untuk kelompok ke-l, Sl adalah matriks kovarians sampel
kelompok ke-l dan Spooled adalah matriks kovarian sampel gabungan yang diberikan oleh
Uji Box didasarkan pada perkiraan χ 2 nya. dengan distribusi sampling -21n Λ (lihat
Result 5.2). Pengaturan -2 ln Λ = M (statistik Box’s M ) memberikan
Jika hipotesis nol benar, matriks kovarians sampel individu tidak diharapkan berbeda
terlalu banyak dan, akibatnya, tidak terlalu berbeda dari matriks kovarian gabungan.
Dalam hal ini, rasio determinan di (6-48) semuanya akan mendekati 1, Λ akan mendekati
1 dan statistik Box M akan kecil. Jika hipotesis nol salah, matriks kovarian sampel dapat
lebih berbeda dan perbedaan determinannya akan lebih jelas. Dalam hal ini Λ akan
menjadi kecil dan M akan relatif besar. Untuk mengilustrasikan, perhatikan bahwa
determinan matriks kovarian gabungan, |Spooled|, akan terletak di suatu tempat di dekat
"tengah" determinan |Sl| dari matriks kovarian kelompok individu. Ketika kuantitas
terakhir menjadi lebih berbeda, hasil kali dari rasio dalam (6,44) akan mendekati 0.
Faktanya, dengan meningkatnya sebaran |Sl|, |S(1)|/|Spooled| mengurangi produk secara
proporsional lebih dari |S(g)|/|Spooled| meningkatkannya, di mana S(1) dan S(g) masing-
masing adalah nilai determinan minimum dan maksimum.
Uji Box’s untuk Kesetaraan Matriks Kovarian
Menetapkan
2
derajat kebebasan. Pada tingkat signifikansi α, tolak H0 jika C> χ p ( p +12) (g −1 ) ( α )
Perkiraan Box’s χ 2 bekerja dengan baik jika setiap nl melebihi 20 dan jika p dan g tidak
melebihi 5. Dalam situasi di mana kondisi ini tidak berlaku, Box telah memberikan
perkiraan F yang lebih tepat untuk distribusi sampling dari M.
Contoh 6.12 (Pengujian kesetaraan matriks kovariansi-panti jompo)
Memperkenalkan data panti jompo Wisconsin pada Contoh 6.10. Dalam contoh tersebut
matriks kovarians sampel untuk p = 4 variabel biaya yang terkait dengan g = 3 kelompok
panti jompo ditampilkan. Dengan asumsi data multivariat normal, menguji hipotesis
H0 : Σ1 = Σ2 = Σ3 =Σ.
Dengan menggunakan informasi di Contoh 6.10, kita punya n1 = 271, n2 = 138, n3 = 107
dan |S1| = 2.783 x 10-8, |S2| = 89.539 x 10-8, |S3| =14.579 x 10-8, |Spooled | = 17.398 x 10-8.
Mengambil logaritma natural dari determinan menghasilkan ln |S1| = -17.397, ln
|S2| = -13.926, ln|S3| = -15.741 dan ln|Spooled| = -15.564.
Dihitung
Dimana
dan elkr variable acak N(0, σ2 ) saling bebas. Di sini μ mewakili level keseluruhan, τ l
mewakili efek tetap dari faktor 1, β k mewakili efek tetap dari faktor 2, dan γ lk adalah
interaksi antara faktor 1 dan faktor 2. Jadi, respons yang diharapkan pada tingkat ke l
faktor 1 dan tingkat ke-k faktor 2 adalah
E ( X lkr ) = μ + τl + βk + γ lk
(respon
rataan ) = ( level ) + ( efek ) + ( efek ) + (
keseluruhan faktor 1 faktor 2
interaksi
faktor 1−¿ faktor 2)
l = 1, 2, ….., g ; k = 1, 2, … , b
Adanya interaksi, γ lk menyiratkan bahwa efek faktor tidak bersifat aditif dan mempersulit
interpretasi hasil. Gambar 6.3 (a) dan (b) menunjukkan
Gambar 6.3 Kurva untuk respons yang diharapkan (a) dengan interaksi dan (b) tanpa
interaksi.
tanggapan yang diharapkan sebagai fungsi dari level faktor dengan dan tanpa interaksi
masing-masing. Tidak adanya interaksi berarti γ lk = 0 untuk semua l dan k
Dengan cara yang dianalogikan dengan (6-55), setiap observasi dapat diuraikan
sebagai
di mana x́ adalah rata-rata keseluruhan, x́ l . adalah rata-rata untuk tingkat ke l dari faktor
1, x́ .k adalah rata-rata untuk tingkat ke-k dari faktor 2, dan x́ lk adalah rata-rata untuk
tingkat ke l factor 1 dan tingkat ke k faktor 2. Menguadratkan dan menjumlahkan deviasi
( x lkr− x́ ) menghasilkan
atau
Derajat kebebasan yang terkait dengan jumlah kuadrat dalam pemecahan di (6-57) adalah
Rasio-F dari kuadrat rata-rata, SSfac1/(g – 1), SSfac2/(b – 1), dan SSint/(g – 1)(b – 1)
rataan kuadrat, SSres/(gb(n – 1)) dapat digunakan untuk menguji pengaruh interaksi faktor
1, faktor 2, dan faktor 1-faktor 2. untuk diskusi tentang analisis varians dua arah
univariat.
Model Efek Tetap Dua Arah Multivariat dengan Interaksi
Melanjutkan dengan analogi, kami menetapkan model efek tetap dua arah untuk respons
vektor yang terdiri dari komponen p [lihat (6-54)]
g b g b
Dimana x́ adalah rata-rata keseluruhan dari vektor observasi, x́ l . adalah rata-rata vektor
observasi pada level ke l dari faktor 1, x́ .k adalah rata-rata vektor pengamatan pada level
ke-k faktor 2, dan x́ lk adalah rata-rata vektor pengamatan pada level ke l faktor 1 dan level
ke-k faktor 2.
Generalisasi langsung dari (6-57) dan (6-58) memberikan pemecahan jumlah kuadrat
dan produk silang dan derajat kebebasan:
Sekali lagi, generalisasi dari analisis univariat ke multivariat terdiri dari penggantian
2
skalar seperti ( x́ l .−x́ ) dengan matriks ( x́ l .−x́ ) ( x́ l . −x́ ) ' yang sesuai.
Tabel MANOVA adalah sebagai berikut:
Tabel MANOVA untuk Membandingkan Faktor dan Interaksinya
Tes (uji rasio likelihood) dari
Untuk sampel besar, lambda Wilks, A*. dapat dirujuk ke persentil chi-square.
Menggunakan pengali Bartlett (lihat [6]) untuk meningkatkan pendekatan chi-kuadrat,
menolaknya H 0 :γ 11=γ 12=…=γ gb=0 pada level α jika
Dimana Λ*diberikan (6.64) dan χ 2( g−1) (b −1 ) p (α ) adalah persentil atas (l00α) th dari distribusi
chi-kuadrat dengan derajat bebas (g – 1)(b – 1)p.
Dalam model multivariasi, menguji efek utama faktor 1 dan faktor 2 sebagai berikut.
Pertama, pertimbangkan hipotesis H 0 :τ 1=τ 2=…=τ g=0 dan H1 : sedikitnya satu τ l ≠ 0.
Hipotesis ini menetapkan masing-masing tidak ada efek faktor 1 dan beberapa efek faktor
1. Diberikan
Sehingga nilai Λ* yang kecil sesuai dengan H1. Menggunakan koreksi Bartlett, uji rasio
kemungkinannya adalah sebagai berikut:
Menolak H 0 :τ 1=τ 2=…=τ g=0 (tidak ada efek faktor 1) pada level α jika
2
di mana Λ* diberikan oleh (6-66) dan χ ( g−1) p (α ) adalah persentil atas (l00α) th dari
distribusi chi-kuadrat dengan derajat bebas (g - l) p.
Dengan cara yang sama, efek faktor 2 diuji dengan mempertimbangkan
H 0 : β1 =β2 =…= βb =0 dan H1 : sedikitnya satu β k ≠ 0 . Nilai kecil
konsisten dengan H1. Sekali lagi, untuk sampel besar dan menggunakan koreksi Bartlett:
Tolak H 0 : β1 =β2 =…= βb =0 (tidak ada efek factor 2) pada level α jika
Dimana Λ* diberikan (6.68) dan χ 2( b−1) p (α) adalah persentil atas (l00α) th dari distribusi
chi-kuadrat dengan derajat bebas (b - l) p.
Interval kepercayaan simultan untuk kontras dalam parameter model dapat memberikan
wawasan tentang sifat dari efek faktor. Hasil yang sebanding dengan Hasil 6.5 tersedia
untuk model dua arah. Ketika efek interaksi dapat diabaikan, kita dapat berkonsentrasi
pada kontras pada efek utama faktor 1 dan faktor 2. Pendekatan Bonferroni berlaku untuk
komponen perbedaan τ l −τ m efek faktor 1 dan komponen β k −β q dari efek faktor 2, masing-
masing y.
Interval kepercayaan simultan 100 (1 - α)% untuk τ li −τ mi adalah
Dimana v = gb(n – 1), Eii adalah elemen diagonal ke i dari E = SSPres, dan x́ l .i−x́ m .i adalah
komponen ke i dari x́ l .− x́ m .
Demikian pula, 100 (1 - α) persen interval kepercayaan simultan untuk β ki− βqi adalah
Dimana v dan Eii adalah seperti yang baru saja didefinisikan dan x́ .ki −x́ .qi adalah
komponen ke i dari x́ .k −x́. q.
Contoh 6.13 (Analisis multivariat dua arah dari varians data film plastik)
Kondisi optimal untuk mengekstrusi film plastik telah diperiksa dengan menggunakan
teknik yang disebut Operasi Evolusioner. (Lihat [9]) Selama studi yang dilakukan, tiga
respon-Xl = ketahanan sobek, X2 = gloss, dan X3 = kegelapan diukur pada dua tingkat
faktor, laju ekstrusi dan jumlah aditif. Pengukuran diulangi n = 5 kali pada setiap
kombinasi level faktor. Data tersebut ditampilkan pada Tabel 6.4
Matriks jumlah kuadrat dan produk silang yang sesuai dihitung , yang mengarah ke tabel
MANOVA berikut:
Faktor 1 : perubahan laju ekstrusi
Faktor 2 : jumlah aditif
Untuk (g – 1)(b – 1) = 1
Dan F3,14(.05) = 3.34. Karena F = 1.34 < F3,14(.05) = 3.34 tidak menolak hipotesis tersebut
H 0 :γ 11=γ 12=γ 21=γ 22=0 (tidak ada efek interaksi).
Perhatikan bahwa perkiraan statistik chi-square untuk pengujian ini adalah – [2(2)(4)
– (3 + 1 – 1(1))/2] ln(.7771) = 3.66, dari (6.65). Karena χ 23 ( .05 )=7.81, akan mencapai
kesimpulan yang sama seperti yang diberikan oleh uji-F yang tepat.
Untuk menguji efek faktor 1 dan faktor 2 (lihat halaman 317), menghitung
Dan
Untuk g - 1 = 1 dan b - 1 = 1,
Dan
Dan
Dari sebelumnya F3,14(.05) = 3.34. Mempunyai F1 = 7.55 > F3,14(.05) = 3.34, dan karena
itu, menolak H0 : τ1 = τ2 = 0 (tidak ada efek faktor 1) pada tingkat 5%. Demikian pula,
F2 = 4.26 > F3,14(.05) = 3.34, dan menolak H0 : β1 = β2 = 0 (tidak ada efek faktor 2) pada
tingkat 5%. Menyimpulkan bahwa baik perubahan laju ekstrusi dan jumlah aditif
mempengaruhi respon, dan melakukannya dengan cara aditif.
Analisis Profil
Analisis profil berkaitan dengan situasi di mana serangkaian perlakuan p (tes, pertanyaan,
dan sebagainya) diberikan ke dua atau lebih kelompok mata pelajaran.
Semua tanggapan harus diungkapkan dalam unit yang serupa. Selanjutnya, diasumsikan
bahwa tanggapan untuk kelompok yang berbeda tidak bergantung satu sama lain.
Biasanya, kita mungkin mengajukan pertanyaan, apakah populasi rata-rata vektor sama?
Dalam analisis profil, pertanyaan tentang persamaan vektor rata-rata dibagi menjadi
beberapa kemungkinan khusus.
Pertimbangkan mean populasi μ'1=[ μ11 , μ12 , μ13 , μ 14 ] mewakili respons rata-rata untuk empat
perlakuan untuk kelompok pertama. Plot sarana ini, dihubungkan dengan garis lurus,
ditunjukkan pada Gambar 6.4. Grafik garis putus-putus ini adalah profil populasi 1.
Profil dapat dibangun untuk setiap populasi (kelompok). Kami akan berkonsentrasi pada
dua kelompok. Diberikan μ'1=[ μ11 , μ12 , … , μ1 p ] dan μ'2= [ μ 21 , μ 22 , … , μ 2 p ]menjadi respon rata-
rata untuk perlakuan p untuk masing-masing populasi 1 dan 2. Hipotesis H0 : μ1 = μ2
mengimplikasikan bahwa perlakuan memiliki pengaruh (rata-rata) yang sama pada kedua
populasi. Dalam hal profil populasi, kita dapat merumuskan pertanyaan tentang
kesetaraan secara bertahap.
1. Apakah profilnya paralel?
Setara: Apakah H 01 : μ1 i−μ 1i−1=μ 2i−μ 2i −1 , i=2,3 , … , p dapat diterima?
2. Dengan asumsi bahwa profilnya paralel, apakah profil tersebut kebetulan?
Setara: Apakah H 02 : μ1 i=μ 2i , i=1,2 ,… , p , dapat diterima?
Untuk sampel independen berukuran n1 dan n2 dari dua populasi, hipotesis nol dapat diuji
dengan membuat observasi yang ditransformasikan.
Dan
Ini memiliki sampel rata-rata vector masing-masing C x́ 1 dan C x́ 2 , dan matriks kovarians
gabungan C S pooled C ' .
Karena dua set pengamatan yang ditransformasikan masing-masing memiliki
distribusi N p−1 ( C μ1 ,C Σ C ' ) dan N p−1 ( C μ2 ,C Σ C ' ) , penerapan Hasil 6.2 memberikan
pengujian untuk profil paralel.
Dimana
Jika profilnya sejajar, yang pertama ada di atas yang kedua (μ1i > μ21, untuk semua i), atau
sebaliknya. Dalam kondisi ini, profil akan menjadi kebetulan hanya jika tinggi total
μ11 + μ12 +…+ μ 1 p =1' μ1 dan μ21 + μ22+ …+ μ2 p=1 ' μ2 sama. Oleh karena itu, hipotesis nol pada
tahap 2 dapat dituliskan dalam bentuk padanan
kemudian dapat menguji H02 dengan statistik-t dua sampel biasa berdasarkan pengamatan
univariat 1' x 1 j , j=1,2 , … , n1 dan 1' x 2 j , j=1,2 , … , n2.
Menguji Profil (Coincident) Serupa. Mengingat Profil Itu Paralel
Untuk dua populasi normal, tolak H 02 :1' μ 1=1' μ 2 (profil serupa) pada level α jika
populasi normal yang sama? Langkah selanjutnya adalah melihat apakah semua variabel
memiliki mean yang sama, sehingga profil yang sama adalah level.
Ketika H01 dan H02 dapat dipertahankan, rata-rata vektor μ diperkirakan,
menggunakan semua pengamatan n1 + n2 , dengan
Jika profil umum adalah level, maka m1 = m2 = ... = mp dan hipotesis nol pada tahap 3
dapat dituliskan sebagai
Diberikan
x1 = respons skala 8 poin untuk Pertanyaan 1
x2 = respons skala 8 poin untuk Pertanyaan 2
x3 = respons skala 5 poin untuk Pertanyaan 3
x4 = respon skala 5 poin untuk Pertanyaan 4
dan dua populasi didefinisikan sebagai
Populasi 1 = pria menikah
Populasi 2 = wanita menikah
Rata-rata populasi adalah jawaban rata-rata untuk pertanyaan p = 4 untuk populasi
laki-laki dan perempuan. Dengan asumsi matriks kovarians umum Σ, menarik untuk
melihat apakah profil pria dan wanita sama.
Sampel n1 = 30 laki-laki dan n2 = 30 perempuan memberikan sampel vektor rata-rata
Laki-laki perempuan
dan matriks kovarians gabungannya
Vektor rata-rata sampel diplot sebagai profil sampel pada Gambar 6.5 di halaman 327.
Karena ukuran sampel cukup besar, akan menggunakan metodologi teori normal,
meskipun datanya, yang merupakan bilangan bulat, jelas nonnormal. Untuk menguji
paralelisme (H0 : Cμ1 = Cμ2 ), dihitung
Dan
Gambar 6.5 Contoh profil respons cinta-pernikahan
Jadi