Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

MANOVA dan GLM

TUJUAN PEMBELAJARAN
Setelah menyelesaikan bab ini, Anda harus dapat melakukan hal berikut:

- Jelaskan perbedaan antara hipotesis nol univariat ANOVA dan hipotesis nol
multivariat MANOVA.
- Diskusikan keuntungan dari pendekatan multivariat untuk pengujian signifikansi dibandingkan dengan pendekatan
univariat yang lebih tradisional.

- Nyatakan asumsi untuk penggunaan MANOVA.

- Diskusikan berbagai jenis statistik uji yang tersedia untuk pengujian signifikansi di MANOVA.
- Jelaskan tujuan pengujian post hoc pada ANOVA dan MANOVA.
- Menafsirkan hasil interaksi ketika lebih dari satu variabel independen digunakan dalam MANOVA.

- Jelaskan tujuan analisis multivariat kovarians (MANCOVA).

Pratinjau BAB
Analisis varians multivariat (MANOVA) merupakan perluasan dari analisis varians (ANOVA) untuk
mengakomodasi lebih dari satu variabel dependen. Ini adalah teknik ketergantungan yang mengukur
perbedaan untuk dua atau lebih variabel dependen metrik berdasarkan seperangkat variabel kategori
(nonmetrik) yang bertindak sebagai variabel independen. ANOVA dan MANOVA dapat dinyatakan dalam bentuk
umum berikut:

Analisis Varians
kamu1 = x1 + x2 + x3 + + xn
(metrik) (nonmetrik)
Analisis Varians Multivariat
kamu1 + kamu2 + kamu3 + + kamun = X1 + x2 + x3 + + xn
(metrik) (nonmetrik)
Seperti ANOVA, MANOVA berkaitan dengan perbedaan antar kelompok (atau perlakuan eksperimental). ANOVA
disebutprosedur univariat karena kami menggunakannya untuk menilai perbedaan kelompok pada variabel
dependen metrik tunggal. MANOVA disebutprosedur multivariat karena kami menggunakannya untuk menilai
perbedaan kelompok di beberapa variabel dependen metrik secara bersamaan. Dalam MANOVA, setiap
kelompok perlakuan diamati pada dua atau lebih variabel dependen.

Dari Bab 7 dari Analisis Data Multivariat, 7/e. Joseph F. Rambut, Jr., William C. Black, Barry J. Babin, Rolph E. Anderson. Hak Cipta
© 2010 oleh Pearson Prentice Hall. Seluruh hak cipta.

665
 MANOVA dan GLM

Konsep analisis varians multivariat diperkenalkan lebih dari 70 tahun yang lalu oleh
Wilks [26]. Namun, tidak sampai pengembangan statistik uji yang sesuai dengan distribusi
tabel dan ketersediaan program komputer yang lebih luas baru-baru ini untuk menghitung
statistik ini, MANOVA menjadi alat praktis bagi para peneliti.
Baik ANOVA dan MANOVA sangat berguna bila digunakan bersama dengan desain eksperimental;
yaitu, desain penelitian di mana peneliti secara langsung mengontrol atau memanipulasi satu atau lebih
variabel independen untuk menentukan pengaruhnya terhadap variabel dependen. ANOVA dan MANOVA
menyediakan alat yang diperlukan untuk menilai efek yang diamati (yaitu, apakah perbedaan yang
diamati disebabkan oleh efek perlakuan atau variabilitas sampling acak). Namun, MANOVA memiliki
peran dalam desain noneksperimental (misalnya, penelitian survei) di mana kelompok minat (misalnya,
jenis kelamin, pembeli/nonpembeli) didefinisikan dan kemudian perbedaan pada sejumlah variabel
metrik (misalnya, sikap, kepuasan, tingkat pembelian) dinilai untuk signifikansi statistik.

ISTILAH KUNCI

Sebelum memulai bab ini, tinjaulah istilah-istilah kunci untuk mengembangkan pemahaman tentang konsep dan
terminologi yang akan digunakan. Di sepanjang bab, istilah kunci muncul ditebal. Poin-poin penekanan lain dalam bab
dan referensi silang istilah kunci adalah: dicetak miring.

Alfa (α) Tingkat signifikansi yang terkait dengan pengujian statistik dari perbedaan antara dua
atau lebih kelompok. Biasanya, nilai kecil, seperti .05 atau .01, ditentukan untuk meminimalkan kemungkinan
membuatKesalahan tipe I.
Analisis varians (ANOVA) Teknik statistik yang digunakan untuk menentukan apakah sampel dari
dua atau lebih kelompok berasal dari populasi dengan cara yang sama (yaitu, Apakah kelompok berarti
berbeda secara signifikan?). Analisis varians menguji satu ukuran dependen, sedangkan analisis varians
multivariat membandingkan perbedaan kelompok pada dua atau lebih variabel dependen.
Sebuah tes apriori Lihat perbandingan yang direncanakan.Beta (β) Lihat Kesalahan tipe II.Faktor pemblokiran
Karakteristik responden dalam ANOVA atau MANOVA yang digunakan untuk mengurangi

variabilitas dalam kelompok dengan menjadi tambahan faktor dalam analisis. Paling sering digunakan sebagai
variabel kontrol (yaitu, karakteristik yang tidak termasuk dalam analisis tetapi karakteristik yang diharapkan atau
diusulkan perbedaannya). Dengan memasukkan faktor penghambat dalam analisis, terbentuk kelompok tambahan
yang lebih homogen dan meningkatkan peluang untuk menunjukkan perbedaan yang signifikan. Sebagai contoh,
asumsikan bahwa pelanggan ditanya tentang niat beli mereka untuk suatu produk dan ukuran independen yang
digunakan adalah usia. Pengalaman sebelumnya menunjukkan bahwa variasi substansial dalam niat membeli untuk
produk lain dari jenis ini juga disebabkan oleh jenis kelamin. Kemudian jenis kelamin dapat ditambahkan sebagai
faktor lebih lanjut sehingga setiap kategori usia dibagi menjadi kelompok laki-laki dan perempuan dengan
homogenitas dalam kelompok yang lebih besar.
Ketidaksetaraan Bonferroni Pendekatan untuk menyesuaikan yang dipilih alfa tingkat untuk mengontrol secara keseluruhan
Kesalahan tipe I tingkat saat melakukan serangkaian tes terpisah. Prosedurnya melibatkan menghitung baru
nilai kritis dengan membagi usulan alfa dengan jumlah uji statistik yang akan dilakukan. Misalnya, jika 0,05
tingkat signifikansi diinginkan untuk serangkaian lima pengujian terpisah, maka laju 0,01 (0,05 5) digunakan
dalam setiap pengujian terpisah.
Tes kotak M Uji statistik untuk kesetaraan matriks varians-kovarians dari dependen
variabel di seluruh kelompok. Hal ini sangat sensitif terhadap keberadaan variabel nonnormal. Penggunaan
konservatiftingkat signifikansi (yaitu, 0,01 atau kurang) disarankan sebagai penyesuaian untuk sensitivitas
statistik.
Kontras Prosedur untuk menyelidiki perbedaan kepentingan kelompok tertentu dalam hubungannya dengan
ANOVA dan MANOVA (misalnya, membandingkan perbedaan rata-rata kelompok untuk pasangan kelompok tertentu).
Kovariat, atau analisis kovariat Penggunaan prosedur seperti regresi untuk menghilangkan yang asing
(gangguan) variasi dalam variabel dependen karena satu atau lebih metrik independen yang tidak terkontrol

666
 MANOVA dan GLM

variabel (kovariat). Kovariat diasumsikan berhubungan linier dengan variabel terikat. Setelah
disesuaikan untuk pengaruh kovariat, standarANOVA atau MANOVA dilakukan. Proses penyesuaian ini
(dikenal sebagai ANCOVA atau MANCOVA) biasanya memungkinkan pengujian efek pengobatan yang
lebih sensitif.
Nilai kritis Nilai statistik uji (T tes, F test) yang menunjukkan yang ditentukan tingkat signifikansi.
Misalnya, 1,96 menunjukkan tingkat signifikansi 0,05 untuk T pengujian dengan ukuran sampel yang besar.
Fungsi diskriminan Dimensi perbedaan atau diskriminasi antar kelompok dalam
analisis MANOVA. Fungsi diskriminannya adalahbervariasi dari variabel terikat.
Interaksi kacau Bentuk dari efek interaksi di antara variabel independen yang membatalkan
interpretasi dari efek utama dari perawatan. Interaksi disordinal ditunjukkan secara grafis dengan
memplot sarana untuk setiap kelompok dan memiliki garis berpotongan atau bersilangan. Dalam jenis
interaksi ini, perbedaan rata-rata tidak hanya bervariasi, mengingat kombinasi unik dari tingkat
variabel independen, tetapi urutan relatif kelompok juga berubah.
Ukuran efek Ukuran standar perbedaan kelompok yang digunakan dalam perhitungan statistik kekuasaan.
Dihitung sebagai perbedaan rata-rata kelompok dibagi dengan standar deviasi, kemudian dibandingkan di
seluruh studi penelitian sebagai ukuran efek yang digeneralisasi (yaitu, perbedaan rata-rata kelompok).
Desain eksperimental Rencana penelitian di mana peneliti secara langsung memanipulasi atau mengendalikan seseorang
atau lebih variabel independen (lihat perlakuan atau faktor) dan menilai pengaruhnya terhadap
variabel terikat. Umum dalam ilmu fisika, itu semakin populer dalam bisnis dan ilmu sosial.
Misalnya, responden diperlihatkan iklan terpisah yang bervariasi secara sistematis pada suatu
karakteristik, seperti daya tarik yang berbeda (emosional versus rasional) atau jenis presentasi
(warna versus hitam-putih) dan kemudian ditanya sikap, evaluasi, atau perasaan mereka
terhadap iklan yang berbeda.
Tingkat kesalahan di seluruh eksperimen Tingkat kesalahan gabungan atau keseluruhan yang dihasilkan dari kinerja
banyak T tes atau F tes yang terkait (misalnya, T tes di antara serangkaian pasangan variabel yang berkorelasi
atau serangkaian T tes di antara pasangan kategori dalam variabel multikotomi).
Faktor Variabel independen nonmetrik, juga disebut sebagai perlakuan atau variabel eksperimental.
Desain faktorial Desain dengan lebih dari satu faktor (perlakuan). Desain faktorial memeriksa
pengaruh beberapa faktor secara bersamaan dengan membentuk kelompok berdasarkan semua kemungkinan
kombinasi kadar (nilai) dari berbagai variabel perlakuan.
Model linier umum (GLM) Prosedur estimasi umum berdasarkan tiga komponen:
(1) a bervariasi dibentuk oleh kombinasi linier variabel bebas, (2) distribusi probabilitas yang
ditentukan oleh peneliti berdasarkan karakteristik variabel terikat, dan (3) a fungsi tautan
yang menunjukkan hubungan antara variate dan distribusi probabilitas.
Hotelling T2 Uji untuk menilai signifikansi statistik perbedaan rata-rata dua atau
lebih banyak variabel antara dua kelompok. Ini adalah kasus khusus MANOVA yang digunakan dengan dua kelompok
atau tingkat variabel perlakuan.
Kemerdekaan Asumsi kritis dari ANOVA atau MANOVA yang mengharuskan ketergantungan
ukuran untuk setiap responden sama sekali tidak berkorelasi dengan tanggapan dari responden lain
dalam sampel. Kurangnya independensi sangat mempengaruhi validitas statistik analisis kecuali
tindakan korektif diambil.
Efek interaksi Di dalam desain faktorial, efek gabungan dari dua perlakuan variabel selain
individu efek utama. Artinya perbedaan antar kelompok pada satu variabel perlakuan berbeda-beda
tergantung pada besarnya variabel perlakuan kedua. Misalnya, asumsikan bahwa responden diklasifikasikan
menurut pendapatan (tiga tingkat) dan jenis kelamin (laki-laki versus perempuan). Sebuah interaksi yang
signifikan akan ditemukan ketika perbedaan antara laki-laki dan perempuan pada variabel independen
bervariasi secara substansial di tiga tingkat pendapatan.
Fungsi tautan Sebuah komponen utama dari model linier umum (GLM) yang menentukan trans-
formasi antara variate variabel independen dan distribusi probabilitas yang ditentukan. Dalam
MANOVA (dan regresi) tautan identitas digunakan dengan distribusi normal, sesuai dengan
asumsi statistik normalitas kami.

667
 MANOVA dan GLM

Efek utama Dalam desain faktorial, efek individu dari masing-masing perlakuan variabel pada dependen
variabel.
Distribusi normal multivariat Generalisasi dari distribusi normal univariat ke
kasus P variabel. Distribusi normal multivariat dari kelompok sampel adalah asumsi dasar yang
diperlukan untuk validitas uji signifikansi di MANOVA.
Hipotesis nol Hipotesis dengan sampel yang berasal dari populasi dengan cara yang sama (yaitu,
rata-rata kelompok adalah sama) baik untuk variabel dependen (uji univariat) atau satu set
variabel dependen (uji multivariat). Hipotesis nol dapat diterima atau ditolak tergantung pada
hasil uji signifikansi statistik.
Interaksi biasa Jenis yang dapat diterima efek interaksi dimana besarnya perbedaan
antar kelompok bervariasi tetapi posisi relatif kelompok tetap konstan. Secara grafis direpresentasikan
dengan memplot nilai rata-rata dan mengamati garis nonparalel yang tidak berpotongan.
Ortogonal Independensi statistik atau tidak adanya asosiasi. Ortogonalbervariasi menjelaskan
varians unik, tanpa penjelasan varians yang dibagikan di antara mereka. Ortogonalkontras adalah
perbandingan yang direncanakan yang independen secara statistik dan mewakili perbandingan unik dari
rata-rata kelompok.
Kriteria Pillai Uji untuk perbedaan multivariat yang mirip dengan lambda Wilks.Perbandingan
yang direncanakan Sebuah tes apriori yang menguji perbandingan khusus dari perbedaan rata-rata kelompok.
Tes ini dilakukan bersamaan dengan tes untuk utama dan efek interaksi dengan menggunakankontras.

Tes pasca hoc Uji statistik perbedaan rata-rata dilakukan setelah uji statistik untuk utama
efek telah dilakukan. Paling sering, tes post hoc tidak menggunakan satukontras, tetapi sebaliknya menguji perbedaan di
antara semua kemungkinan kombinasi grup. Meskipun mereka memberikan informasi diagnostik yang berlimpah, mereka
mengembang secara keseluruhanKesalahan tipe I menilai dengan melakukan beberapa tes statistik dan dengan demikian
harus menggunakan tingkat kepercayaan yang ketat.
Kekuasaan Probabilitas mengidentifikasi efek pengobatan ketika itu benar-benar ada dalam sampel. Kekuatan adalah
didefinisikan sebagai 1 – - (lihat beta). Daya ditentukan sebagai fungsi dari tingkat signifikansi statistik
(-) ditetapkan oleh peneliti untuk Kesalahan tipe I, ukuran sampel yang digunakan dalam analisis, dan ukuran efek
sedang diperiksa.
Tindakan berulang Penggunaan dua atau lebih tanggapan dari satu individu dalam ANOVA atau
analisis MANOVA. Tujuan dari desain pengukuran berulang adalah untuk mengontrol perbedaan tingkat
individu yang dapat mempengaruhi varians dalam kelompok. Tindakan berulang menunjukkan kurangnya
kemerdekaan yang harus diperhitungkan secara khusus dalam analisis.
Replikasi Administrasi berulang dari percobaan dengan maksud untuk memvalidasi hasil dalam
sampel responden lainnya.
Akar karakteristik terbesar Roy (gcr) Statistik untuk menguji hipotesis nol di MANOVA.
Ini menguji yang pertama fungsi diskriminan dari variabel dependen karena kemampuannya untuk membedakan perbedaan
kelompok.
Tingkat signifikansi Lihat alfa.
Analisis langkah mundur Uji kekuatan diskriminatif tambahan dari variabel dependen setelah
efek dari variabel dependen lainnya telah diperhitungkan. Mirip dengan regresi bertahap
atau analisis diskriminan, prosedur ini, yang bergantung pada urutan masuk tertentu,
menentukan seberapa banyak variabel terikat tambahan menambah penjelasan perbedaan
antara kelompok dalam analisis MANOVA.
T statistik Uji statistik yang menilai signifikansi statistik antara dua kelompok pada satu
variabel terikat (lihat uji t).
T tes Uji untuk menilai signifikansi statistik dari perbedaan antara dua rata-rata sampel untuk a
variabel terikat tunggal. NST tes adalah kasus khusus dari ANOVA untuk dua kelompok atau tingkat variabel
pengobatan.
Perlakuan Variabel bebas (faktor) yang dimanipulasi peneliti untuk melihat pengaruhnya (jika ada) pada
variabel terikat. Variabel pengobatan dapat memiliki beberapa tingkatan. Sebagai contoh,

668
 MANOVA dan GLM

intensitas daya tarik iklan yang berbeda dapat dimanipulasi untuk melihat pengaruhnya terhadap kepercayaan
konsumen.
Kesalahan tipe I Probabilitas menolak hipotesis nol ketika seharusnya diterima, yaitu,
menyimpulkan bahwa dua cara berbeda secara signifikan padahal sebenarnya mereka sama. Nilai kecil dari
alfa (misalnya, .05 atau .01), juga dilambangkan sebagai -, mengarah pada penolakan hipotesis nol dan
penerimaan hipotesis alternatif bahwa rata-rata populasi tidak sama.
Kesalahan tipe II Probabilitas gagal menolak hipotesis nol padahal seharusnya ditolak, yaitu
adalah, menyimpulkan bahwa dua cara tidak berbeda secara signifikan padahal sebenarnya mereka berbeda. Juga
dikenal sebagaibeta (-) kesalahan.
kamu statistik Lihat lambda Wilks.
Variasikan Kombinasi linier variabel. Dalam MANOVA, variabel dependen dibentuk menjadi
bervariasi dalam fungsi diskriminan.
Vektor Himpunan bilangan real (mis. x1 . . .xn) yang dapat ditulis dalam kolom atau baris.
Vektor kolom dianggap konvensional, dan vektor baris dianggap ditransposisikan. Vektor kolom dan
vektor baris ditunjukkan sebagai berikut:

x1
x
X = ≥ 2¥ xT = [X1 x A 2xn ]
Hai
xn
vektor kolom Vektor baris

lambda Wilks Salah satu dari empat statistik utama untuk menguji hipotesis nol di MANOVA.
Juga disebut sebagai kriteria kemungkinan maksimum atau statistik U.

MANOVA: MEMPERLUAS METODE UNIVARIAT UNTUK MENILAI

PERBEDAAN KELOMPOK
Sering kali teknik multivariat merupakan perluasan dari teknik univariat, seperti dalam kasus regresi
berganda, yang memperluas regresi sederhana (dengan hanya satu variabel bebas) menjadi analisis
multivariat di mana dua atau lebih variabel bebas dapat digunakan. Situasi serupa ditemukan dalam
menganalisis perbedaan kelompok. Prosedur-prosedur ini diklasifikasikan sebagai univariat bukan
karena jumlah variabel bebas (dikenal sebagai perlakuan atau faktor), melainkan karena jumlah variabel
terikat. Dalam regresi berganda, istilahunivariat dan multivariasi mengacu pada jumlah variabel
independen, tetapi untuk ANOVA dan MANOVA terminologi berlaku untuk penggunaan variabel
dependen tunggal atau ganda. Kedua teknik ini telah lama dikaitkan dengan analisisdesain
eksperimental.
Teknik univariat untuk menganalisis perbedaan kelompok adalah uji t (dua kelompok) dan
analisis varians (ANOVA) untuk dua atau lebih kelompok. Prosedur ekuivalen multivariat adalah
HotellingT2 dan analisis varians multivariat, masing-masing. Hubungan antara prosedur univariat
dan multivariat adalah sebagai berikut:

Jumlah Variabel Dependen

Jumlah Grup dalam Satu Dua atau lebih

Variabel Independen (Univariat) (Multivariasi)

Dua Grup
(Kasus Khusus) T tes Hotelling T2

Dua atau Lebih Grup Analisis dari Analisis multivariat

(Kasus Umum) varians (ANOVA) varians (MANOVA)

669
 MANOVA dan GLM

NS T tes dan Hotelling's T2 digambarkan sebagai kasus khusus di mana mereka terbatas
untuk menilai hanya dua kelompok (kategori) untuk variabel independen. Baik ANOVA dan
MANOVA juga dapat menangani situasi dua kelompok serta menangani analisis di mana variabel
independen memiliki lebih dari dua kelompok. Review keduanyaT test dan ANOVA tersedia di
lampiran Statistik Dasar di situs Web (www.pearsonhighered.com/hair atau www.mvstats.com).

Prosedur Multivariat untuk Menilai Perbedaan Kelompok

Sebagai prosedur inferensi statistik, baik teknik univariat (T test dan ANOVA) dan ekstensi
multivariatnya (Hotelling's T2 dan MANOVA) digunakan untuk menilai signifikansi statistik
perbedaan antar kelompok. DalamT uji dan ANOVA, hipotesis nol diuji adalah kesetaraan berarti
variabel dependen tunggal di seluruh kelompok. Dalam teknik multivariat, hipotesis nol yang diuji
adalah persamaanvektor berarti pada beberapa variabel dependen di seluruh kelompok.
Perbedaan antara hipotesis diuji dalam ANOVA dan MANOVA diilustrasikan pada Gambar 1. Dalam
kasus univariat, ukuran dependen tunggal diuji untuk kesetaraan di seluruh kelompok. Dalam
kasus multivariat, variat diuji untuk kesetaraan. Konsep daribervariasi berperan penting dalam
diskusi tentang banyak teknik multivariat.
Dalam MANOVA sebenarnya peneliti memiliki dua variabel, satu untuk variabel terikat dan
satu lagi untuk variabel bebas. Variate variabel dependen lebih menarik karena ukuran metrik-
dependen dapat digabungkan dalam kombinasi linier seperti yang telah kita lihat dalam regresi
berganda dan analisis diskriminan. Aspek unik dari MANOVA adalah bahwavariate secara optimal
menggabungkan beberapa ukuran dependen menjadi satu nilai yang memaksimalkan perbedaan
antar kelompok.

ANOVA

H0 : -1= -2= . . . -k

Hipotesis nol (H0) = semua mean kelompok adalah sama,

yaitu mereka berasal dari populasi yang sama.

MANOVA

- 11 - 12 - 1k
- 21 - 22 - 2k

H0 : = =.......=

- P1 - P2 - pk

Hipotesis nol (H0) = semua vektor rata-rata grup adalah sama,

yaitu mereka berasal dari populasi yang sama.

- pk = sarana variabel P, kelompok k

GAMBAR 1 Pengujian Hipotesis Null ANOVA

dan MANOVA

670
 MANOVA dan GLM

KASUS DUA KELOMPOK: HOTELLING'S T2 Asumsikan bahwa para peneliti tertarik pada kedua
daya tarik dan niat beli yang dihasilkan oleh dua pesan iklan. Jika hanya analisis univariat yang digunakan,
para peneliti akan melakukan analisis terpisahT menguji peringkat daya tarik pesan dan niat membeli
yang dihasilkan oleh pesan. Namun kedua ukuran tersebut saling terkait; dengan demikian, yang benar-
benar diinginkan adalah uji perbedaan antara pesan-pesan pada kedua variabel secara kolektif. Di sinilah
Hotelling T2, bentuk khusus MANOVA dan perpanjangan langsung dari univariat T tes, dapat digunakan.

Mengontrol Tingkat Kesalahan Tipe I. Hotelling T2 menyediakan uji statistik dari variate yang terbentuk dari
variabel dependen, yang menghasilkan perbedaan kelompok terbesar. Ini juga mengatasi masalah
menggembungkanKesalahan tipe I tingkat yang muncul ketika membuat serangkaian T tes kelompok berarti
pada beberapa ukuran tergantung. Ini mengontrol inflasi tingkat kesalahan Tipe I ini dengan memberikan tes
keseluruhan tunggal perbedaan kelompok di semua variabel dependen pada tingkat - tertentu.
Bagaimana Hotelling's T2 mencapai tujuan-tujuan tersebut? Perhatikan persamaan berikut untuk variate
variabel dependen:

C = W1x1 + W2x2 + + Wnxn

di mana

C = skor komposit atau bervariasi untuk respondenW

Saya = bobot untuk variabel terikat saya XSaya = variabel
tak bebas Saya

Dalam contoh kami, peringkat daya tarik pesan digabungkan dengan niat pembelian untuk membentuk
komposit. Untuk setiap set bobot, kita dapat menghitung skor komposit untuk setiap responden dan
kemudian menghitung biasaT statistik untuk perbedaan antara kelompok pada skor komposit. Namun,
jika kita dapat menemukan sekumpulan bobot yang memberikan nilai maksimum untukT statistik untuk
kumpulan data ini, bobot ini akan sama dengan fungsi diskriminan antara kedua kelompok. MaksimalT
statistik yang dihasilkan dari skor komposit yang dihasilkan oleh fungsi diskriminan dapat dikuadratkan
untuk menghasilkan nilai Hotelling's T2 [11]. Rumus komputasi untuk Hotelling'sT2 mewakili hasil turunan
matematika yang digunakan untuk memecahkan maksimum T statistik (dan, secara implisit,
kombinasi linear yang paling diskriminatif dari variabel dependen). Hal ini setara dengan mengatakan
bahwa jika kita dapat menemukan fungsi diskriminan untuk dua kelompok yang menghasilkan signifikan
T2, kedua kelompok dianggap berbeda di seluruh vektor rata-rata.

Pengujian Statistik. Bagaimana Hotelling's T2 memberikan uji hipotesis tidak ada perbedaan kelompok
pada vektor nilai rata-rata? Sama sepertiT statistik mengikuti distribusi yang diketahui di bawah hipotesis nol
dari tidak ada efek pengobatan pada variabel dependen tunggal, Hotelling's T2 mengikuti distribusi yang
diketahui di bawah hipotesis nol dari tidak ada efek pengobatan pada salah satu dari serangkaian tindakan
dependen. Distribusi ini ternyata merupakanF distribusi dengan P dan n1 + n2 - 2 - 1 derajat kebebasan setelah
penyesuaian (di mana P - jumlah variabel terikat). Untuk mendapatkannilai kritisuntuk Hotelling's T2, kami
menemukan nilai tabel untuk Fkritik pada tingkat tertentu - dan hitung T2 kritik sebagai

berikut:

p(N1 + n2 - 2)
T2kritik = * Fkritik
n1 + n2 - P - 1

KASUS K-GROUP: MANOVA Sama seperti ANOVA adalah perpanjangan dari T tes, MANOVA dapat dianggap
sebagai perpanjangan dari Hotelling's T2 prosedur. Kami merancang bobot variabel dependen untuk
menghasilkan skor variate untuk setiap responden yang berbeda secara maksimal di semua kelompok.

671
 MANOVA dan GLM

Banyak dari masalah desain analisis yang sama yang dibahas untuk ANOVA berlaku untuk MANOVA,
tetapi metode pengujian statistik sangat berbeda dari ANOVA.

Desain Analisis. Semua masalah desain analisis yang berlaku untuk ANOVA (jumlah level per faktor,
jumlah faktor, dll.) juga berlaku untuk MANOVA. Selain itu, jumlah variabel dependen dan hubungan di
antara ukuran dependen ini menimbulkan masalah tambahan yang akan dibahas nanti. MANOVA
memungkinkan peneliti untuk menilai dampak dari beberapa variabel independen tidak hanya pada
variabel dependen individu, tetapi pada variabel dependen secara kolektif juga.

Pengujian Statistik. Dalam kasus dua kelompok, setelah variat terbentuk, prosedur ANOVA pada dasarnya
digunakan untuk mengidentifikasi apakah ada perbedaan. Dengan tiga atau lebih kelompok (baik dengan
memiliki satu variabel bebas dengan tiga tingkatan atau dengan menggunakan dua atau lebih variabel bebas),
analisis perbedaan kelompok menjadi lebih erat hubungannya dengan analisis diskriminan. Untuk tiga atau
lebih kelompok, sama seperti dalam analisis diskriminan, beberapa variasi ukuran dependen terbentuk. Variasi
pertama, disebut afungsi diskriminan, menentukan satu set bobot yang memaksimalkan perbedaan antara
kelompok, sehingga memaksimalkan F nilai. MaksimalF nilai itu sendiri memungkinkan kita untuk menghitung
secara langsung apa yang disebut Akar karakteristik terbesar Roy (gcr) statistik, yang memungkinkan untuk
uji statistik fungsi diskriminan pertama. Statistik akar karakteristik terbesar dapat dihitung sebagai [11]:

gcr Roy = (k - 1) Fmaksimal//N - k)

Untuk mendapatkan satu uji hipotesis tidak ada perbedaan kelompok pada vektor pertama dari skor rata-rata
ini, kita dapat merujuk ke tabel distribusi gcr Roy. Sama sepertiF statistik mengikuti distribusi yang diketahui di
bawah hipotesis nol rata-rata grup yang setara pada variabel dependen tunggal, statistik gcr mengikuti
distribusi yang diketahui di bawah hipotesis nol dari vektor rata-rata grup yang setara (yaitu, rata-rata grup
setara pada serangkaian ukuran dependen). Perbandingan gcr yang diamati dengan gcr Roy Roykritik memberi
kita dasar untuk menolak hipotesis nol keseluruhan dari vektor rata-rata grup yang setara.

Setiap fungsi diskriminan berikutnya adalah ortogonal; mereka memaksimalkan perbedaan di antara
kelompok berdasarkan varians yang tersisa yang tidak dijelaskan oleh fungsi sebelumnya. Jadi, dalam banyak
kasus, tes untuk perbedaan antar kelompok tidak hanya melibatkan skor variat pertama tetapi juga serangkaian
skor variat yang dievaluasi secara bersamaan. Dalam kasus ini, satu set tes multivariat tersedia (misalnya,
lambda Wilks, kriteria Pillai), masing-masing paling cocok untuk situasi spesifik pengujian beberapa variasi ini.

Perbedaan Antara MANOVA dan Analisis Diskriminan. Kami mencatat sebelumnya bahwa di
pengujian statistik MANOVA menggunakan fungsi diskriminan, yaitu variasi variabel terikat yang
memaksimalkan perbedaan antar kelompok. Mungkin timbul pertanyaan: Apa perbedaan antara
MANOVA dan analisis diskriminan? Dalam beberapa aspek, MANOVA dan analisis diskriminan
merupakan bayangan cermin. Variabel dependen dalam MANOVA (satu set variabel metrik) adalah
variabel independen dalam analisis diskriminan, dan variabel dependen nonmetrik tunggal dari
analisis diskriminan menjadi variabel independen dalam MANOVA. Selain itu, keduanya
menggunakan metode yang sama dalam membentuk variasi dan menilai signifikansi statistik antar
kelompok.
Perbedaannya, bagaimanapun, berpusat di sekitar tujuan analisis dan peran
variabel nonmetrik.
• Analisis diskriminan menggunakan satu variabel nonmetrik sebagai variabel terikat. Kategori
variabel dependen diasumsikan seperti yang diberikan, dan variabel independen digunakan untuk
membentuk variasi yang berbeda secara maksimal antara kelompok yang dibentuk oleh kategori
variabel dependen.
• MANOVA menggunakan himpunan variabel metrik sebagai variabel dependen dan tujuannya adalah
menemukan kelompok responden yang menunjukkan perbedaan pada himpunan variabel dependen.

672
 MANOVA dan GLM

Kelompok responden tidak ditentukan sebelumnya; sebaliknya, peneliti menggunakan satu atau lebih variabel
independen (variabel nonmetrik) untuk membentuk kelompok. MANOVA, bahkan saat membentuk kelompok-kelompok
ini, masih mempertahankan kemampuan untuk menilai dampak dari setiap variabel nonmetrik secara terpisah.

ILUSTRASI HIPOTETIK MANOVA

Contoh sederhana dapat menggambarkan manfaat menggunakan MANOVA sementara juga menggambarkan
penggunaan dua variabel independen untuk menilai perbedaan pada dua variabel dependen.
Asumsikan bahwa biro iklan HBAT mengidentifikasi dua karakteristik iklan HBAT (jenis produk yang
diiklankan dan status pelanggan), yang menurut mereka menyebabkan perbedaan dalam cara orang
mengevaluasi iklan. Mereka meminta departemen penelitian untuk mengembangkan dan melaksanakan
studi untuk menilai dampak dari karakteristik ini pada evaluasi periklanan.

Desain Analisis
Dalam merancang penelitian, tim peneliti mendefinisikan unsur-unsur berikut yang berkaitan dengan faktor-faktor yang
digunakan, variabel terikat, dan ukuran sampel:

• Faktor: Dua faktor didefinisikan mewakili Jenis Produk dan Status Pelanggan. Untuk setiap faktor, dua
tingkat juga ditentukan: jenis produk (produk 1 versus produk 2) dan status pelanggan (pelanggan saat
ini versus mantan pelanggan). Dalam menggabungkan dua variabel ini, kami mendapatkan empat
kelompok berbeda:

tipe produk
Status Pelanggan Produk 1 Produk 2

Pelanggan saat ini Grup 1 Grup 3

Mantan Pelanggan Grup 2 Grup 4

• Variabel dependen: Evaluasi iklan HBAT menggunakan dua variabel (kemampuan untuk menarik
perhatian dan persuasif) yang diukur dengan skala 10 poin.
• Sampel: Responden diperlihatkan iklan dan diminta untuk menilai mereka pada dua ukuran
dependen (lihat Tabel 1).

TABEL 1 Contoh Hipotetis MANOVA

Produk 1 Produk 2
xperhatian - 3.50 xpembelian = 4.50 xperhatian = 5.50 xpembelian = 5.625
xtotal = 8.00 xtotal = 11.125
Jenis Pelanggan/Lini Produk Indo Pembelian Perhatian Total Indo Perhatian Pembelian Total

mantan pelanggan 1 1 3 4 5 3 4 7
xperhatian = 3,00x 2 2 1 4 6 4 3 7
pembelian = 3,25 3 2 3 5 7 4 5 9
xtotal = 6,25 4 3 2 5 8 5 5 10
Rata-rata 2.0 2.25 4.25 4.0 4.25 8.25
Pelanggan 9 4 7 11 13 6 7 13
xperhatian = 6.00x 10 5 6 11 14 7 8 15
pembelian = 6,875 11 5 7 12 15 7 7 14
xtotal = 12.875 12 6 7 13 16 8 6 14
Rata-rata 5.0 6.75 11.75 7.0 7.0 14.0
Nilai adalah tanggapan pada skala 10 poin (1 = Rendah, 10 = Tinggi).

673
 MANOVA dan GLM

Perbedaan dari Analisis Diskriminan

Meskipun MANOVA membangun variat dan menganalisis perbedaan dengan cara yang mirip dengan
analisis diskriminan, kedua teknik tersebut sangat berbeda dalam cara kelompok dibentuk dan dianalisis.
Mari kita gunakan contoh berikut untuk mengilustrasikan perbedaan ini:

• Dengan analisis diskriminan, kami hanya dapat menguji perbedaan antara empat kelompok,
tanpa membedakan karakteristik kelompok (jenis produk atau status pelanggan). Peneliti
akan dapat menentukan apakah variasi hanya berbeda secara signifikan antar kelompok,
tetapi tidak dapat menilai karakteristik kelompok mana yang terkait dengan perbedaan ini.

• Dengan MANOVA, bagaimanapun, peneliti menganalisis perbedaan dalam kelompok sambil juga menilai
apakah perbedaan tersebut disebabkan oleh jenis produk, jenis pelanggan, atau keduanya. Dengan
demikian, MANOVA memfokuskan analisis pada komposisi kelompok berdasarkan karakteristiknya
(variabel bebas).

MANOVA memungkinkan peneliti untuk mengusulkan desain penelitian yang lebih kompleks dengan
menggunakan sejumlah variabel nonmetrik independen (dalam batas) untuk membentuk kelompok dan
kemudian mencari perbedaan yang signifikan dalam variate variabel dependen yang terkait dengan variabel
nonmetrik tertentu.

Membentuk Variate dan Menilai Perbedaan

Dengan MANOVA kami dapat menggabungkan beberapa ukuran dependen menjadi satu variasi yang kemudian akan
dinilai untuk perbedaan di satu atau lebih variabel independen. Mari kita lihat bagaimana variate dibentuk dan
digunakan dalam contoh kita.
Asumsikan untuk contoh ini bahwa dua ukuran dependen (perhatian dan pembelian) memiliki bobot yang
sama ketika dijumlahkan ke dalam nilai variate (variate total = skorkemampuan untuk mendapatkan perhatian + skordaya
persuasif). Langkah pertama ini identik dengan analisis diskriminan dan memberikan nilai komposit tunggal
dengan variabel berbobot untuk mencapai perbedaan maksimum di antara kelompok.
Dengan variat yang terbentuk, sekarang kita dapat menghitung rata-rata untuk masing-masing dari empat kelompok
serta rata-rata keseluruhan untuk setiap level. Dari Tabel 1 kita dapat melihat beberapa pola:

• Rata-rata empat kelompok untuk total variabel komposit (yaitu, 4,25, 8,25, 11,75, dan 14,0) bervariasi secara
signifikan antara masing-masing kelompok, yang cukup berbeda satu sama lain. Jika kita menggunakan analisis
diskriminan dengan keempat kelompok yang ditentukan sebagai ukuran dependen, itu akan menentukan bahwa
perbedaan signifikan muncul pada variabel komposit dan juga bahwa kedua variabel dependen (perhatian dan
pembelian) berkontribusi terhadap perbedaan. Namun dalam melakukannya, kita masih belum memiliki
wawasan tentang bagaimana dua variabel independen berkontribusi pada perbedaan ini.

• MANOVA, bagaimanapun, melampaui hanya menganalisis perbedaan antar kelompok dengan

menilai apakah jenis produk dan/atau status pelanggan menciptakan kelompok dengan perbedaan
ini. Penentuan ini dilakukan dengan mengevaluasi rata-rata kategori (dilambangkan dengan
simbol .), yang ditunjukkan pada Gambar 2 bersama dengan rata-rata kelompok individu (dua garis
menghubungkan kelompok-eks-pelanggan dan pelanggan-untuk produk 1 dan produk 2) . Jika kita
melihat jenis produk (mengabaikan perbedaan status pelanggan), kita dapat melihat nilai rata-rata
8,0 untuk pengguna produk 1 versus nilai rata-rata 11,125 untuk pengguna produk 2. Demikian
juga, untuk status pelanggan, mantan pelanggan memiliki nilai rata-rata 6,25 dan pelanggan nilai
rata-rata 12,875. Pemeriksaan visual menunjukkan bahwa kedua kategori rata-rata menunjukkan
perbedaan yang signifikan, dengan perbedaan untuk jenis pelanggan (12,875 – 6,25 = 6.

674
 MANOVA dan GLM

15

14 Produk 2

13
xpelanggan

12
Produk 1
xproduk 2
11

10

8
xproduk 1

xmantan pelanggan
6

3
Mantan Pelanggan Pelanggan

GAMBAR 2 Tampilan Grafis Kelompok Means of Variate (Total)

untuk Contoh Hipotetis

Dengan mampu mewakili kategori variabel independen ini berarti dalam analisis, analisis MANOVA tidak hanya
menunjukkan bahwa perbedaan keseluruhan antara keempat kelompok memang terjadi (seperti yang dilakukan dengan analisis
diskriminan), tetapi juga bahwa jenis pelanggan dan jenis produk berkontribusi secara signifikan terhadap membentuk
kelompok-kelompok yang berbeda ini. Oleh karena itu, kedua karakteristik tersebut “menyebabkan” perbedaan yang signifikan,
suatu temuan yang tidak mungkin dilakukan dengan analisis diskriminan.

PROSES KEPUTUSAN UNTUK MANOVA

Proses melakukan analisis varians multivariat mirip dengan yang ditemukan di banyak teknik multivariat
lainnya, sehingga dapat dijelaskan melalui proses pembuatan model enam tahap. Prosesnya dimulai
dengan spesifikasi tujuan penelitian. Kemudian dilanjutkan ke sejumlah masalah desain yang dihadapi
analisis multivariat dan kemudian analisis asumsi yang mendasari MANOVA. Dengan masalah ini
ditangani, proses dilanjutkan dengan estimasi model MANOVA dan penilaian model fit secara
keseluruhan. Ketika model MANOVA yang dapat diterima ditemukan, maka hasilnya dapat
diinterpretasikan secara lebih rinci. Langkah terakhir melibatkan upaya untuk memvalidasi hasil untuk
memastikan generalisasi untuk populasi. Gambar 3 (tahap 1-3) dan Gambar 4 (tahap 4-6, ditampilkan
kemudian dalam teks) memberikan gambaran grafis dari proses,

675
 MANOVA dan GLM

Tahap 1 Permasalahan penelitian

Tentukan jenis masalah penelitian

Beberapa univariat
Multivariat struktural
Multivariat intrinsik Pemilihan
variabel terikat

Tahap 2 Masalah Desain Penelitian

Ukuran sampel yang memadai per
kelompok Penggunaan kovariat
Memilih perlakuan (variabel bebas)

Jumlah Variabel Independen

Satu Dua atau lebih

MANOVA sederhana Mengembangkan desain
faktorial Menafsirkan interaksi
Tahap 3 Asumsi
Kemerdekaan
Homogenitas matriks varians/kovarians
Normalitas
Linearitas/multikolinearitas variabel dependen
Sensitivitas terhadap outlier

Ya

Ke
Panggung

GAMBAR 3 Tahapan 1-3 dalam Diagram Keputusan Analisis Varians Multivariat (MANOVA)

TAHAP 1: TUJUAN MANOVA

Pemilihan MANOVA didasarkan pada keinginan untuk menganalisis hubungan ketergantungan yang
direpresentasikan sebagai perbedaan dalam satu set ukuran dependen di serangkaian kelompok yang dibentuk
oleh satu atau lebih ukuran independen kategoris. Dengan demikian, MANOVA merupakan alat analisis yang
kuat yang cocok untuk beragam pertanyaan penelitian. Apakah digunakan dalam situasi aktual atau kuasi-
eksperimental (yaitu, pengaturan lapangan atau penelitian survei yang tindakan independennya kategoris),
MANOVA dapat memberikan wawasan tidak hanya sifat dan kekuatan prediksi dari tindakan independen tetapi
juga keterkaitan dan perbedaan yang terlihat dalam serangkaian tindakan tergantung.

Kapan Kita Harus Menggunakan MANOVA?

Dengan kemampuan untuk menguji beberapa ukuran dependen secara bersamaan, peneliti dapat memperoleh keuntungan
dalam beberapa cara dari penggunaan MANOVA. Di sini kita membahas masalah dalam menggunakan MANOVA dari

676
 MANOVA dan GLM

perspektif pengendalian akurasi dan efisiensi statistik sambil tetap menyediakan forum yang tepat untuk
menguji pertanyaan multivariat.

PENGENDALIAN TINGKAT KESALAHAN SELURUH EKSPERIMEN Penggunaan ANOVA univariat terpisah atau T tes dapat
menimbulkan masalah saat mencoba mengontrol tingkat kesalahan eksperimen [12]. Misalnya, asumsikan bahwa kita
mengevaluasi serangkaian lima variabel dependen dengan ANOVA terpisah, setiap kali menggunakan
. 05 sebagai tingkat signifikansi. Mengingat tidak ada perbedaan nyata dalam variabel dependen, kami berharap
untuk mengamati efek yang signifikan pada variabel dependen yang diberikan 5 persen dari waktu. Namun, di
lima pengujian terpisah kami, kemungkinan kesalahan Tipe I terletak di antara 5 persen, jika semua variabel
dependen berkorelasi sempurna, dan 23 persen (1 - 0,955), jika semua variabel terikat tidak berkorelasi. Dengan
demikian, serangkaian uji statistik terpisah membuat kita tanpa kendali atas tingkat kesalahan Tipe I
keseluruhan atau eksperimen yang efektif. Jika peneliti ingin mempertahankan kontrol atas tingkat kesalahan
eksperimen dan setidaknya beberapa derajat korelasi hadir di antara variabel dependen, maka MANOVA sesuai.

PERBEDAAN ANTARA KOMBINASI VARIABEL TERGANTUNG Serangkaian univariat

Tes ANOVA juga mengabaikan kemungkinan bahwa beberapa komposit (kombinasi linier) dari variabel
dependen dapat memberikan bukti perbedaan kelompok secara keseluruhan yang mungkin tidak
terdeteksi dengan memeriksa setiap variabel dependen secara terpisah. Tes individu mengabaikan
korelasi antara variabel dependen dan dengan adanya multikolinearitas di antara variabel dependen,
MANOVA akan lebih kuat daripada tes univariat terpisah dalam beberapa cara:

• MANOVA dapat mendeteksi gabungan perbedaan tidak ditemukan dalam tes univariat.
• Jika beberapa variasi terbentuk, maka mereka dapat memberikan ukuran perbedaan yang dapat
membedakan antar kelompok lebih baik daripada variabel tunggal.
• Jika jumlah variabel dependen dipertahankan relatif rendah (lima atau lebih sedikit), kekuatan
statistik uji MANOVA sama atau melebihi yang diperoleh dengan ANOVA tunggal [4].

Pertimbangan yang melibatkan ukuran sampel, jumlah variabel dependen, dan kekuatan statistik dibahas
dalam bagian berikutnya.

Jenis Pertanyaan Multivariat yang Cocok untuk MANOVA

Keuntungan MANOVA versus serangkaian ANOVA univariat melampaui masalah statistik dalam kemampuannya
untuk menyediakan metode tunggal pengujian berbagai pertanyaan multivariat yang berbeda. Sepanjang teks,
kami menekankan sifat saling ketergantungan dari analisis multivariat. MANOVA memiliki fleksibilitas untuk
memungkinkan peneliti memilih statistik uji yang paling tepat untuk pertanyaan yang menjadi perhatian. Hand
dan Taylor [10] telah mengklasifikasikan masalah multivariat ke dalam tiga kategori, yang masing-masing
menggunakan aspek MANOVA yang berbeda dalam penyelesaiannya. Ketiga kategori ini adalah pertanyaan
univariat ganda, multivariat terstruktur, dan multivariat intrinsik.

GANDA PERTANYAAN UNIVARIAT Seorang peneliti mempelajari beberapa pertanyaan univariat mengidentifikasi
sejumlah variabel dependen yang terpisah (misalnya, usia, pendapatan, pendidikan konsumen) yang akan
dianalisis secara terpisah tetapi memerlukan beberapa kontrol atas tingkat kesalahan eksperimen. Dalam hal ini,
MANOVA digunakan untuk menilai apakah perbedaan keseluruhan ditemukan antara kelompok, dan kemudian
tes univariat terpisah digunakan untuk mengatasi masalah individu untuk setiap variabel dependen.

PERTANYAAN MULTIVARIAT TERSTRUKTUR Seorang peneliti berurusan dengan pertanyaan multivariat terstruktur
mengumpulkan dua atau lebih ukuran tergantung yang memiliki hubungan khusus di antara mereka. Situasi
umum dalam kategori ini adalah tindakan berulang, di mana beberapa tanggapan dikumpulkan dari setiap
subjek, mungkin dari waktu ke waktu atau dalam paparan pretest-posttest terhadap beberapa stimulus,

677
 MANOVA dan GLM

seperti sebuah iklan. Di sini MANOVA menyediakan metode terstruktur untuk menentukan perbandingan
perbedaan kelompok pada serangkaian ukuran dependen sambil mempertahankan efisiensi statistik.

PERTANYAAN MULTIVARIAT INTRINSIK Sebuah pertanyaan intrinsik multivariat melibatkan satu set ukuran
tergantung di mana perhatian utama adalah bagaimana mereka berbeda secara keseluruhan di seluruh
kelompok. Perbedaan pada ukuran ketergantungan individu kurang menarik daripada efek kolektifnya. Salah
satu contohnya adalah pengujian berbagai ukuran respons yang harus konsisten, seperti sikap, preferensi, dan
niat untuk membeli, yang semuanya berhubungan dengan kampanye iklan yang berbeda. Kekuatan penuh
MANOVA digunakan dalam kasus ini dengan menilai tidak hanya perbedaan keseluruhan tetapi juga perbedaan
di antara kombinasi ukuran dependen yang sebaliknya tidak akan terlihat. Jenis pertanyaan ini dilayani dengan
baik oleh kemampuan MANOVA untuk mendeteksi perbedaan multivariat, bahkan ketika tidak ada tes univariat
tunggal yang menunjukkan perbedaan.

Memilih Ukuran Dependen

Dalam mengidentifikasi pertanyaan yang sesuai untuk MANOVA, penting juga untuk membahas
pengembangan pertanyaan penelitian, khususnya pemilihan ukuran dependen. Masalah umum yang
dihadapi MANOVA adalah kecenderungan para peneliti untuk menyalahgunakan salah satu kekuatannya
—kemampuan untuk menangani berbagai ukuran dependen—dengan memasukkan variabel tanpa dasar
konseptual atau teoretis yang kuat. Masalah terjadi ketika hasil menunjukkan bahwa subset dari variabel
dependen memiliki kemampuan untuk mempengaruhi interpretasi perbedaan keseluruhan antara
kelompok. Jika beberapa ukuran dependen dengan perbedaan kuat tidak benar-benar sesuai untuk
pertanyaan penelitian, maka perbedaan "salah" dapat mengarahkan peneliti untuk menarik kesimpulan
yang salah tentang himpunan secara keseluruhan. Dengan demikian, peneliti harus selalu meneliti
ukuran dependen dan membentuk alasan yang kuat untuk memasukkannya. Setiap urutan variabel,
seperti kemungkinan efek sekuensial, juga harus diperhatikan. MANOVA menyediakan tes khusus,
analisis stepdown, untuk menilai perbedaan statistik secara berurutan, seperti penambahan variabel ke
analisis regresi.
Singkatnya, peneliti harus menilai semua aspek dari pertanyaan penelitian dengan hati-hati dan
memastikan bahwa MANOVA diterapkan dengan cara yang benar dan paling ampuh. Bagian berikut membahas
banyak masalah yang berdampak pada validitas dan akurasi MANOVA; namun, pada akhirnya merupakan
tanggung jawab peneliti untuk menggunakan teknik tersebut dengan benar.

ATURAN UMUM 1

Proses Keputusan untuk MANOVA

• MANOVA adalah perpanjangan dari ANOVA yang menguji pengaruh satu atau lebih variabel independen
nonmetrik pada dua atau lebih variabel dependen metrik
• Selain kemampuan menganalisis beberapa variabel dependen, MANOVA juga memiliki
keunggulan:
• Mengontrol tingkat kesalahan eksperimen ketika beberapa derajat interkorelasi antara
variabel dependen hadir
• Memberikan kekuatan statistik lebih dari ANOVA ketika jumlah variabel dependen adalah lima atau lebih
sedikit
• Variabel independen nonmetrik membuat kelompok di mana variabel dependen
dibandingkan; berkali-kali kelompok mewakili variabel eksperimental atau "efek pengobatan"
• Peneliti harus memasukkan hanya variabel dependen yang memiliki dukungan teoretis yang kuat

678
 MANOVA dan GLM

TAHAP 2: PERMASALAHAN DALAM PENELITIAN DESAIN MANOVA

MANOVA mengikuti semua prinsip desain dasar ANOVA, namun dalam beberapa kasus sifat multivariat
dari ukuran dependen memerlukan perspektif yang unik. Pada bagian berikut kami akan meninjau
prinsip-prinsip desain dasar dan mengilustrasikan isu-isu unik yang muncul dalam analisis MANOVA.

Persyaratan Ukuran Sampel—Secara Keseluruhan dan Berdasarkan Kelompok

MANOVA, seperti semua teknik multivariat lainnya, dapat sangat dipengaruhi oleh ukuran sampel yang digunakan. Apa
yang paling berbeda untuk MANOVA (dan teknik lain menilai perbedaan kelompok sepertiT test dan ANOVA) adalah
bahwa persyaratan ukuran sampel berhubungan dengan ukuran kelompok individu dan bukan total sampel per se.
Sejumlah masalah dasar muncul mengenai ukuran sampel yang dibutuhkan di MANOVA:

• Sebagai minimal, sampel di setiap sel (kelompok) harus lebih besar dari jumlah variabel dependen.
Meskipun kekhawatiran ini mungkin tampak kecil, dimasukkannya hanya sejumlah kecil variabel
dependen (dari 5 hingga 10) dalam analisis menempatkan kendala yang terkadang mengganggu
pengumpulan data. Masalah ini sangat lazim dalam eksperimen lapangan atau penelitian survei, di
mana peneliti kurang memiliki kendali atas sampel yang diperoleh.
• Sebagai panduan praktis, ukuran sel minimum yang direkomendasikan adalah 20 pengamatan. Sekali lagi, ingat
kuantitas ini per kelompok, memerlukan sampel keseluruhan yang cukup besar bahkan untuk analisis yang
cukup sederhana. Dalam contoh pesan iklan kami sebelumnya, kami hanya memiliki dua faktor, masing-masing
dengan dua tingkat, tetapi analisis ini memerlukan 80 pengamatan untuk analisis yang memadai.
• Ketika jumlah variabel dependen meningkat, ukuran sampel yang diperlukan untuk mempertahankan kekuatan
statistik juga meningkat. Kami akan menunda diskusi kami tentang ukuran sampel dan kekuatan sampai bagian
selanjutnya, tetapi sebagai contoh, ukuran sampel yang dibutuhkan meningkat hampir 50 persen karena jumlah
variabel dependen berubah dari dua menjadi hanya enam.

Peneliti harus berusaha untuk mempertahankan ukuran sampel yang sama atau kira-kira sama per kelompok. Meskipun
program komputer dapat dengan mudah mengakomodasi ukuran kelompok yang tidak sama, tujuannya adalah untuk
memastikan bahwa ukuran sampel yang memadai tersedia untuk semua kelompok. Dalam kebanyakan kasus,
efektivitas analisis ditentukan oleh ukuran kelompok terkecil, sehingga selalu membuat pertimbangan ukuran sampel
menjadi perhatian utama.

Desain Faktorial—Dua Perlakuan atau Lebih

Banyak kali peneliti ingin menguji efek dari beberapa variabel independen atau perlakuan daripada
hanya menggunakan satu perlakuan baik dalam tes ANOVA atau MANOVA. Kemampuan ini
merupakan pembeda utama antara MANOVA dan analisis diskriminan karena mampu menentukan
dampak berbagai variabel bebas dalam membentuk kelompok dengan perbedaan kelompok yang
signifikan. Analisis dengan dua atau lebih perlakuan (faktor) disebut adesain faktorial. Secara
umum, desain dengan n perawatan disebut n-desain faktorial jalan.

MEMILIH PERAWATAN Penggunaan yang paling umum dari desain faktorial melibatkan pertanyaan-pertanyaan
penelitian yang menghubungkan dua atau lebih variabel independen nonmetrik dengan satu set variabel
dependen. Dalam hal ini, variabel independen ditentukan dalam desain eksperimen atau dimasukkan dalam
desain eksperimen lapangan atau kuesioner survei.

Jenis Perawatan. Seperti yang dibahas di seluruh bab ini, a perlakuan atau faktor adalah variabel
independen nonmetrik dengan jumlah level (kategori) yang ditentukan. Setiap level mewakili kondisi atau
karakteristik berbeda yang mempengaruhi variabel dependen. Dalam sebuah eksperimen, perawatan
dan level ini dirancang oleh peneliti dan diberikan selama eksperimen. Dalam penelitian lapangan atau
survei, mereka adalah karakteristik responden yang dikumpulkan oleh peneliti dan kemudian
dimasukkan dalam analisis.

679
 MANOVA dan GLM

Tetapi dalam beberapa kasus, perawatan diperlukan selain yang ada dalam desain analisis asli. Penggunaan
yang paling umum dari perawatan tambahan adalah untuk mengontrol karakteristik yang mempengaruhi variabel
dependen tetapi bukan merupakan bagian dari desain penelitian. Dalam hal ini peneliti menyadari kondisi (misalnya,
metode pengumpulan data) atau karakteristik responden (misalnya, lokasi geografis, jenis kelamin, dll) yang berpotensi
menciptakan perbedaan dalam ukuran dependen. Meskipun mereka bukan variabel independen yang menarik bagi
penelitian, mengabaikannya mengabaikan sumber perbedaan potensial yang, dibiarkan tidak diketahui, dapat
mengaburkan beberapa hasil yang menarik bagi penelitian.
Cara paling langsung untuk memperhitungkan efek tersebut adalah melalui a faktor penghambat, yang merupakan
karakteristik nonmetrik yang digunakan post hoc untuk mengelompokkan responden. Tujuannya adalah untuk mengelompokkan
responden untuk mendapatkan homogenitas dalam kelompok yang lebih besar dan mengurangiNONAW sumber varians. Dengan
demikian, kemampuan uji statistik untuk mengidentifikasi perbedaan ditingkatkan.
Asumsikan dalam contoh periklanan kami sebelumnya, kami menemukan bahwa laki-laki pada umumnya
bereaksi berbeda dari perempuan terhadap iklan. Jika jenis kelamin kemudian digunakan sebagai faktor penghambat,
kita dapat mengevaluasi efek dari variabel independen secara terpisah untuk pria dan wanita. Mudah-mudahan,
pendekatan ini akan membuat efeknya lebih nyata daripada ketika kita berasumsi bahwa keduanya bereaksi sama
dengan tidak membuat perbedaan gender. Efek dari jenis pesan dan jenis pelanggan sekarang dapat dievaluasi untuk
laki-laki dan perempuan secara terpisah, memberikan pengujian yang lebih tepat dari efek masing-masing.
Dengan demikian, setiap karakteristik nonmetrik dapat dimasukkan langsung ke dalam analisis untuk memperhitungkan
dampaknya terhadap ukuran-ukuran yang bergantung. Namun, jika variabel yang ingin Anda kontrol adalah metrik, variabel
tersebut dapat dimasukkan sebagai kovariat, yang akan dibahas di bagian selanjutnya.

Jumlah Perawatan. Salah satu keuntungan dari teknik multivariat adalah penggunaan beberapa
variabel dalam satu analisis. Untuk MANOVA, fitur ini berkaitan dengan jumlah variabel dependen yang
dapat dianalisis secara bersamaan. Seperti yang telah dibahas, jumlah variabel dependen mempengaruhi
ukuran sampel yang dibutuhkan dan masalah lainnya. Tetapi bagaimana dengan jumlah perlakuan (yaitu,
variabel bebas)? Meskipun ANOVA dan MANOVA dapat menganalisis beberapa perlakuan secara
bersamaan, beberapa pertimbangan berkaitan dengan jumlah perlakuan dalam suatu analisis.

• Jumlah Sel Terbentuk Mungkin masalah yang paling membatasi yang melibatkan beberapa perawatan
melibatkan jumlah sel (kelompok) yang terbentuk. Seperti yang dibahas dalam contoh sebelumnya,
jumlah sel adalah produk dari jumlah level untuk setiap perlakuan. Misalnya, jika kita memiliki dua
perlakuan dengan masing-masing dua tingkat dan satu perlakuan dengan empat tingkat, total 16 sel (2 *
2 * 4 = 16) akan terbentuk. Mempertahankan ukuran sampel yang cukup untuk setiap sel (dengan asumsi
20 responden per sel) akan membutuhkan total sampel 320.
Namun, ketika diterapkan pada data survei atau eksperimen lapangan, peningkatan jumlah sel menjadi
jauh lebih bermasalah. Karena penelitian lapangan umumnya tidak dapat mengelola survei secara individual
untuk setiap sel desain, peneliti harus merencanakan sampel keseluruhan yang cukup besar untuk mengisi
setiap sel hingga minimum yang diperlukan. Proporsi sampel total dalam setiap sel kemungkinan besar sangat
bervariasi (yaitu, beberapa sel akan jauh lebih mungkin terjadi daripada yang lain), terutama karena jumlah sel
meningkat. Dalam situasi seperti itu, peneliti harus merencanakan ukuran sampel yang lebih besar dari ukuran
yang ditentukan dengan mengalikan jumlah sel dengan jumlah minimum per sel. Mari kita lihat kembali contoh
kita sebelumnya untuk mengilustrasikan masalah ini.
Asumsikan bahwa kita memiliki desain dua faktor sederhana dengan dua level untuk setiap faktor
(2 * 2). Jika desain empat sel ini adalah eksperimen terkontrol, peneliti akan dapat secara acak
menetapkan 20 responden per sel untuk ukuran sampel keseluruhan 80. Lalu bagaimana jika itu adalah
survei lapangan? Jika kemungkinan yang sama bahwa responden akan jatuh ke dalam setiap sel, maka
peneliti bisa mendapatkan total sampel 80 dan setiap sel harus memiliki sampel 20. Proporsi dan sampel
yang rapi seperti itu jarang terjadi. Bagaimana jika satu sel dianggap hanya mewakili 10 persen dari
populasi? Jika kita menggunakan sampel total 80, maka sel ini diharapkan hanya memiliki sampel 8. Jadi,
jika peneliti menginginkan sampel 20 bahkan untuk sel kecil ini, sampel keseluruhan harus ditingkatkan
menjadi 200.

680
 MANOVA dan GLM

Kecuali jika rencana pengambilan sampel yang canggih digunakan untuk memastikan sampel yang
diperlukan per sel, peningkatan jumlah sel (dengan demikian kemungkinan proporsi populasi yang tidak sama di
seluruh sel) akan memerlukan ukuran sampel yang lebih besar daripada dalam eksperimen terkontrol.
Kegagalan untuk melakukannya akan menciptakan situasi di mana sifat statistik dari analisis dapat sangat
berkurang.

• Penciptaan Efek Interaksi Setiap kali lebih dari satu pengobatan digunakan, efek interaksi
diciptakan. Istilah interaksi mewakili efek gabungan dari dua atau lebih perlakuan. Secara
sederhana, perbedaan antara kelompok satu perlakuan tergantung pada nilai perlakuan
yang lain. Mari kita lihat contoh sederhana:
Asumsikan bahwa kita memiliki dua perlakuan: wilayah (Timur versus Barat) dan status
pelanggan (pelanggan dan nonpelanggan). Pertama, asumsikan bahwa pada variabel dependen
(sikap terhadap HBAT) pelanggan mendapat skor 15 poin lebih tinggi daripada nonpelanggan.
Namun, interaksi wilayah dan status pelanggan akan menunjukkan bahwa jumlah perbedaan
antara pelanggan dan nonpelanggan tergantung pada wilayah pelanggan. Misalnya, ketika kita
memisahkan dua wilayah, kita mungkin melihat bahwa pelanggan dari Timur mencetak 25 poin
lebih tinggi daripada nonpelanggan di Timur, sedangkan di Barat selisihnya hanya 5 poin. Dalam
kedua kasus, pelanggan mendapat skor lebih tinggi, tetapi jumlah selisihnya tergantung pada
wilayah. Hasil ini akan menjadi interaksi dari dua perlakuan.
Istilah interaksi dibuat untuk setiap kombinasi variabel perlakuan. Interaksi dua arah adalah
variabel yang diambil dua sekaligus. Interaksi tiga arah merupakan kombinasi dari tiga variabel,
dan seterusnya. Jumlah perlakuan menentukan jumlah kemungkinan interaksi. Bagan berikut
menunjukkan interaksi yang dibuat untuk dua, tiga, dan empat variabel independen:

Persyaratan Interaksi

Perawatan Dua Arah Tiga cara Empat cara

A, B A*B
A, B, C A*B A*B*C
A*C
B*C
A, B, C, D A*B A*B*C A*B*C*D
A*C
A*D A*B*D
B*C
B*D B*C*D
C*D
A*C*D

Kami akan membahas berbagai jenis istilah interaksi dan interpretasinya di bagian berikut,
tetapi peneliti harus siap untuk menafsirkan dan menjelaskan istilah interaksi, apakah signifikan
atau tidak, tergantung pada pertanyaan penelitian.
Jelas, pertimbangan ukuran sampel adalah yang paling penting, tetapi peneliti tidak boleh
mengabaikan implikasi dari istilah interaksi. Selain menggunakan setidaknya satu derajat kebebasan
untuk setiap interaksi, mereka menyajikan masalah interpretasi yang dibahas pada tahap 4.

Menggunakan Kovariat—ANCOVA dan MANCOVA

Kami membahas sebelumnya penggunaan faktor penghambat untuk mengontrol pengaruh pada variabel
dependen yang bukan bagian dari desain penelitian namun perlu diperhitungkan dalam analisis. Ini
memungkinkan peneliti untuk mengontrol variabel nonmetrik, tetapi bagaimana dengan variabel metrik?

681
 MANOVA dan GLM

Salah satu pendekatan adalah dengan mengubah variabel metrik menjadi variabel nonmetrik (misalnya,
pemisahan median, dll.), tetapi proses ini umumnya dianggap tidak memuaskan karena banyak informasi
yang terkandung dalam variabel metrik hilang dalam konversi. Pendekatan kedua adalah memasukkan
variabel metrik sebagaikovariat. Variabel ini dapat mengekstrak pengaruh asing dari variabel dependen,
sehingga meningkatkan varians dalam kelompok (NONAW). Prosesnya mengikuti dua langkah:

1. Prosedur yang mirip dengan regresi linier digunakan untuk menghilangkan variasi dalam variabel
dependen yang terkait dengan satu atau lebih kovariat.
2. Analisis konvensional dilakukan pada variabel dependen yang disesuaikan. Dalam
arti yang sederhana, ini menjadi analisis residual regresi setelah efek kovariat
dihilangkan.

Ketika digunakan dengan ANOVA, analisisnya disebut analisis kovarians (ANCOVA) dan perluasan
sederhana dari prinsip-prinsip ANCOVA ke analisis multivariat (variabel dependen ganda) disebut
MANCOVA.

TUJUAN ANALISIS KOVARIANS Tujuan

dari kovariat adalah untuk menghilangkan efek yang (1) hanya
mempengaruhi sebagian responden atau (2) bervariasi di antara responden. Mirip dengan
penggunaan faktor pemblokiran,analisis kovariat dapat mencapai dua tujuan khusus:

1. Untuk menghilangkan beberapa kesalahan sistematis di luar kendali peneliti yang dapat
membiaskan hasil
2. Untuk menjelaskan perbedaan dalam tanggapan karena karakteristik unik dari responden

Dalam pengaturan eksperimental, bias yang paling sistematis dapat dihilangkan dengan penugasan acak
responden ke berbagai perlakuan. Namun, dalam penelitian noneksperimental, kontrol seperti itu tidak
mungkin dilakukan. Misalnya, dalam menguji iklan, efek mungkin berbeda tergantung pada waktu atau
komposisi penonton dan reaksi mereka. Selain itu, perbedaan pribadi, seperti sikap atau pendapat, dapat
mempengaruhi tanggapan, tetapi analisis tidak memasukkannya sebagai faktor perlakuan. Peneliti
menggunakan kovariat untuk menghilangkan perbedaan karena faktor-faktor ini sebelum efek
percobaan dihitung.

MEMILIH COVARIAT Kovariat yang efektif adalah kovariat yang sangat berkorelasi dengan variabel dependen
tetapi tidak berkorelasi dengan variabel independen. Mari kita periksa mengapa. Varians dalam variabel
dependen membentuk dasar dari istilah kesalahan kami.

• Jika kovariat berkorelasi dengan variabel terikat dan bukan variabel independen, kita dapat
menjelaskan beberapa varians dengan kovariat (melalui regresi linier), meninggalkan varians
residual yang lebih kecil (tidak dapat dijelaskan) dalam variabel dependen. Varians residual ini
memberikan istilah kesalahan yang lebih kecil (NONAW) Untuk F statistik dan dengan demikian uji
efek pengobatan yang lebih efisien. Jumlah yang dijelaskan oleh kovariat yang tidak berkorelasi
tidak akan dijelaskan oleh variabel independen (karena kovariat tidak berkorelasi dengan variabel
independen). Dengan demikian, uji variabel independen lebih sensitif dan kuat.
• Namun, jika kovariat berkorelasi dengan variabel bebas, maka kovariat akan
menjelaskan beberapa varian yang dapat dijelaskan oleh variabel bebas dan
mengurangi pengaruhnya. Karena kovariat diekstraksi terlebih dahulu, setiap variasi
yang terkait dengan kovariat tidak tersedia untuk variabel bebas.

Oleh karena itu, sangat penting bagi peneliti untuk memastikan bahwa korelasi kovariat dan
variabel bebas cukup kecil sehingga pengurangan kekuatan penjelas dari pengurangan varians

682
 MANOVA dan GLM

yang dapat dijelaskan oleh variabel independen lebih kecil daripada penurunan varians yang tidak dapat
dijelaskan yang disebabkan oleh kovariat.

Jumlah Kovariat. Sebuah pertanyaan umum melibatkan berapa banyak kovariat untuk
ditambahkan ke analisis. Meskipun peneliti ingin memperhitungkan sebanyak mungkin efek asing,
jumlah yang terlalu besar akan mengurangi efisiensi statistik prosedur. Aturan praktis [13] menyatakan
bahwa jumlah maksimum kovariat ditentukan sebagai berikut:

Jumlah maksimum kovariat = (.10 * Ukuran sampel) - ( Jumlah grup - 1)

Misalnya, untuk ukuran sampel 100 responden dan 5 kelompok, jumlah kovariat harus
kurang dari 6 [6 = .10 * 100 - (5 - 1)]. Namun, hanya untuk dua kelompok, analisis dapat mencakup
hingga sembilan kovariat.
Peneliti harus selalu berusaha untuk meminimalkan jumlah kovariat, sambil tetap memastikan
bahwa kovariat yang efektif tidak dihilangkan, karena dalam banyak kasus, terutama dengan ukuran
sampel yang kecil, mereka dapat secara nyata meningkatkan sensitivitas uji statistik.

Asumsi untuk Analisis Kovarians. Dua persyaratan untuk menggunakan analisis kovarians
adalah sebagai berikut:

1. Kovariat harus memiliki beberapa hubungan (korelasi) dengan ukuran dependen.

2. Kovariat harus memiliki homogenitas efek regresi, yang berarti bahwa kovariat memiliki efek yang sama
pada variabel dependen di seluruh kelompok. Dalam istilah regresi, ini menyiratkan koefisien yang sama
untuk semua kelompok.

Tes statistik tersedia untuk menilai apakah asumsi ini berlaku untuk setiap kovariat yang digunakan. Jika
salah satu dari persyaratan ini tidak terpenuhi, maka penggunaan kovariat tidak tepat.

Rekanan MANOVA dari Desain ANOVA Lainnya

Banyak jenis desain ANOVA ada dan dibahas dalam teks desain eksperimental standar [15, 19, 22].
Setiap desain ANOVA memiliki mitra multivariatnya; yaitu, setiap ANOVA pada variabel dependen
tunggal dapat diperluas ke desain MANOVA. Untuk mengilustrasikan fakta ini, kita harus
membahas setiap desain ANOVA secara rinci. Jelas, jenis diskusi ini tidak mungkin dalam satu bab
karena seluruh buku dikhususkan untuk subjek desain ANOVA. Untuk informasi lebih lanjut,
pembaca dirujuk ke teks yang lebih berorientasi statistik [1, 2, 5, 7, 8, 9, 11, 20, 25].

Kasus Khusus MANOVA: Tindakan Berulang

Kami membahas sejumlah situasi di mana kami ingin menguji perbedaan pada beberapa ukuran
dependen. Situasi khusus jenis ini terjadi ketika responden yang sama memberikan beberapa ukuran,
seperti skor tes dari waktu ke waktu, dan kami ingin memeriksanya untuk melihat apakah ada tren yang
muncul. Tanpa perlakuan khusus, bagaimanapun, kita akan melanggar asumsi yang paling penting,
independensi. Model MANOVA khusus, disebuttindakan berulang model, menjelaskan ketergantungan
ini dan masih memastikan apakah ada perbedaan yang terjadi di antara individu untuk set variabel
dependen. Perspektif dalam-orang penting agar setiap orang ditempatkan pada pijakan yang sama.

Misalnya, asumsikan kita sedang menilai peningkatan nilai ujian selama satu semester. Kita harus
memperhitungkan skor tes sebelumnya dan bagaimana hubungannya dengan skor selanjutnya, dan kita mungkin
berharap untuk melihat tren yang berbeda untuk mereka yang memiliki skor awal rendah versus tinggi. Jadi, kita harus
mencocokkan skor setiap responden saat melakukan analisis. Perbedaan yang kami minati adalah seberapa besar
perubahan setiap orang, belum tentu perubahan kelompok berarti selama satu semester.

683
 MANOVA dan GLM

ATURAN UMUM 2

Desain Penelitian MANOVA

• Sel (grup) dibentuk oleh kombinasi variabel independen; misalnya, variabel nonmetrik tiga kategori
(misalnya, rendah, sedang, tinggi) dikombinasikan dengan variabel nonmetrik dua kategori (misalnya,
jenis kelamin pria versus wanita) akan menghasilkan desain 3 * 2 dengan enam sel (kelompok)
• Ukuran sampel per kelompok merupakan masalah desain yang kritis:
• Ukuran sampel minimum per kelompok harus lebih besar dari jumlah variabel terikat
• Ukuran sel minimum yang disarankan adalah 20 pengamatan per sel (kelompok)
• Peneliti harus mencoba untuk memiliki ukuran sampel yang kira-kira sama per sel (kelompok)
• Kovariat dan variabel penghambat adalah cara efektif untuk mengendalikan pengaruh eksternal
pada variabel terikat yang tidak secara langsung terwakili dalam variabel bebas
• Kovariat yang efektif adalah kovariat yang berkorelasi tinggi dengan variabel dependen tetapi tidak
berkorelasi dengan variabel independen
• Jumlah maksimum kovariat dalam model harus (.10 * Ukuran sampel) – (Jumlah kelompok -
1)

Kami tidak membahas detail model pengukuran berulang dalam teks ini karena ini adalah bentuk
khusus dari MANOVA. Pembaca yang tertarik dirujuk ke sejumlah perawatan yang sangat baik pada
subjek [1, 2, 5, 7, 8, 9, 11, 20, 25].

TAHAP 3: ASUMSI ANOVA DAN MANOVA

Prosedur uji univariat ANOVA yang dijelaskan dalam bab ini valid (dalam arti statistik) jika diasumsikan
bahwa variabel dependen terdistribusi normal, kelompok-kelompok independen dalam tanggapan
mereka terhadap variabel dependen, dan varians sama untuk semua kelompok perlakuan . Beberapa
bukti [19, 27], bagaimanapun, menunjukkan bahwaF tes di ANOVA kuat sehubungan dengan asumsi ini
kecuali dalam kasus ekstrim.
Agar prosedur uji multivariat MANOVA valid, tiga asumsi harus dipenuhi:

• Pengamatan harus independen.

• Matriks varians-kovarians harus sama untuk semua kelompok perlakuan.
• Himpunan variabel dependen harus mengikuti distribusi normal multivariat (yaitu, setiap
kombinasi linier dari variabel dependen harus mengikuti distribusi normal) [11].

Selain asumsi statistik yang ketat, peneliti juga harus mempertimbangkan beberapa masalah
yang mempengaruhi kemungkinan efek-yaitu, linearitas dan multikolinearitas dari variabel
dependen.

Kemerdekaan
Pelanggaran asumsi yang paling mendasar, namun paling serius, berasal dari kurangnya kemerdekaandi
antara pengamatan, artinya tanggapan di setiap sel (kelompok) tidak dibuat secara independen dari tanggapan
di kelompok lain mana pun. Pelanggaran asumsi ini dapat terjadi dengan mudah dalam situasi eksperimental
maupun noneksperimental. Sejumlah efek asing dan tidak terukur dapat mempengaruhi hasil dengan
menciptakan ketergantungan antara kelompok, tetapi dua pelanggaran independensi yang paling umum adalah
sebagai berikut:

• Efek urutan waktu (korelasi serial) terjadi jika tindakan diambil dari waktu ke waktu, bahkan dari responden
yang berbeda

684
 MANOVA dan GLM

• Mengumpulkan informasi dalam pengaturan kelompok, sehingga pengalaman umum (seperti ruangan yang
bising atau rangkaian instruksi yang membingungkan) akan menyebabkan sebagian individu (mereka yang
memiliki pengalaman umum) memiliki jawaban yang agak berkorelasi

Meskipun tidak ada tes yang memberikan kepastian mutlak untuk mendeteksi semua bentuk ketergantungan, peneliti harus
mengeksplorasi semua kemungkinan efek dan mengoreksinya jika ditemukan. Salah satu solusi potensial adalah
menggabungkan mereka yang ada di dalam kelompok dan menganalisis skor rata-rata kelompok, bukan skor dari responden
yang terpisah. Pendekatan lain adalah dengan menggunakan faktor penghambat atau beberapa bentuk analisis kovariat untuk
memperhitungkan ketergantungan. Dalam kedua kasus, atau ketika ketergantungan dicurigai, peneliti harus menggunakan
tingkat signifikansi yang lebih ketat (0,01 atau bahkan lebih rendah).

Kesetaraan Varians–Matriks Kovarians

Asumsi kedua MANOVA adalah kesetaraan matriks kovarians di seluruh kelompok. Di sini kita prihatin
dengan perbedaan substansial dalam jumlah varians satu kelompok versus yang lain untuk variabel
dependen (mirip dengan masalah heteroskedastisitas dalam regresi berganda). Di MANOVA, dengan
beberapa variabel dependen, kepentingannya adalah matriks varians-kovarians dari ukuran dependen
untuk setiap kelompok.
Uji ekuivalensi varians adalah tes yang sangat “ketat” karena alih-alih varians yang sama untuk satu
variabel dalam ANOVA, tes MANOVA menguji semua elemen matriks kovarians dari variabel dependen.
Misalnya, untuk 5 variabel dependen, 5 korelasi dan 10 kovarians semuanya diuji untuk kesetaraan di
seluruh kelompok. Akibatnya, peningkatan jumlah variabel dependen dan/atau jumlah sel/kelompok
dalam analisis membuat tes lebih sensitif untuk menemukan perbedaan dan dengan demikian
mempengaruhi tingkat signifikansi yang digunakan untuk menentukan apakah pelanggaran telah terjadi.

Program MANOVA melakukan tes untuk kesetaraan matriks kovarians — biasanya Tes kotak M—
dan memberikan tingkat signifikansi untuk statistik uji yang menunjukkan kemungkinan perbedaan
antara kelompok. Oleh karena itu peneliti mencaritidak signifikan perbedaan antara kelompok, dan
tingkat signifikansi yang diamati dari statistik uji dianggap dapat diterima jika kurang signifikan dari nilai
ambang batas untuk perbandingan. Misalnya, jika tingkat 0,01 dianggap sebagai tingkat ambang batas
untuk menunjukkan pelanggaran asumsi, nilai yang lebih besar dari 0,01 (misalnya, 0,02) akan dianggap
dapat diterima karena menunjukkan tidak ada perbedaan antar kelompok, sedangkan nilai kurang dari
0,01 ( misalnya, .001) akan bermasalah karena menunjukkan adanya perbedaan yang signifikan.

Mengingat sensitivitas uji Box's M terhadap ukuran matriks kovarians dan jumlah kelompok dalam
analisis, bahkan desain penelitian sederhana (empat hingga enam kelompok) dengan sejumlah kecil variabel
terikat akan ingin digunakan untuk menggunakan tingkat yang sangat konservatif. perbedaan yang signifikan
(misalnya, 0,01 daripada 0,05) ketika menilai apakah ada perbedaan. Seiring dengan meningkatnya kompleksitas
desain, bahkan tingkat signifikansi yang lebih konservatif dapat dianggap dapat diterima.
Uji Box's M sangat sensitif terhadap penyimpangan dari normalitas [11, 23]. Jadi, seseorang harus
selalu memeriksa normalitas univariat dari semua ukuran dependen sebelum melakukan tes ini.
Untungnya, pelanggaran asumsi ini memiliki dampak minimal jika ukuran kelompok kira-kira sama (yaitu,
ukuran kelompok terbesar - ukuran kelompok terkecil < 1,5).
Jika ukuran kelompok berbeda lebih dari jumlah ini dan tingkat signifikansi uji Box's M tidak berada dalam
tingkat yang dapat diterima, maka peneliti memiliki beberapa pilihan:

• Pertama, terapkan salah satu dari banyak transformasi penstabil varians yang tersedia dan uji ulang untuk melihat
apakah masalah telah diatasi.
• Jika varians yang tidak sama bertahan setelah transformasi dan ukuran kelompok sangat berbeda,
peneliti harus membuat penyesuaian untuk efeknya dalam interpretasi tingkat signifikansi dari
efek utama dan efek interaksi. Pertama, kita harus memastikan kelompok mana yang memiliki
varians terbesar. Penentuan ini mudah dibuat baik dengan memeriksa matriks varians-kovarians

685
 MANOVA dan GLM

atau dengan menggunakan determinan matriks varians-kovarians yang disediakan oleh semua program statistik. Dalam
kedua ukuran nilai tinggi menunjukkan varians yang lebih besar. Dengan demikian,

• Jika varians yang lebih besar ditemukan dengan ukuran kelompok yang lebih besar, tingkat alfa dilebih-lebihkan, yang
berarti bahwa perbedaan sebenarnya harus dinilai menggunakan nilai yang agak lebih rendah (misalnya, gunakan 0,03
daripada 0,05).
• Jika varians yang lebih besar ditemukan dalam ukuran kelompok yang lebih kecil, maka kebalikannya
yang benar. Kekuatan tes telah dikurangi, dan peneliti harus meningkatkan tingkat signifikansi.
Dalam kebanyakan situasi, kehadiran ukuran sampel yang relatif sama di antara kelompok-kelompok mengurangi
pelanggaran asumsi ini. Dengan demikian, penting untuk memperkuat pentingnya desain analisis dalam
mempertahankan ukuran sampel yang sama di antara kelompok.

Normalitas

Asumsi terakhir untuk MANOVA menyangkut normalitas ukuran dependen. Dalam arti yang paling sempit,
asumsinya adalah bahwa semua variabel adalah normal multivariat. Adistribusi normal multivariat
mengasumsikan bahwa efek gabungan dari dua variabel terdistribusi normal. Meskipun asumsi ini mendasari
sebagian besar teknik multivariat, tidak ada uji langsung yang tersedia untuk normalitas multivariat. Oleh
karena itu, sebagian besar peneliti menguji normalitas univariat dari setiap variabel. Meskipun normalitas
univariat tidak menjamin normalitas multivariat, jika semua variabel memenuhi persyaratan ini, maka setiap
penyimpangan dari normalitas multivariat biasanya tidak berpengaruh.
Pelanggaran asumsi ini berdampak kecil dengan ukuran sampel yang lebih besar, seperti yang ditemukan
dengan ANOVA. Melanggar asumsi ini terutama menimbulkan masalah dalam menerapkan uji Box's M, tetapi
transformasi dapat memperbaiki masalah ini di sebagian besar situasi. Dengan ukuran sampel yang moderat,
pelanggaran ringan dapat diakomodasi selama perbedaannya disebabkan oleh skewness dan bukan outlier.

Linearitas dan Multikolinearitas Diantara Variabel Dependen

Meskipun MANOVA menilai perbedaan di antara kombinasi ukuran dependen, MANOVA dapat
membangun hubungan linier hanya antara ukuran dependen (dan kovariat apa pun, jika
disertakan). Peneliti kembali didorong terlebih dahulu untuk memeriksa data, kali ini menilai
adanya hubungan nonlinier. Jika ini ada, maka keputusan dapat dibuat apakah mereka perlu
dimasukkan ke dalam set variabel dependen, dengan mengorbankan kompleksitas yang
meningkat tetapi keterwakilan yang lebih besar.
Selain persyaratan linearitas, variabel dependen tidak boleh memiliki multikolinearitas tinggi,
yang menunjukkan tindakan dependen yang berlebihan dan menurunkan efisiensi statistik. Kami
membahas dampak multikolinearitas pada kekuatan statistik MANOVA di bagian berikutnya.

Sensitivitas terhadap Pencilan

Selain dampak heteroskedastisitas yang dibahas sebelumnya, MANOVA (dan ANOVA) sangat sensitif
terhadap outlier dan pengaruhnya terhadap kesalahan Tipe I. Peneliti sangat dianjurkan terlebih dahulu
untuk memeriksa data untuk outlier dan menghilangkannya dari analisis, jika memungkinkan, karena
dampaknya akan tidak proporsional dalam hasil keseluruhan.

TAHAP 4: ESTIMASI MODEL MANOVA DAN MENILAI

KESESUAIAN KESELURUHAN
Setelah analisis MANOVA dirumuskan dan asumsi diuji kepatuhannya, penilaian perbedaan
signifikan antara kelompok yang dibentuk oleh perlakuan dapat dilanjutkan (lihat Gambar 4).
Prosedur estimasi berdasarkan model linier umum menjadi lebih umum dan mendasar

686
 MANOVA dan GLM

ATURAN UMUM 3

Asumsi MANOVA/ANOVA

• Agar prosedur pengujian multivariat yang digunakan dengan MANOVA valid:

• Pengamatan harus independen
• Matriks varians-kovarians harus sama (atau sebanding) untuk semua kelompok perlakuan
• Variabel terikat harus memiliki distribusi normal multivariat
• Normalitas multivariat diasumsikan, tetapi seringkali sulit untuk dinilai; normalitas univariat tidak
menjamin normalitas multivariat, tetapi jika semua variabel memenuhi persyaratan normalitas
univariat, maka penyimpangan dari normalitas multivariat tidak penting.
• F pengujian umumnya kuat jika pelanggaran asumsi ini sederhana

Dari
Panggung

Tahap 4 Memperkirakan Signifikansi Perbedaan Kelompok

Memilih kriteria untuk uji signifikansi
Menilai kekuatan statistik
Meningkatkan kekuatan
Gunakan dalam perencanaan dan analisis
Pengaruh Multikolinieritas Variabel Dependen

Tahap 5 Menafsirkan Pengaruh Variabel

Mengevaluasi kovariat
Menilai dampak variabel independen
Tes post hoc vs. apriori
Analisis stepdown

Mengidentifikasi Perbedaan Antar Kelompok

Metode pasca hoc
Metode perbandingan apriori atau terencana

Tahap 6 Memvalidasi Hasil

Replikasi
Analisis sampel terpisah

GAMBAR 4 Tahapan 4–6 dalam Analisis Varians Multivariat (MANOVA)

Diagram Keputusan

687
 MANOVA dan GLM

masalah akan ditangani. Dengan model estimasi, peneliti kemudian dapat menilai perbedaan rata-rata
berdasarkan uji statistik yang paling sesuai untuk tujuan penelitian. Selain itu, dalam situasi apa pun,
tetapi terutama ketika analisis menjadi lebih kompleks, peneliti harus mengevaluasi kekuatan uji statistik
untuk memberikan perspektif yang paling tepat tentang hasil yang diperoleh.

Estimasi dengan Model Linier Umum

Cara tradisional menghitung statistik uji yang sesuai untuk ANOVA dan MANOVA didirikan lebih
dari 70 tahun yang lalu [26]. Namun, dalam beberapa tahun terakhir,model linier umum (GLM) [
18, 21] telah menjadi cara yang populer untuk memperkirakan model ANOVA dan MANOVA.
Prosedur GLM, seperti namanya, adalah keluarga model, masing-masing terdiri dari tiga elemen:

• Variasikan. Kombinasi linier variabel bebas seperti yang ditentukan oleh peneliti. Setiap variabel
independen memiliki bobot estimasi yang mewakili kontribusi variabel tersebut terhadap nilai
prediksi.
• Komponen acak. Distribusi probabilitas diasumsikan mendasari variabel dependen.
Distribusi probabilitas yang umum adalah distribusi normal, Poisson, binomial, dan
multinomial. Setiap distribusi dikaitkan dengan jenis variabel respons (misalnya,
variabel kontinu dikaitkan dengan distribusi normal, proporsi dikaitkan dengan
distribusi binomial, dan variabel dikotomis dikaitkan dengan distribusi Poisson).
Peneliti memilih komponen acak berdasarkan jenis variabel respon.
• Fungsi tautan. Menyediakan hubungan teoritis antara variate dan komponen acak untuk
mengakomodasi formulasi model yang berbeda. NSfungsi tautan menentukan jenis transformasi
yang diperlukan untuk menentukan model yang diinginkan. Tiga fungsi tautan yang paling umum
adalah tautan identitas, logit, dan log.

Pendekatan GLM menyediakan peneliti dengan model estimasi tunggal di mana sejumlah model
statistik yang berbeda dapat diakomodasi. Dua keuntungan unik dari pendekatan GLM adalah
fleksibilitas dan kesederhanaannya dalam desain model.

• Dengan menentukan kombinasi spesifik dari komponen acak dan fungsi link yang digabungkan
dengan jenis variabel dalam variate, berbagai model multivariat dapat diperkirakan. Seperti yang
ditunjukkan pada Tabel 2, kombinasi komponen ini sesuai dengan banyak teknik multivariat yang
telah dibahas. Dengan demikian, prosedur estimasi tunggal dapat digunakan untuk berbagai
model empiris.
• Peneliti juga dapat memvariasikan baik fungsi link atau distribusi probabilitas untuk paling cocok
dengan properti sebenarnya dari data daripada menggunakan transformasi data yang ekstensif.
Dua contoh menggambarkan fitur ini. Pertama, dalam kasus heteroskedastisitas, substitusi
distribusi gamma akan memungkinkan estimasi model tanpa mengubah ukuran dependen. Kedua,
jika variate diasumsikan multiplicative daripada additive, salah satu alternatifnya adalah
menggunakan transformasi logaritmik dari variate. Dalam GLM, variasi dapat tetap dalam
formulasi aditif dengan fungsi tautan log yang digunakan sebagai gantinya.

MEJA 2 Menentukan Model Multivarian sebagai Komponen GLM

Tanggapan
Multivariasi (Bergantung) Mandiri Tautan Kemungkinan
Teknik Variabel Variabel Fungsi Distribusi

Regresi Berganda Metrik Metrik Identitas Normal

Regresi logistik Nonmetrik Metrik Logit Binomium
ANOVA/MANOVA Metrik Nonmetrik Identitas Normal

688
 MANOVA dan GLM

Diskusi yang lebih menyeluruh tentang prosedur GLM dan banyak variasinya tersedia dalam beberapa
teks [6, 14, 18]. Di sini, kami memberikan pengantar singkat tentang konsep GLM karena telah menjadi
metode estimasi yang disukai untuk ANOVA dan MANOVA di antara banyak peneliti dan beberapa paket
statistik (misalnya, SPSS).

Kriteria Pengujian Signifikansi

Dalam diskusi kami tentang kesamaan MANOVA dengan analisis diskriminan, kami mengacu pada
akar karakteristik terbesar dan fungsi diskriminan pertama, dan istilah ini menyiratkan bahwa
beberapa fungsi diskriminan dapat bertindak sebagai variasi dari variabel dependen. Banyaknya
fungsi ditentukan oleh nilai terkecil dari (k - 1) atau P di mana k adalah jumlah kelompok dan P
adalah banyaknya variabel terikat. Jadi, setiap ukuran untuk menguji signifikansi statistik dari
perbedaan kelompok di MANOVA mungkin perlu mempertimbangkan perbedaan di beberapa
fungsi diskriminan.

UKURAN STATISTIK Seperti dalam analisis diskriminan, peneliti menggunakan sejumlah kriteria statistik untuk
diterapkan tes signifikansi berkaitan dengan perbedaan di seluruh dimensi variabel dependen. Tindakan yang
paling banyak digunakan adalah:

• Akar karakteristik terbesar Roy (gcr), seperti namanya, mengukur perbedaan hanya pada
fungsi diskriminan pertama di antara variabel dependen. Kriteria ini memberikan
keuntungan dalam kekuatan dan spesifisitas tes tetapi membuatnya kurang berguna dalam
situasi tertentu di mana semua dimensi harus dipertimbangkan. Uji gcr Roy paling tepat
ketika variabel dependen saling terkait kuat pada satu dimensi, tetapi juga ukuran yang
paling mungkin dipengaruhi oleh pelanggaran asumsi.
• lambda Wilks (juga dikenal sebagai kamu statistik) sering disebut sebagai multivariat F dan
umumnya digunakan untuk menguji signifikansi keseluruhan antara kelompok dalam situasi
multivariat. Tidak seperti statistik gcr Roy, yang didasarkan pada fungsi diskriminan pertama,
lambda Wilks mempertimbangkan semua fungsi diskriminan; yaitu, memeriksa apakah kelompok
entah bagaimana berbeda tanpa memperhatikan apakah mereka berbeda pada setidaknya satu
kombinasi linier dari variabel dependen. Meskipun distribusi lambda Wilks rumit, perkiraan yang
baik untuk pengujian signifikansi tersedia dengan mengubahnya menjadiF statistik [22].

• Kriteria Pillai dan Hotelling T2 adalah dua ukuran lain yang mirip dengan lambda Wilks
karena mereka mempertimbangkan semua akar karakteristik dan dapat didekati denganF
statistik.

Dengan hanya dua kelompok, semua ukuran setara. Perbedaan terjadi karena jumlah fungsi diskriminan
meningkat. Rules of Thumb 4 mengidentifikasi ukuran yang paling cocok untuk situasi yang berbeda.

Kekuatan Statistik dari Tes Multivariat

Dalam istilah sederhana untuk MANOVA, kekuasaan adalah probabilitas bahwa uji statistik akan mengidentifikasi efek
pengobatan jika itu benar-benar ada. Daya juga dapat dinyatakan sebagai satu dikurangi probabilitas aKesalahan tipe
II atau beta (β) kesalahan (yaitu, Daya = 1 - -). Kekuatan statistik memainkan peran penting dalam setiap analisis
MANOVA karena digunakan baik dalam proses perencanaan (yaitu, menentukan ukuran sampel yang diperlukan) dan
sebagai ukuran diagnostik hasil, terutama ketika efek yang tidak signifikan ditemukan. Bagian berikut pertama-tama
memeriksa dampak pada kekuatan statistik dan kemudian membahas isu-isu unik untuk memanfaatkan analisis
kekuatan dalam desain MANOVA.

689
 MANOVA dan GLM

ATURAN UMUM 4

Memilih Ukuran Statistik

• Ukuran yang lebih disukai adalah yang paling kebal terhadap pelanggaran asumsi yang mendasari
MANOVA dan tetap mempertahankan kekuatan terbesar
• Setiap ukuran lebih disukai dalam situasi yang berbeda:
• Kriteria Pillai atau lambda Wilks adalah ukuran yang lebih disukai ketika pertimbangan desain dasar
(ukuran sampel yang memadai, tidak ada pelanggaran asumsi, ukuran sel yang kira-kira sama)
terpenuhi
• Kriteria Pillai dianggap lebih kuat dan harus digunakan jika ukuran sampel berkurang, muncul ukuran
sel yang tidak sama, atau homogenitas kovarians dilanggar
• Roy's gcr adalah statistik uji yang lebih kuat jika peneliti yakin bahwa semua asumsi
terpenuhi secara ketat dan ukuran dependen mewakili satu dimensi efek

• Dalam sebagian besar situasi, semua ukuran statistik memberikan kesimpulan yang serupa
• Ketika dihadapkan pada kondisi yang bertentangan, bagaimanapun, ukuran statistik dapat dipilih yang memenuhi
situasi yang dihadapi oleh peneliti

DAMPAK TERHADAP KEKUATAN STATISTIK Tingkat kekuatan untuk salah satu dari empat kriteria statistik—
Roy's gcr, Wilks' lambda, Hotelling's T2, atau kriteria Pillai—didasarkan pada tiga pertimbangan: tingkat
alfa (-), ukuran efek perlakuan, dan ukuran sampel kelompok. Masing-masing pertimbangan ini dapat
dikontrol dalam berbagai tingkat dalam desain MANOVA dan memberi peneliti sejumlah opsi dalam
mengelola daya untuk mencapai tingkat daya yang diinginkan dalam kisaran 0,80 atau lebih tinggi.

Tingkat Signifikansi Statistik (alpha ). Daya berbanding terbalik dengan alfa (-) tingkat dipilih. Banyak
peneliti berasumsi bahwa tingkat signifikansi adalah tetap pada tingkat tertentu (misalnya, 0,05), tetapi
sebenarnya ini merupakan penilaian oleh peneliti tentang di mana harus menempatkan penekanan pengujian
statistik. Sering kali dua elemen lain yang mempengaruhi daya (ukuran efek dan ukuran sampel) sudah
ditentukan atau data telah dikumpulkan, sehingga tingkat alfa menjadi alat utama dalam menentukan kekuatan
analisis.
Dengan menetapkan tingkat alfa yang diperlukan untuk menunjukkan signifikansi statistik, peneliti menyeimbangkan keinginan

untuk menjadi ketat dalam apa yang dianggap sebagai perbedaan yang signifikan antar kelompok sementara masih belum menetapkan

kriteria yang begitu tinggi sehingga perbedaan tidak dapat ditemukan.

• Peningkatan alfa (yaitu, - menjadi lebih konservatif, seperti berpindah dari 0,05 ke 0,01) mengurangi kemungkinan
menerima perbedaan sebagai signifikan ketika perbedaan tersebut tidak terlalu signifikan. Namun, melakukan
hal itu mengurangi daya karena menjadi lebih selektif dalam apa yang dianggap sebagai perbedaan statistik juga
meningkatkan kesulitan dalam menemukan perbedaan yang signifikan.
• Penurunan tingkat alpha yang diperlukan untuk signifikansi statistik (misalnya, - bergerak dari 0,05
ke 0,10) dianggap berkali-kali sebagai "kurang statistik" karena peneliti bersedia menerima
perbedaan kelompok yang lebih kecil sebagai signifikan. Namun, dalam kasus di mana ukuran efek
atau ukuran sampel lebih kecil dari yang diinginkan, mungkin perlu untuk tidak terlalu khawatir
tentang menerima positif palsu ini dan menurunkan tingkat alfa untuk meningkatkan daya. Salah
satu contohnya adalah ketika membuat beberapa perbandingan. Untuk mengontrol tingkat
kesalahan eksperimen, tingkat alfa ditingkatkan untuk setiap perbandingan terpisah. Namun,
untuk membuat beberapa perbandingan dan tetap mencapai tingkat keseluruhan 0,05 mungkin
memerlukan tingkat yang ketat (misalnya, 0,01 atau kurang) untuk setiap perbandingan terpisah,
sehingga sulit untuk menemukan perbedaan yang signifikan (yaitu, daya yang lebih rendah).

690
 MANOVA dan GLM

Peneliti harus selalu menyadari implikasi dari penyesuaian tingkat alpha, karena tujuan utama dari analisis tidak
hanya menghindari kesalahan Tipe I tetapi juga mengidentifikasi efek pengobatan jika memang ada. Jika level
alpha diatur terlalu ketat, maka kekuatannya mungkin terlalu rendah untuk mengidentifikasi hasil yang valid.
Peneliti harus mencoba untuk mempertahankan tingkat alpha yang dapat diterima dengan kekuatan di kisaran
0,80.

Ukuran Efek. Bagaimana peneliti meningkatkan daya setelah level alfa ditentukan? Alat utama yang
tersedia bagi peneliti adalah ukuran sampel kelompok. Namun, sebelum kita menilai peran ukuran
sampel, kita perlu memahami dampak dariukuran efek, yang merupakan ukuran standar perbedaan
kelompok, biasanya dinyatakan sebagai perbedaan rata-rata kelompok dibagi dengan simpangan
bakunya. Rumus ini mengarah ke beberapa generalisasi:

• Seperti yang diharapkan, semua hal lain sama, ukuran efek yang lebih besar memiliki lebih banyak kekuatan (yaitu, lebih mudah ditemukan)

daripada ukuran efek yang lebih kecil.

• Besarnya ukuran efek memiliki dampak langsung pada kekuatan uji statistik. Untuk ukuran sampel apa pun,
kekuatan uji statistik akan semakin tinggi semakin besar ukuran efeknya. Sebaliknya, jika suatu perlakuan
memiliki ukuran efek yang diharapkan kecil, itu akan mengambil ukuran sampel yang jauh lebih besar untuk
mencapai kekuatan yang sama dengan perlakuan dengan ukuran efek yang besar.

Para peneliti selalu berharap untuk merancang eksperimen dengan ukuran efek yang besar. Namun, ketika digunakan dengan
penelitian lapangan, peneliti harus "mengambil apa yang mereka dapatkan" dan dengan demikian menyadari kemungkinan
ukuran efek saat merencanakan penelitian mereka serta saat menganalisis hasil.

Ukuran sampel. Dengan tingkat alfa yang ditentukan dan ukuran efek yang diidentifikasi, elemen terakhir yang

memengaruhi daya adalah ukuran sampel. Dalam banyak kasus, elemen ini adalah yang paling dapat dikontrol oleh peneliti.
Seperti yang telah dibahas sebelumnya, peningkatan ukuran sampel umumnya mengurangi kesalahan pengambilan sampel dan
meningkatkan sensitivitas (daya) pengujian. Faktor lain yang dibahas sebelumnya (level alfa dan ukuran efek) juga memengaruhi
daya, dan kita dapat menggambar beberapa generalisasi untuk desain ANOVA dan MANOVA:

• Dalam analisis dengan ukuran kelompok kurang dari 30 anggota, memperoleh tingkat kekuatan yang diinginkan bisa
sangat bermasalah. Jika ukuran efek kecil, maka peneliti mungkin diminta untuk mengurangi alfa (misalnya, .05 hingga
.10) untuk mendapatkan daya yang diinginkan.
• Peningkatan ukuran sampel di setiap kelompok memiliki efek yang nyata sampai ukuran kelompok sekitar
150 tercapai, dan kemudian peningkatan kekuatan melambat secara nyata.
• Ingatlah bahwa ukuran sampel yang besar (misalnya, 400 atau lebih besar) mengurangi komponen kesalahan
pengambilan sampel ke tingkat yang sangat kecil sehingga sebagian besar perbedaan kecil dianggap signifikan
secara statistik. Ketika ukuran sampel menjadi besar dan signifikansi statistik diindikasikan, peneliti harus
memeriksa kekuatan dan ukuran efek untuk memastikan tidak hanya signifikansi statistik tetapi juga signifikansi
praktis.

Masalah Unik dengan MANOVA. Kemampuan untuk menganalisis beberapa variabel dependen di
MANOVA menciptakan kendala tambahan pada kekuatan dalam analisis MANOVA. Satu sumber [17] dari tabel
yang diterbitkan menyajikan kekuatan dalam sejumlah situasi umum di mana MANOVA diterapkan. Namun, kita
dapat menarik beberapa kesimpulan umum dari memeriksa serangkaian kondisi yang dihadapi dalam banyak
desain penelitian. Tabel 3 memberikan gambaran tentang ukuran sampel yang diperlukan untuk berbagai
tingkat kompleksitas analisis. Sebuah tinjauan tabel mengarah ke beberapa poin umum.

• Meningkatkan jumlah variabel dependen membutuhkan peningkatan ukuran sampel untuk mempertahankan
tingkat kekuasaan tertentu. Ukuran sampel tambahan yang dibutuhkan lebih jelas untuk ukuran efek yang lebih
kecil.

691
 MANOVA dan GLM

TABEL 3 Persyaratan Ukuran Sampel per Grup untuk Mencapai Kekuatan

Statistik 0,80 di MANOVA

JUMLAH GRUP

3 4 5
Jumlah Tanggungan Jumlah Tanggungan Jumlah Tanggungan
Variabel Variabel Variabel
Ukuran Efek 2 46 8 2 4 6 8 2 4 6 8
Sangat besar 13 16 18 21 14 18 21 23 16 21 24 27
Besar 26 33 38 42 29 37 44 46 34 44 52 58
Medium 44 56 66 72 50 64 74 84 60 76 90 100
Kecil 98 125 145 160 115 145 165 185 135 170 200 230
Sumber: J. Läuter, “Persyaratan Ukuran Sampel untuk T2 Uji MANOVA (Tabel untuk Klasifikasi Satu Arah),”Jurnal
Biometrik 20 (1978): 389–406.

• Untuk ukuran efek yang kecil, peneliti harus siap untuk terlibat dalam upaya penelitian yang substansial untuk
mencapai tingkat kekuatan yang dapat diterima. Misalnya, untuk mencapai kekuatan yang disarankan dari
. 80 ketika menilai ukuran efek kecil dalam desain empat kelompok, 115 subjek per kelompok diperlukan jika dua
ukuran dependen digunakan. Ukuran sampel yang dibutuhkan meningkat menjadi 185 per kelompok jika
delapan variabel dependen dipertimbangkan.

Seperti yang dapat kita lihat, keuntungan menggunakan beberapa ukuran dependen memiliki biaya dalam
analisis kami. Dengan demikian peneliti harus selalu menyeimbangkan penggunaan ukuran yang lebih
tergantung versus manfaat kekikiran dalam set variabel terikat yang terjadi tidak hanya dalam interpretasi tetapi
juga dalam uji statistik untuk perbedaan kelompok.

Menghitung Tingkat Daya. Untuk menghitung daya untuk analisis ANOVA, sumber yang
diterbitkan [3, 24] serta program komputer sekarang tersedia. Metode menghitung kekuatan
MANOVA, bagaimanapun, jauh lebih terbatas. Untungnya, sebagian besar program komputer
memberikan penilaian daya untuk uji signifikansi dan memungkinkan peneliti untuk menentukan
apakah daya harus berperan dalam interpretasi hasil.
Dalam hal materi yang diterbitkan untuk tujuan perencanaan, sedikit ada untuk MANOVA karena banyak
elemen mempengaruhi kekuatan analisis MANOVA. Peneliti, bagaimanapun, harus memanfaatkan alat yang
tersedia untuk ANOVA dan kemudian membuat penyesuaian yang dijelaskan untuk mendekati kekuatan desain
MANOVA.

MENGGUNAKAN KEKUATAN DALAM PERENCANAAN DAN ANALISIS Estimasi daya harus digunakan baik dalam merencanakan

analisis maupun dalam menilai hasilnya. Pada tahap perencanaan, peneliti menentukan ukuran sampel yang dibutuhkan
untuk mengidentifikasi perkiraan ukuran efek. Dalam banyak kasus, ukuran efek dapat diperkirakan dari penelitian
sebelumnya atau penilaian yang beralasan, atau bahkan ditetapkan pada tingkat signifikansi praktis minimum. Dalam
setiap kasus, ukuran sampel yang dibutuhkan untuk mencapai tingkat daya tertentu dengan tingkat alfa tertentu dapat
ditentukan.
Dengan menilai kekuatan kriteria tes setelah analisis selesai, peneliti menyediakan konteks untuk
menafsirkan hasil, terutama jika perbedaan yang signifikan tidak ditemukan. Peneliti harus terlebih dahulu
menentukan apakah daya yang dicapai cukup (0,80 atau lebih). Jika tidak, dapatkah analisis dirumuskan ulang
untuk memberikan lebih banyak kekuatan? Kemungkinan mencakup beberapa bentuk perlakuan pemblokiran
atau analisis kovariat yang akan membuat pengujian lebih efisien dengan menonjolkan ukuran efek. Jika
kekuatan memadai dan signifikansi statistik tidak ditemukan untuk efek pengobatan, maka kemungkinan besar
ukuran efek untuk pengobatan terlalu kecil untuk signifikansi statistik atau praktis.

692
 MANOVA dan GLM

PENGARUH MULTIKOLINIERITAS VARIABEL TERGANTUNG TERHADAP POWER Sampai saat ini kami
membahas kekuatan dari perspektif yang berlaku untuk ANOVA dan MANOVA. Dalam MANOVA,
bagaimanapun, peneliti juga harus mempertimbangkan efek multikolinearitas dari variabel dependen
pada kekuatan uji statistik. Peneliti, baik dalam tahap perencanaan atau analisis, harus
mempertimbangkan kekuatan dan arah korelasi serta ukuran efek dari variabel dependen. Jika kita
mengklasifikasikan variabel berdasarkan ukuran efeknya sebagai kuat atau lemah, maka beberapa pola
muncul [4].

• Pertama, jika pasangan variabel yang berkorelasi terdiri dari variabel kuat-kuat atau variabel lemah-
lemah, maka kekuatan terbesar dicapai ketika korelasi antar variabel sangat negatif. Hasil ini
menunjukkan bahwa MANOVA dioptimalkan dengan menambahkan variabel dependen dengan
korelasi negatif yang tinggi. Misalnya, daripada memasukkan dua ukuran kepuasan yang
berlebihan, peneliti mungkin menggantinya dengan ukuran kepuasan dan ketidakpuasan yang
berkorelasi untuk meningkatkan kekuasaan.
• Ketika pasangan variabel yang berkorelasi adalah campuran (kuat-lemah), maka kekuatan dimaksimalkan
ketika korelasinya tinggi, baik positif maupun negatif.
• Satu pengecualian untuk pola umum ini adalah temuan bahwa menggunakan beberapa item untuk meningkatkan
keandalan menghasilkan keuntungan bersih dari kekuasaan, bahkan jika item tersebut berlebihan dan
berkorelasi positif.

TINJAUAN KEKUATAN DI MANOVA Salah satu pertimbangan terpenting dalam MANOVA yang sukses adalah
kekuatan statistik dari analisis. Meskipun peneliti yang terlibat dalam eksperimen memiliki lebih banyak kendali
atas tiga elemen yang memengaruhi daya, mereka harus yakin untuk mengatasi masalah yang diangkat di
bagian sebelumnya atau masalah potensial yang mengurangi daya di bawah nilai 0,80 yang diinginkan dapat
dengan mudah terjadi. Dalam penelitian lapangan, peneliti tidak hanya dihadapkan pada kepastian yang kurang
tentang ukuran efek dalam analisis, tetapi juga kurangnya kontrol ukuran kelompok dan potensi ukuran
kelompok kecil yang mungkin terjadi dalam proses pengambilan sampel. Dengan demikian, isu-isu dalam desain
dan pelaksanaan penelitian lapangan yang dibahas pada tahap 2 juga sangat penting dalam keberhasilan
analisis.

ATURAN UMUM 5

Estimasi MANOVA

• Empat ukuran yang paling banyak digunakan untuk menilai signifikansi statistik antar kelompok pada
variabel independen adalah:
• Akar karakteristik terbesar Roy
• lambda Wilks
• Kriteria Pillai
• T . Hotelling2
• Dalam kebanyakan situasi, hasil/kesimpulan akan sama di keempat pengukuran, tetapi dalam beberapa
kasus unik, hasilnya akan berbeda di antara pengukuran
• Mempertahankan kekuatan statistik yang memadai sangat penting:
• Daya dalam kisaran .80 untuk level alfa yang dipilih dapat diterima
• Ketika ukuran efek kecil, peneliti harus menggunakan ukuran sampel yang lebih besar per kelompok untuk mempertahankan
tingkat kekuatan statistik yang dapat diterima
• Model linier umum (GLM) banyak digunakan saat ini dalam pengujian model ANOVA atau MANOVA; GLM
tersedia di sebagian besar paket statistik seperti SPSS dan SAS

693
 MANOVA dan GLM

TAHAP 5: INTERPRETASI HASIL MANOVA

Setelah signifikansi statistik dari perawatan telah dinilai, peneliti mengalihkan perhatian untuk memeriksa hasil
untuk memahami bagaimana setiap perawatan mempengaruhi ukuran dependen. Dalam melakukannya,
serangkaian tiga langkah harus diambil:

1. Menafsirkan efek kovariat, jika digunakan.

2. Menilai variabel dependen mana yang menunjukkan perbedaan antar kelompok dari setiap perlakuan.
3. Identifikasi apakah kelompok berbeda pada variabel dependen tunggal atau seluruh variabel
dependen.

Kami pertama memeriksa metode yang kovariat signifikan dan variabel dependen diidentifikasi,
dan kemudian kami membahas metode yang perbedaan antara kelompok individu dan variabel
dependen dapat diukur.

Mengevaluasi Kovariat
Kovariat dapat memainkan peran penting dengan memasukkan variabel metrik ke dalam desain
MANOVA atau ANOVA. Namun, karena kovariat bertindak sebagai ukuran kontrol pada variabel
dependen, mereka harus dinilai sebelum perawatan diperiksa. Setelah memenuhi asumsi untuk
menerapkan kovariat, peneliti dapat menginterpretasikan efek aktual dari kovariat pada variabel
dependen dan dampaknya terhadap uji statistik aktual dari perlakuan.

MENILAI DAMPAK KESELURUHAN Peran paling penting dari kovariat adalah dampak keseluruhan dalam
uji statistik untuk perlakuan. Pendekatan paling langsung untuk mengevaluasi dampak ini adalah
dengan menjalankan analisis dengan dan tanpa kovariat. Kovariat yang efektif akan meningkatkan
kekuatan statistik tes dan mengurangi varians dalam kelompok. Jika peneliti tidak melihat
peningkatan substansial, maka kovariat dapat dihilangkan, karena mereka mengurangi derajat
kebebasan yang tersedia untuk pengujian efek perlakuan. Pendekatan ini juga dapat
mengidentifikasi contoh-contoh di mana kovariat terlalu kuat dan mengurangi varians sedemikian
rupa sehingga semua perlakuan tidak signifikan. Seringkali situasi ini terjadi ketika kovariat
disertakan yang berkorelasi dengan salah satu variabel independen dan dengan demikian
menghilangkan varians ini,

MENAFSIRKAN KOVARIAT Karena MANCOVA dan ANCOVA adalah aplikasi dari prosedur regresi
dalam metode analisis varians, menilai dampak kovariat pada variabel dependen sangat mirip
dengan memeriksa persamaan regresi. Jika dampak keseluruhan dianggap signifikan, maka
setiap kovariat dapat diperiksa untuk kekuatan hubungan prediktif dengan ukuran dependen.
Jika kovariat mewakili efek berbasis teoritis, maka hasil ini memberikan dasar objektif untuk
menerima atau menolak hubungan yang diusulkan. Dalam nada praktis, peneliti dapat
memeriksa dampak kovariat dan menghilangkannya dengan sedikit atau tanpa efek.

Menilai Efek pada Variate Dependen

Dengan dampak, jika ada, dari kovariat yang diperhitungkan dalam analisis, langkah selanjutnya adalah menguji
dampak setiap perlakuan (variabel bebas) terhadap variabel terikat. Dalam melakukannya, pertama-tama kita
akan membahas bagaimana menilai perbedaan yang disebabkan oleh setiap perlakuan. Dengan efek
pengobatan yang ditetapkan, kami kemudian akan menilai apakah efek tersebut independen dalam kasus dua
atau lebih perawatan. Akhirnya, kami akan memeriksa apakah efek dari perawatan meluas ke seluruh rangkaian
tindakan dependen atau hanya tercermin dalam subset tindakan.

694
 MANOVA dan GLM

EFEK UTAMA DARI PERAWATAN Kami telah membahas langkah-langkah yang tersedia untuk menilai signifikansi
statistik pengobatan. Ketika efek signifikan ditemukan, kami menyebutnya sebagaiefek utama, yang berarti
bahwa perbedaan yang signifikan antara dua atau lebih kelompok ditentukan oleh perlakuan. Dengan dua
tingkat perlakuan, efek utama yang signifikan memastikan bahwa kedua kelompok berbeda nyata. Namun,
dengan tiga level atau lebih, efek utama yang signifikantidakmenjamin bahwa ketiga kelompok berbeda secara
signifikan, melainkan hanya bahwa setidaknya ada setidaknya satu perbedaan yang signifikan antara sepasang
kelompok. Seperti yang akan kita lihat di bagian berikutnya, beragam uji statistik tersedia untuk menilai
kelompok mana yang berbeda baik pada variabel dependen maupun variabel dependen yang terpisah.

Jadi bagaimana kita menggambarkan efek utama? Efek utama biasanya dijelaskan oleh perbedaan antara
kelompok pada variabel dependen dalam analisis. Asumsikan bahwa gender memiliki pengaruh utama yang signifikan
pada skala kepuasan 10 poin. Kami kemudian dapat melihat perbedaan sarana sebagai cara untuk menggambarkan
dampaknya. Jika kelompok perempuan memiliki nilai rata-rata 7,5 dan laki-laki memiliki nilai rata-rata 6,0, kita dapat
menyatakan bahwa perbedaan karena jenis kelamin adalah 1,5. Dengan demikian, semua hal lain sama, perempuan
diharapkan mendapat skor 1,5 poin lebih tinggi daripada laki-laki.
Untuk mendefinisikan efek utama dalam istilah ini, bagaimanapun, membutuhkan dua analisis tambahan:

1. Jika analisis mencakup lebih dari satu perlakuan, peneliti harus memeriksa istilah interaksi untuk
melihat apakah mereka signifikan dan, jika demikian, apakah mereka memungkinkan interpretasi
efek utama.
2. Jika suatu perlakuan melibatkan lebih dari dua level, maka peneliti harus melakukan serangkaian
tes tambahan antar kelompok untuk melihat pasangan kelompok mana yang berbeda nyata.

Kami akan membahas interpretasi istilah interaksi di bagian berikutnya dan kemudian memeriksa jenis
uji statistik yang tersedia untuk menilai perbedaan kelompok ketika analisis melibatkan lebih dari dua
kelompok.

DAMPAK DARI KETENTUAN INTERAKSI Istilah interaksi mewakili efek gabungan dari dua atau lebih perlakuan. Setiap kali

desain penelitian memiliki dua atau lebih perawatan, peneliti harus terlebih dahulu memeriksa interaksi sebelum
pernyataan apa pun dapat dibuat tentang efek utama. Pertama, kita akan membahas bagaimana mengidentifikasi
interaksi yang signifikan. Kemudian kita akan membahas bagaimana mengklasifikasikan interaksi yang signifikan untuk
menginterpretasikan dampaknya terhadap efek utama dari variabel perlakuan.

Menilai Signifikansi Statistik. Efek interaksi dievaluasi dengan kriteria yang sama dengan efek
utama, yaitu uji statistik multivariat dan univariat serta kekuatan statistik. Program perangkat lunak
memberikan satu set lengkap hasil untuk setiap istilah interaksi selain efek utama. Semua kriteria
yang dibahas sebelumnya berlaku untuk mengevaluasi interaksi serta efek utama.
Uji statistik yang menunjukkan interaksi tidak signifikan menunjukkan efek independen dari perlakuan.
Kemandirian dalam desain faktorial berarti bahwa efek dari satu perlakuan (yaitu, perbedaan kelompok) adalah
sama untuk setiap tingkat perlakuan lainnya dan bahwa efek utama dapat diinterpretasikan secara langsung. Di
sini kita dapat menggambarkan perbedaan antar kelompok sebagai konstan ketika dipertimbangkan dalam
kombinasi dengan perlakuan kedua. Kami akan membahas interpretasi efek utama dalam contoh sederhana di
bagian selanjutnya.
Jika interaksi dianggap signifikan secara statistik, sangat penting bagi peneliti untuk
mengidentifikasi jenis interaksi (ordinal versus disordinal) karena memiliki pengaruh langsung pada
kesimpulan yang dapat ditarik dari hasil. Seperti yang akan kita lihat di bagian selanjutnya, interaksi
berpotensi mengacaukan deskripsi efek utama tergantung pada sifatnya.

Jenis Interaksi Signifikan. Signifikansi statistik dari istilah interaksi dibuat dengan
kriteria statistik yang sama yang digunakan untuk menilai dampak efek utama. Setelah
menilai signifikansi dari istilah interaksi, peneliti harus memeriksa efek dari pengobatan

695
 MANOVA dan GLM

(yaitu, perbedaan antara kelompok) untuk menentukan jenis interaksi dan dampak interaksi pada
interpretasi efek utama. Interaksi yang signifikan dapat diklasifikasikan menjadi salah satu dari dua
jenis: interaksi ordinal atau disordinal.

Interaksi Ordinal. Ketika efek dari suatu perlakuan tidak sama di semua tingkat perlakuan lain,
tetapi perbedaan kelompok selalu searah, kita menyebutnya sebagai interaksi biasa. Dengan kata lain,
kelompok berarti untuk satu tingkat selalu lebih besar/lebih rendah dari tingkat lain dari perlakuan yang
sama tidak peduli bagaimana mereka dikombinasikan dengan perlakuan lainnya.
Asumsikan bahwa dua perlakuan (jenis kelamin dan usia) digunakan untuk menguji kepuasan. Interaksi
ordinal terjadi, misalnya, ketika perempuan selalu lebih puas daripada laki-laki, tetapi jumlah perbedaan antara
laki-laki dan perempuan berbeda menurut kelompok umur.
Ketika interaksi signifikan bersifat ordinal, peneliti harus menginterpretasikan istilah interaksi untuk memastikan
bahwa hasilnya dapat diterima secara konseptual. Di sini peneliti harus mengidentifikasi di mana variasi dalam
perbedaan kelompok terjadi dan bagaimana variasi itu berhubungan dengan model konseptual yang mendasari
analisis. Jika demikian, maka efek dari setiap perlakuan harus dijelaskan dalam kaitannya dengan perlakuan lain yang
berinteraksi dengannya.
Dalam contoh sebelumnya, kita dapat membuat pernyataan umum bahwa gender mempengaruhi kepuasan
karena perempuan selalu lebih puas daripada laki-laki. Namun, peneliti tidak dapat menyatakan perbedaan secara
sederhana seperti yang dapat dilakukan dengan efek utama yang sederhana. Sebaliknya perbedaan jenis kelamin harus
dijelaskan untuk setiap kategori umur karena perbedaan laki-laki/perempuan berbeda menurut umur.

Interaksi Disordinal. Ketika perbedaan antara level berubah, tergantung pada bagaimana mereka
digabungkan dengan level dari perlakuan lain, ini disebut a interaksi yang kacau. Di sini efek dari satu
pengobatan adalah positif untuk beberapa tingkat dan negatif untuk tingkat lain dari pengobatan lainnya.
Dalam contoh kami memeriksa kepuasan berdasarkan jenis kelamin dan usia, interaksi disordinal terjadi ketika
perempuan memiliki kepuasan lebih tinggi daripada laki-laki dalam beberapa kategori usia, tetapi laki-laki lebih puas
dalam kategori usia lainnya.
Jika interaksi yang signifikan dianggap disordinal, maka efek utama dari perawatan yang terlibat dalam
interaksi tidak dapat ditafsirkan dan penelitian harus dirancang ulang. Saran ini berasal dari fakta bahwa dengan
interaksi disordinal, efek utama bervariasi tidak hanya di seluruh tingkat pengobatan tetapi juga dalam arah
(positif atau negatif). Dengan demikian, perawatan tidak mewakili efek yang konsisten.

Contoh Menafsirkan Interaksi. Interaksi mewakili perbedaan antara rata-rata kelompok ketika
dikelompokkan berdasarkan tingkat variabel perlakuan lain. Meskipun kita dapat menginterpretasikan interaksi
dengan melihat tabel nilai, penggambaran grafis cukup efektif dalam mengidentifikasi jenis interaksi antara dua
perlakuan. Hasilnya adalah grafik garis ganda, dengan tingkat satu perlakuan direpresentasikan pada sumbu
horizontal. Setiap baris kemudian mewakili satu tingkat variabel perlakuan kedua.
Gambar 5 menggambarkan setiap jenis interaksi menggunakan contoh interaksi antara dua
perlakuan: bentuk dan warna sereal. Bentuk sereal memiliki tiga tingkatan (bola, kubus, dan bintang)
seperti halnya warna (merah, biru, dan hijau). Sumbu vertikal mewakili evaluasi rata-rata (variabel
dependen) dari setiap kelompok responden di seluruh kombinasi tingkat perlakuan. NSx sumbu mewakili
tiga kategori untuk warna (merah, biru, dan hijau). Garis menghubungkan kategori berarti untuk setiap
bentuk di tiga warna. Misalnya, pada grafik atas nilai bola merah adalah tentang
4.0, nilai untuk bola biru adalah sekitar 5,0, dan nilainya sedikit meningkat menjadi sekitar 5,5 untuk bola hijau.
Bagaimana grafik mengidentifikasi jenis interaksi? Seperti yang akan kita bahas, masing-masing dari tiga
interaksi memiliki pola tertentu:

• Tidak ada interaksi. Ditunjukkan oleh garis paralel yang mewakili perbedaan berbagai bentuk
di seluruh tingkat warna (efek yang sama akan terlihat jika perbedaan warna digambarkan di
ketiga jenis bentuk). Dalam hal tidak ada interaksi, efek dari setiap perlakuan (perbedaan
antar kelompok) adalah konstan pada setiap tingkat dan garisnya kira-kira sejajar.

696
 (a) Tidak Ada Interaksi
6
bola

4
Kotak
Evaluasi Rata-Rata

3
bintang

0
merah Biru Hijau
Warna

(b) Interaksi Ordinal

6

bola
4
Evaluasi Rata-Rata

Kotak
3

bintang

0
merah Biru Hijau
Warna

(c) Interaksi Disordinal

6

bola
5

4 Kotak
Evaluasi Rata-Rata

3
bintang

0 GAMBAR 5 Interaksi
merah Biru Hijau
Efek dalam Desain Faktorial
Warna

697
 MANOVA dan GLM

• Interaksi biasa. Efek dari setiap perlakuan tidak konstan sehingga garisnya tidak sejajar. Perbedaan
untuk merah besar, tetapi mereka sedikit menurun untuk sereal biru dan bahkan lebih untuk
sereal hijau. Dengan demikian, perbedaan berdasarkan warna bervariasi di seluruh bentuk. Urutan
relatif antara tingkat bentuk adalah sama, namun, dengan bintang selalu tertinggi, diikuti oleh
kubus dan kemudian bentuk bola.
• Interaksi yang kacau. Perbedaan warna tidak hanya bervariasi dalam besarnya tetapi juga dalam arah. Interaksi
ini ditunjukkan oleh garis-garis yang tidak sejajar dan yang bersilangan antar tingkat. Evaluasi bola lebih tinggi
daripada kubus dan bintang untuk merah dan biru, tetapi dievaluasi lebih rendah dari keduanya untuk warna
hijau.

Grafik melengkapi uji signifikansi statistik dengan memungkinkan peneliti mengkategorikan

interaksi dengan cepat, terutama menentukan apakah interaksi signifikan termasuk dalam kategori
ordinal atau disordinal.

Mengidentifikasi Perbedaan Antara Kelompok Individu

Meskipun uji univariat dan multivariat dari ANOVA dan MANOVA memungkinkan kita untuk menolak hipotesis
nol bahwa rata-rata kelompok semuanya sama, mereka tidak menunjukkan dengan tepat di mana perbedaan
signifikan terletak di antara lebih dari dua kelompok. BeberapaT pengujian tanpa bentuk penyesuaian apa pun
tidak sesuai untuk menguji signifikansi perbedaan antara rata-rata kelompok berpasangan karena kemungkinan
kesalahan Tipe I meningkat dengan jumlah perbandingan antarkelompok yang dibuat (mirip dengan masalah
menggunakan beberapa ANOVA univariat versus MANOVA) . Banyak prosedur yang tersedia untuk penyelidikan
lebih lanjut dari kelompok tertentu berarti perbedaan kepentingan menggunakan pendekatan yang berbeda
untuk mengontrol tingkat kesalahan Tipe I di beberapa tes.

BEBERAPA UJI UNIVARIAT MENYESUAIKAN TINGKAT KESALAHAN SELURUH EKSPERIMEN Banyak

kali pendekatan paling sederhana adalah melakukan serangkaian tes univariat dengan beberapa bentuk
penyesuaian manual oleh peneliti untuk memperhitungkan tingkat kesalahan eksperimen. Peneliti dapat
membuat penyesuaian ini berdasarkan apakah perawatan melibatkan dua atau lebih level (kelompok).

ATURAN UMUM 6

Menafsirkan Kovariat dan Efek Interaksi

• Ketika kovariat terlibat dalam model GLM:

• Analisis model dengan dan tanpa kovariat
• Jika kovariat tidak meningkatkan kekuatan statistik atau tidak berpengaruh pada signifikansi efek
perlakuan, maka kovariat dapat dikeluarkan dari analisis akhir
• Setiap kali dua atau lebih variabel independen (perlakuan) dimasukkan dalam analisis, interaksi harus
diperiksa sebelum menarik kesimpulan tentang efek utama untuk setiap variabel independen
• Jika interaksi tidak signifikan secara statistik, maka efek utama dapat diinterpretasikan secara
langsung karena perbedaan antar perlakuan dianggap konstan di seluruh kombinasi level
• Jika interaksi signifikan secara statistik dan perbedaannya tidak konstan di seluruh
kombinasi level, maka interaksi harus ditentukan ordinal atau disordinal:
• Interaksi ordinal berarti bahwa arah perbedaan tidak bervariasi menurut tingkatannya (misalnya laki-laki
selalu lebih kecil dari perempuan) meskipun perbedaan antara laki-laki/perempuan bervariasi menurut
tingkatan pada perlakuan lain; dalam hal ini, ukuran efek utama (misalnya, laki-laki versus perempuan)
hanya boleh dijelaskan secara terpisah untuk setiap tingkat perlakuan lainnya.
• Interaksi disordinal yang signifikan terjadi ketika arah efek utama yang diamati berubah
dengan tingkat perlakuan lain (misalnya, laki-laki lebih besar dari perempuan untuk satu
tingkat dan kurang dari perempuan untuk tingkat lain); interaksi disordinal mengganggu
interpretasi efek utama

698
 MANOVA dan GLM

Analisis Dua Kelompok. Perawatan dua kelompok direduksi menjadi serangkaian T tes di seluruh
langkah-langkah tergantung yang ditentukan. Namun, peneliti harus menyadari bahwa ketika jumlah tes
ini meningkat, salah satu manfaat utama dari pendekatan multivariat untuk pengujian signifikansi —
kontrol tingkat kesalahan Tipe I — ditiadakan kecuali penyesuaian khusus dalamT2 statistik dibuat yang
mengontrol inflasi kesalahan Tipe I.
Jika kita ingin menguji perbedaan kelompok secara individual untuk masing-masing variabel dependen, kita
bisa menggunakan akar kuadrat dari T2 kritik (yaitu, Tkritik) sebagai nilai kritis yang diperlukan untuk menetapkan signifikansi.
Prosedur ini akan memastikan bahwa kemungkinan kesalahan Tipe I di semua pengujian adalah:
diadakan untuk - (di mana - ditentukan dalam perhitungan T2 kritik ) [11].

k-Analisis Grup. Kita bisa membuat tes serupa untuk k-kelompokkan situasi dengan menyesuaikan -
tingkat oleh ketidaksetaraan Bonferroni, yang menyesuaikan tingkat alfa untuk jumlah tes yang dilakukan. Level alfa
yang disesuaikan yang digunakan dalam setiap pengujian terpisah didefinisikan sebagai level alfa keseluruhan dibagi
dengan jumlah pengujian [disesuaikan - = (keseluruhan -)/(jumlah pengujian)].
Misalnya, jika tingkat kesalahan keseluruhan ( ) adalah 0,05 dan lima uji statistik harus dilakukan, maka
penyesuaian Bonferroni akan meminta tingkat 0,01 digunakan untuk setiap pengujian individu.

TES MULTIGRUP TERSTRUKTUR Prosedur yang dijelaskan di bagian sebelumnya paling baik digunakan dalam
situasi sederhana dengan beberapa tes yang dipertimbangkan. Jika peneliti ingin menguji secara
sistematis perbedaan kelompok di pasangan tertentu untuk satu atau lebih ukuran dependen, uji statistik
yang lebih terstruktur harus digunakan. Pada bagian ini kita akan memeriksa dua jenis tes:

• Tes pasca hoc. Pengujian variabel dependen antara semua kemungkinan pasangan
perbedaan kelompok yang diuji setelah pola data ditetapkan.
• Tes apriori. Tes direncanakan dari sudut pandang pengambilan keputusan teoretis atau praktis
sebelum melihat data.

Perbedaan utama antara dua jenis tes adalah bahwa pendekatan post hoc menguji semua kombinasi yang mungkin,
menyediakan cara sederhana untuk perbandingan kelompok tetapi dengan mengorbankan daya yang lebih rendah. Tes
apriori hanya memeriksa perbandingan tertentu, sehingga peneliti harus secara eksplisit mendefinisikan perbandingan
yang akan dibuat, tetapi dengan tingkat kekuatan yang lebih besar yang dihasilkan. Salah satu metode dapat digunakan
untuk menguji satu atau lebih perbedaan kelompok, meskipun tes apriori juga memberikan peneliti kontrol total atas
jenis perbandingan yang dibuat antara kelompok.

Metode Post Hoc. Metode post hoc banyak digunakan karena kemudahan dalam
membuat banyak perbandingan. Di antara prosedur post hoc yang lebih umum adalah
(1) metode Scheffé, (2) metode beda nyata (HSD) Tukey, (3) ekstensi Tukey dari
pendekatan perbedaan paling signifikan (LSD) Fisher, (4) rentang ganda Duncan uji, dan
(5) uji Newman-Keuls.
Setiap metode mengidentifikasi perbandingan mana di antara kelompok (misalnya, kelompok 1 versus
kelompok 2 dan 3) memiliki perbedaan yang signifikan. Meskipun mereka menyederhanakan identifikasi
perbedaan kelompok, semua metode ini berbagi masalah memiliki tingkat daya yang cukup rendah untuk setiap
tes individu karena mereka memeriksa semua kombinasi yang mungkin. Lima uji signifikansi post hoc atau
perbandingan ganda ini telah dikontraskan untuk kekuatan [23] dan beberapa kesimpulan dapat ditarik:

• Metode Scheffé adalah yang paling konservatif sehubungan dengan kesalahan Tipe I, dan tes yang tersisa
diberi peringkat dalam urutan ini: Tukey HSD, Tukey LSD, Newman-Keuls, dan Duncan.
• Jika ukuran efek besar atau jumlah kelompok kecil, metode post hoc dapat mengidentifikasi
perbedaan kelompok. Namun, peneliti harus mengenali keterbatasan metode ini dan
menggunakan metode lain jika perbandingan yang lebih spesifik dapat diidentifikasi.

Diskusi tentang opsi yang tersedia dengan setiap metode berada di luar cakupan bab ini. Diskusi dan
penjelasan yang sangat baik tentang prosedur ini dapat ditemukan dalam teks-teks lain [13, 27].

699
 MANOVA dan GLM

A Priori atau Perbandingan yang Direncanakan. Peneliti juga dapat membuat perbandingan khusus antar
kelompok dengan menggunakan tes apriori (juga dikenal sebagai perbandingan yang direncanakan). Metode
ini mirip dengan tes post hoc dalam metode statistik untuk membuat perbandingan kelompok, tetapi berbeda
dalam desain dan kontrol oleh peneliti dalam tiga aspek:

• Peneliti menentukan perbandingan kelompok mana yang akan dibuat versus menguji seluruh rangkaian, seperti yang
dilakukan dalam tes post hoc.
• Perbandingan yang direncanakan lebih kuat karena jumlah perbandingan yang lebih sedikit, tetapi lebih
banyak kekuatan tidak banyak berguna jika peneliti tidak secara khusus menguji perbandingan kelompok
yang benar.
• Perbandingan yang direncanakan paling tepat bila dasar konseptual dapat mendukung perbandingan spesifik
yang akan dibuat. Namun, mereka tidak boleh digunakan dalam cara eksplorasi, karena mereka tidak memiliki
kontrol yang efektif terhadap peningkatan tingkat kesalahan Tipe I di seluruh eksperimen.

Peneliti menentukan kelompok yang akan dibandingkan melalui a kontras, yang merupakan kombinasi dari sarana kelompok
yang mewakili perbandingan tertentu yang direncanakan. Kontras dapat dinyatakan secara umum sebagai

C = W1G1 + W2G2 + + WkGk

di mana

C = nilai kontrasP
= beban
G = kelompok berarti

Kontras dirumuskan dengan menetapkan bobot positif dan negatif untuk menentukan kelompok yang akan
dibandingkan sambil memastikan bahwa bobot berjumlah 0.
Sebagai contoh, asumsikan kita memiliki tiga kelompok mean (G1, G2, dan G3). Untuk menguji perbedaan
di antara G1 dan G2 (dan mengabaikan G3 untuk perbandingan ini), kontrasnya adalah:

C = (1)G1 + (-1)G2 + (0)G3

Untuk menguji apakah rata-rata dari G1 dan G2 berbeda dari G3, kontrasnya adalah:

C = (.5)G1 + (.5)G2 + (-1)G3

Yang terpisah F statistik dihitung untuk setiap kontras.
Dengan cara ini, peneliti dapat membuat perbandingan apa pun yang diinginkan dan mengujinya secara langsung, tetapi
probabilitas kesalahan Tipe I untuk setiap perbandingan apriori sama dengan -. Dengan demikian, beberapa perbandingan yang
direncanakan akan meningkatkan tingkat kesalahan Tipe I secara keseluruhan. Semua paket statistik dapat melakukan tes apriori
atau post hoc untuk variabel dependen tunggal atau variate.
Jika peneliti ingin melakukan perbandingan seluruh variabel dependen, ekstensi dari metode ini
tersedia. Setelah menyimpulkan bahwa vektor rata-rata grup tidak ekuivalen, peneliti mungkin tertarik
pada apakah ada perbedaan grup yang terjadi pada variabel dependen komposit. ANOVA standarF
statistik dapat dihitung dan dibandingkan dengan Fkritik = (n - k)gcrkritik//k - 1), dimana nilai gcrkritik diambil
dari distribusi gcr dengan derajat kebebasan yang sesuai. Banyak paket perangkat lunak memiliki
kemampuan untuk melakukan perbandingan terencana untuk variabel dependen serta variabel
dependen individu.

Menilai Signifikansi untuk Variabel Dependen Individu

Sampai saat ini kami hanya menguji uji signifikansi multivariat untuk kumpulan variabel dependen secara kolektif.
Bagaimana dengan setiap variabel dependen yang terpisah? Apakah perbedaan yang signifikan dengan uji multivariat
memastikan bahwa setiap variabel dependen juga berbeda secara signifikan? Atau apakah pengaruh tidak signifikan
berarti semua variabel terikat juga memiliki perbedaan yang tidak signifikan? di keduanya

700
 MANOVA dan GLM

contoh jawabannya adalah tidak. Hasil uji perbedaan multivariat di seluruh rangkaian ukuran
dependen tidak harus mencakup setiap variabel secara terpisah, hanya secara kolektif. Dengan
demikian, peneliti harus selalu memeriksa hasil multivariat sejauh mana mereka meluas ke ukuran
tergantung individu.

UJI SIGNIFIKANSI UNIVARIAT Langkah pertama adalah menilai variabel dependen mana yang berkontribusi
terhadap perbedaan keseluruhan yang ditunjukkan oleh uji statistik. Langkah ini penting karena subset
variabel dalam set variabel dependen dapat menonjolkan perbedaan, sedangkan subset variabel lain
mungkin tidak signifikan atau mungkin menutupi efek signifikan dari sisanya.
Sebagian besar paket statistik menyediakan uji signifikansi univariat terpisah untuk setiap ukuran
dependen selain uji multivariat, yang memberikan penilaian individual untuk setiap variabel. Peneliti
kemudian dapat menentukan bagaimana masing-masing variabel dependen individu sesuai dengan efek
pada variate.

ANALISIS LANGKAH Sebuah prosedur yang dikenal sebagai analisis langkah mundur [16, 23] juga dapat
digunakan untuk menilai secara individual perbedaan variabel dependen. Prosedur ini melibatkan
komputasi univariatF statistik untuk variabel dependen setelah menghilangkan efek dari variabel
dependen lain yang mendahuluinya dalam analisis. Prosedurnya agak mirip dengan regresi bertahap,
tetapi di sini kita menguji apakah variabel dependen tertentu memberikan kontribusi informasi unik
(tidak berkorelasi) pada perbedaan kelompok. Hasil stepdown akan sama persis dengan melakukan
analisis kovariat, dengan variabel dependen lain sebelumnya digunakan sebagai kovariat.
Asumsi kritis dari analisis stepdown adalah bahwa peneliti harus mengetahui urutan variabel
dependen yang harus dimasukkan, karena interpretasi dapat bervariasi secara dramatis dengan urutan
entri yang berbeda. Jika pengurutan memiliki dukungan teoritis, maka uji stepdown valid. Variabel yang
diindikasikan tidak signifikan menjadi berlebihan dengan variabel signifikan sebelumnya, dan variabel
tersebut tidak menambahkan informasi lebih lanjut mengenai perbedaan tentang kelompok. Urutan
variabel dependen dapat diubah untuk menguji apakah efek variabel tersebut berlebihan atau unik,
tetapi prosesnya menjadi agak rumit karena jumlah variabel dependen meningkat.
Kedua analisis ini diarahkan untuk membantu peneliti dalam memahami variabel
dependen mana yang berkontribusi terhadap perbedaan variabel dependen di seluruh
perlakuan.

TAHAP 6: VALIDASI HASIL

Teknik analisis varians (ANOVA dan MANOVA) dikembangkan dalam tradisi eksperimen, dengan
replikasi sebagai alat validasi utama. Kekhususan perlakuan eksperimental memungkinkan
penggunaan eksperimen yang sama secara luas di beberapa populasi untuk menilai

ATURAN UMUM 7

Menafsirkan Perbedaan Antara Kelompok Individu

• Ketika variabel bebas memiliki lebih dari dua kelompok, dua jenis prosedur dapat digunakan untuk
mengisolasi sumber perbedaan:
• Tes post hoc menguji perbedaan statistik potensial di antara semua kemungkinan kombinasi rata-rata
kelompok; tes post hoc memiliki daya terbatas dan karenanya paling cocok untuk mengidentifikasi efek besar
• Perbandingan yang direncanakan tepat ketika alasan teoritis apriori menunjukkan bahwa kelompok tertentu
akan berbeda dari kelompok lain atau kelompok lain; Kesalahan tipe I meningkat karena jumlah perbandingan
yang direncanakan meningkat

701
 MANOVA dan GLM

generalisasi hasil. Meskipun merupakan prinsip utama dari metode ilmiah, dalam ilmu sosial dan penelitian
bisnis, eksperimen yang benar berkali-kali diganti dengan uji statistik dalam situasi noneksperimental seperti
penelitian survei. Kemampuan untuk memvalidasi hasil dalam situasi ini didasarkan pada replikabilitas
perawatan. Dalam banyak kasus, karakteristik demografis seperti usia, jenis kelamin, pendapatan, dan
sejenisnya digunakan sebagai pengobatan. Perlakuan ini tampaknya memenuhi persyaratan komparabilitas,
tetapi peneliti harus memastikan bahwa elemen tambahan penugasan acak ke sel juga terpenuhi; namun,
sering kali dalam penelitian survei keacakan tidak sepenuhnya tercapai.
Misalnya, menjadikan usia dan jenis kelamin sebagai variabel independen adalah contoh umum penggunaan
ANOVA atau MANOVA dalam penelitian survei. Dalam hal validasi, peneliti harus berhati-hati dalam menganalisis
beberapa populasi dan membandingkan hasil sebagai satu-satunya bukti validitas. Karena responden dalam arti
sederhana memilih diri mereka sendiri, perlakuan dalam kasus ini tidak dapat diberikan oleh peneliti, dan dengan
demikian penugasan secara acak tidak mungkin dilakukan.
Peneliti harus sangat mempertimbangkan penggunaan kovariat untuk mengontrol fitur lain yang mungkin
menjadi karakteristik kelompok usia atau jenis kelamin yang dapat mempengaruhi variabel dependen tetapi tidak
termasuk dalam analisis.
Masalah lain adalah klaim sebab-akibat ketika metode atau teknik eksperimental digunakan. Untuk
tujuan kami di sini, peneliti harus ingat bahwa dalam semua pengaturan penelitian, termasuk
eksperimen, kriteria konseptual tertentu (misalnya, urutan temporal efek dan hasil) harus ditetapkan
sebelum penyebab dapat didukung. Aplikasi tunggal dari teknik tertentu yang digunakan dalam
pengaturan eksperimental tidak memastikan sebab-akibat.

RINGKASAN
Kami membahas aplikasi yang tepat dan pertimbangan penting MANOVA dalam menangani analisis
multivariat dengan beberapa ukuran dependen. Meskipun manfaat yang cukup besar berasal dari
penggunaannya, MANOVA harus diterapkan dengan hati-hati dan tepat untuk pertanyaan yang ada. Saat
melakukannya, para peneliti memiliki teknik dengan fleksibilitas dan kekuatan statistik yang mereka
miliki. Kami sekarang mengilustrasikan aplikasi MANOVA (dan mitra univariatnya ANOVA) dalam
serangkaian contoh.

ILUSTRASI ANALISIS MANOVA

Analisis multivariat varians (MANOVA) memberi peneliti kemampuan untuk menilai perbedaan di satu atau lebih
variabel independen nonmetrik untuk satu set variabel dependen metrik. Ini menyediakan sarana untuk
menentukan sejauh mana kelompok responden (dibentuk oleh karakteristik mereka pada variabel independen
nonmetrik) berbeda dalam hal ukuran dependen. Meneliti perbedaan-perbedaan ini dapat dilakukan secara
terpisah atau dalam kombinasi. Pada bagian berikut, kami akan merinci analisis yang diperlukan untuk
memeriksa dua karakteristik (x1 dan x5) untuk dampaknya pada serangkaian hasil pembelian (x19, x20, dan x21).
Pertama kita akan menganalisis setiap karakteristik secara terpisah dan kemudian keduanya dalam kombinasi.
Pembaca harus mencatat bahwa versi HBAT yang diperluas (HBAT200 dengan ukuran sampel 200) digunakan
dalam analisis ini untuk memungkinkan analisis desain dua faktor. Kumpulan data ini tersedia di Web di
www.pearsonhighered.com/hair atau www.mvstats.com.
Beberapa tahun terakhir telah terlihat peningkatan perhatian pada bidang sistem distribusi. Dipicu oleh meluasnya
penggunaan sistem berbasis Internet untuk integrasi saluran dan penghematan biaya yang diwujudkan dengan sistem logistik
yang lebih baik, manajemen atas di HBAT tertarik untuk menilai keadaan saat ini dalam sistem distribusi mereka, yang
memanfaatkan sistem distribusi tidak langsung (berbasis pialang). ) dan saluran langsung. Dalam saluran tidak langsung, produk
dijual kepada pelanggan oleh pialang yang bertindak baik sebagai tenaga penjualan eksternal dan bahkan pedagang grosir
dalam beberapa kasus. HBAT juga mempekerjakan tenaga penjualannya sendiri; tenaga penjualan menghubungi dan melayani
pelanggan langsung baik dari kantor korporat maupun kantor lapangan.

702
 MANOVA dan GLM

TABEL 4 Ukuran Kelompok untuk Analisis Dua Faktor

Menggunakan Data HBAT (100 pengamatan)

x5 Sistem distribusi
tidak langsung

Melalui Langsung ke
Makelar Pelanggan Total

x1 Kurang dari 1 tahun 1 23 9 32

Pelanggan sampai 5 tahun 16 19 35
Jenis Lebih dari 5 tahun 18 15 33
Total 57 43 100

Kekhawatiran muncul bahwa perubahan mungkin diperlukan dalam sistem distribusi, terutama
berfokus pada sistem broker yang dianggap tidak berkinerja baik, terutama dalam membina hubungan
jangka panjang dengan HBAT. Untuk mengatasi masalah ini, tiga pertanyaan diajukan:

1. Perbedaan apa yang ada dalam kepuasan pelanggan dan hasil pembelian lainnya antara
dua saluran dalam sistem distribusi?
2. Apakah HBAT membangun hubungan yang lebih baik dengan pelanggannya dari waktu ke waktu, sebagaimana tercermin
dalam kepuasan pelanggan dan hasil pembelian lainnya?
3. Apa hubungan antara sistem distribusi dan hubungan ini dengan pelanggan dalam
hal hasil pembelian?
Dengan pertanyaan penelitian yang didefinisikan, peneliti sekarang mengalihkan perhatian untuk mendefinisikan variabel
independen dan dependen yang akan digunakan dan persyaratan ukuran sampel berikutnya.
Untuk memeriksa masalah ini, peneliti memutuskan untuk menggunakan MANOVA untuk menguji
efek dari x5 (Sistem Distribusi) dan x1 (Tipe Pelanggan) pada tiga ukuran Hasil Pembelian (x19, Kepuasan; x
20, Kemungkinan Merekomendasikan HBAT; danx21, Kemungkinan Pembelian Masa Depan). Meskipun

ukuran sampel dari 100 pengamatan akan cukup untuk salah satu dari analisis variabel individu, itu tidak
akan sesuai untuk menangani mereka dalam kombinasi. Perhitungan cepat ukuran kelompok untuk
analisis dua faktor ini (lihat Tabel 4) mengidentifikasi setidaknya satu kelompok dengan kurang dari 10
pengamatan dan beberapa lagi dengan kurang dari 20 pengamatan.
Karena ukuran kelompok ini tidak mampu mendeteksi ukuran efek menengah atau kecil dengan tingkat
kekuatan statistik yang diinginkan (lihat Tabel 3), keputusan dibuat untuk mengumpulkan tanggapan tambahan
untuk melengkapi 100 pengamatan yang sudah tersedia. Upaya penelitian kedua menambahkan 100
pengamatan lagi untuk ukuran sampel total 200. Dataset baru ini diberi nama HBAT200 dan akan digunakan
untuk analisis MANOVA berikutnya. Analisis awal menunjukkan bahwa kumpulan data yang dilengkapi memiliki
karakteristik dasar yang sama dengan HBAT, sehingga menghilangkan kebutuhan untuk pemeriksaan
tambahan terhadap data baru ini untuk menentukan sifat dasarnya.

CONTOH 1: PERBEDAAN ANTARA DUA KELOMPOK INDEPENDEN

Untuk memperkenalkan manfaat praktis dari analisis multivariat perbedaan kelompok, kita memulai diskusi kita
dengan salah satu desain yang paling terkenal: desain dua kelompok di mana setiap responden diklasifikasikan
berdasarkan tingkat (kelompok) perlakuan (variabel bebas). ). Jika analisis ini dilakukan dalam suasana
eksperimental, maka responden akan dikelompokkan ke dalam kelompok secara acak (misalnya, tergantung
pada apakah mereka melihat iklan atau jenis sereal yang mereka cicipi). Akan tetapi, seringkali kelompok-
kelompok tersebut dibentuk bukan berdasarkan penugasan acak, melainkan berdasarkan beberapa
karakteristik responden (misalnya, usia, jenis kelamin, pekerjaan, dll.).
Dalam banyak setting penelitian, bagaimanapun, juga tidak realistis untuk mengasumsikan bahwa perbedaan
antara dua kelompok eksperimen akan dimanifestasikan hanya dalam satu variabel dependen. Sebagai contoh,

703
 MANOVA dan GLM

dua pesan iklan mungkin tidak hanya menghasilkan tingkat niat pembelian yang berbeda, tetapi juga dapat
memengaruhi sejumlah aspek lain (yang berpotensi berkorelasi) dari respons terhadap iklan (misalnya, evaluasi
produk secara keseluruhan, kredibilitas pesan, minat, perhatian).
Banyak peneliti menangani situasi multi-kriteria ini dengan aplikasi berulang dari univariat
individu T tes sampai semua variabel dependen telah dianalisis. Namun, pendekatan ini memiliki
kekurangan serius:

• Inflasi tingkat kesalahan Tipe I lebih dari beberapa T tes

• Ketidakmampuan berpasangan T tes untuk mendeteksi perbedaan antara kombinasi variabel dependen yang
tidak terlihat dalam tes univariat

Untuk mengatasi masalah ini, MANOVA dapat digunakan untuk mengontrol tingkat kesalahan Tipe I secara keseluruhan
sambil tetap menyediakan sarana untuk menilai perbedaan pada setiap variabel dependen baik secara kolektif maupun
individual.

Tahap 1: Tujuan Analisis

Langkah pertama melibatkan mengidentifikasi variabel dependen dan independen yang sesuai. Seperti dibahas
sebelumnya, HBAT mengidentifikasi sistem distribusi sebagai elemen kunci dalam strategi hubungan
pelanggannya dan pertama-tama perlu memahami dampak sistem distribusi pada pelanggan.

Pertanyaan penelitian. HBAT berkomitmen untuk memperkuat strategi hubungan pelanggannya, dengan
satu aspek fokus pada sistem distribusi. Kekhawatiran telah dikemukakan tentang perbedaan karena sistem
saluran distribusi (x5), yang terdiri dari dua saluran: langsung melalui tenaga penjualan HBAT atau tidak
langsung melalui perantara. Tiga hasil pembelian (x19, Kepuasan; x20, Kemungkinan Merekomendasikan HBAT;
danx21, Kemungkinan Pembelian di Masa Mendatang) telah diidentifikasi sebagai isu utama dalam mengevaluasi
dampak dari dua sistem distribusi. Tugasnya adalah mengidentifikasi apakah ada perbedaan antara kedua
sistem ini di semua atau sebagian dari hasil pembelian ini.

Memeriksa Profil Grup. Tabel 5 memberikan ringkasan profil kelompok pada masing-masing hasil
pembelian di kedua kelompok (sistem distribusi langsung versus tidak langsung). Sebuah inspeksi visual
mengungkapkan bahwa saluran distribusi langsung memiliki skor rata-rata yang lebih tinggi untuk setiap hasil
pembelian. Tugas MANOVA adalah mengkaji perbedaan-perbedaan tersebut dan menilai sejauh mana
perbedaan-perbedaan tersebut secara signifikan berbeda, baik secara individual maupun kolektif.

Tahap 2: Desain Penelitian MANOVA

Pertimbangan utama dalam desain MANOVA dua kelompok adalah ukuran sampel di setiap sel, yang
secara langsung mempengaruhi kekuatan statistik. Juga, seperti halnya di sebagian besar penelitian
survei, ukuran sel tidak sama, membuat uji statistik lebih sensitif terhadap pelanggaran asumsi,

TABEL 5 Statistik Deskriptif Pengukuran Hasil Pembelian (x19, x20, dan x21)
untuk Grup x5 (Sistem distribusi)

x5 Sistem distribusi Berarti Std. Deviasi n

x19 Kepuasan Tidak langsung melalui broker 6.325 1.033 108
Langsung ke pelanggan 7.688 1.049 92
Total 6.952 1.241 200
x20 Kemungkinan untuk Merekomendasikan Tidak langsung melalui broker 6.488 . 986 108
Langsung ke pelanggan 7.498 . 930 92
Total 6.953 1.083 200
x21 Kemungkinan untuk Membeli Tidak langsung melalui broker 7.336 . 880 108
Langsung ke pelanggan 8.051 . 745 92
Total 7.665 . 893 200

704
 MANOVA dan GLM

khususnya uji homogenitas varians variabel terikat. Kedua masalah ini harus dipertimbangkan
dalam menilai desain penelitian menggunakanx5.
Seperti dibahas sebelumnya, perhatian untuk ukuran sampel yang memadai di seluruh analisis MANOVA
menghasilkan penambahan 100 survei tambahan untuk survei HBAT asli (lihat Tabel 4). Berdasarkan dataset yang lebih
besar ini (HBAT200), 108 perusahaan menggunakan sistem perantara tidak langsung dan 92 responden menggunakan
sistem langsung dari HBAT.
Ukuran kelompok ini akan memberikan kekuatan statistik yang lebih dari cukup pada probabilitas 80 persen untuk
mendeteksi ukuran efek menengah dan hampir mencapai tingkat yang diperlukan untuk mengidentifikasi ukuran efek kecil (lihat
Tabel 3). Hasilnya adalah desain penelitian dengan ukuran kelompok yang relatif seimbang dan kekuatan statistik yang cukup
untuk mengidentifikasi perbedaan pada setiap tingkat manajerial yang signifikan.

Tahap 3: Asumsi dalam MANOVA

Asumsi paling kritis yang berkaitan dengan MANOVA adalah independensi pengamatan,
homoskedastisitas antar kelompok, dan normalitas. Masing-masing asumsi ini akan dibahas sehubungan
dengan masing-masing hasil pembelian. Juga menjadi perhatian adalah adanya outlier dan pengaruh
potensial mereka pada kelompok berarti untuk variabel hasil pembelian.

Independensi Pengamatan. Independensi responden dipastikan sebanyak mungkin dengan

rencana pengambilan sampel secara acak. Jika penelitian telah dilakukan dalam pengaturan
eksperimental, penugasan acak individu akan memastikan independensi pengamatan yang diperlukan.

Homoskedastisitas. Asumsi kritis kedua menyangkut homogenitas matriks varians-

kovarians di antara kedua kelompok. Analisis pertama menilai homogenitas univariat varians
di kedua kelompok. Seperti yang ditunjukkan pada Tabel 6, tes univariat (Uji Levene) untuk

TABEL 6 Pengukuran Multivariat dan Univariat untuk Pengujian

Homoskedastisitas dari x5

Uji Multivariat Homoskedastisitas

Uji Kotak Kesetaraan Matriks Kovarians

Kotak M 4,597
F . 753
df1 6
df2 265275.824
Tanda tangan. . 607

Uji Univariat Homoskedastisitas

Uji Kesetaraan Varians Kesalahan Levene

Variabel tak bebas F df1 df2 Tanda tangan.

x19 Kepuasan . 001 1 198 . 978

x20 Kemungkinan untuk Merekomendasikanx . 643 1 198 . 424
21 Kemungkinan untuk Membeli 2.832 1 198 . 094

Uji Korelasi Antar Variabel Dependen

Uji Kebulatan Bartlett

Rasio Kemungkinan . 000
Kira-kira Chi-Square 260.055
df 5
Tanda tangan. . 000

705
 MANOVA dan GLM

ketiga variabel tidak signifikan (yaitu, signifikansi lebih besar dari 0,05). Langkah selanjutnya adalah menilai
variabel dependen secara kolektif dengan menguji kesetaraan seluruh matriks varians-kovarians antara
kelompok. Sekali lagi, pada Tabel 6 uji Box's M untuk kesetaraan matriks kovarians menunjukkan nilai yang tidak
signifikan (0,607), menunjukkan tidak ada perbedaan yang signifikan antara kedua kelompok pada tiga variabel
dependen secara kolektif. Dengan demikian, asumsi homoskedastisitas terpenuhi untuk masing-masing variabel
individu secara terpisah dan ketiga variabel secara kolektif.

Korelasi dan Normalitas Variabel Dependen. Tes lain harus dilakukan untuk menentukan
menambang apakah langkah-langkah dependen berkorelasi secara signifikan. Tes yang paling banyak
digunakan untuk tujuan ini adalah tes Bartlett untuk sphericity. Ini menguji korelasi di antara semua
variabel dependen dan menilai apakah, secara kolektif, ada interkorelasi yang signifikan. Dalam contoh
kita, tingkat interkorelasi yang signifikan memang ada (signifikansi = .000) (lihat Tabel 6).
Asumsi normalitas untuk variabel dependen (x19, x20, dan x21) sebelumnya
ditemukan dapat diterima. Hal ini mendukung hasil pengujian kesetaraan matriks varians-
kovarians antar kelompok.

Pencilan. Masalah terakhir yang akan dibahas adalah keberadaan outlier. Pendekatan sederhana yang
mengidentifikasi titik ekstrim untuk setiap kelompok adalah penggunaan boxplot (lihat Gambar 6). Memeriksa boxplot
untuk setiap ukuran dependen menunjukkan sedikit, jika ada, titik ekstrim di seluruh kelompok. Ketika kami memeriksa
titik-titik ekstrem ini di ketiga ukuran dependen, tidak ada pengamatan yang merupakan nilai ekstrem pada ketiga
ukuran dependen, juga tidak ada pengamatan yang memiliki nilai yang sangat ekstrem sehingga mendikte
pengecualian. Dengan demikian, semua 200 pengamatan akan disimpan untuk analisis lebih lanjut.

Tahap 4: Estimasi Model MANOVA dan Menilai Kecocokan Keseluruhan

Langkah selanjutnya adalah menilai apakah kedua kelompok menunjukkan perbedaan yang signifikan secara statistik
untuk ketiga variabel hasil pembelian, pertama secara kolektif dan kemudian secara individual. Untuk melakukan
pengujian, pertama-tama kita tentukan tingkat kesalahan Tipe I maksimum yang diizinkan. Dengan demikian, kami
menerima bahwa 5 kali dari 100 kami dapat menyimpulkan bahwa jenis saluran distribusi berdampak pada variabel hasil
pembelian padahal sebenarnya tidak.

PENGUJIAN STATISTIK MULTIVARIAT DAN ANALISIS KEKUATAN Setelah mengatur Tipe I yang dapat diterima
tingkat kesalahan, pertama kami menggunakan tes multivariat untuk menguji set variabel dependen untuk
perbedaan antara kedua kelompok dan kemudian melakukan tes univariat pada setiap hasil pembelian.
Akhirnya, tingkat daya dinilai.

Pengujian Statistik Multivariat. Tabel 7 berisi empat tes multivariat yang paling umum digunakan
(kriteria Pillai, lambda Wilks, T2 dan akar karakteristik terbesar Roy). Masing-masing dari empat ukuran
menunjukkan bahwa rangkaian hasil pembelian memiliki perbedaan yang sangat signifikan (.000) antara
dua jenis saluran distribusi. Ini menegaskan perbedaan kelompok yang terlihat pada Tabel 5 dan boxplot
pada Gambar 6.

Uji Statistik Univariat. Meskipun kami dapat menunjukkan bahwa rangkaian hasil pembelian
berbeda di seluruh kelompok, kami juga perlu memeriksa setiap hasil pembelian secara terpisah untuk
perbedaan di kedua jenis saluran distribusi. Tabel 7 juga berisi tes univariat untuk setiap hasil pembelian
individu. Seperti yang dapat kita lihat, semua pengujian individual juga sangat signifikan (signifikansi =
.000), menunjukkan bahwa setiap variabel mengikuti pola yang sama dari hasil pembelian yang lebih
tinggi (lihat Tabel 5) untuk variabel yang dilayani oleh sistem distribusi langsung (Pelanggan Distribusi
Langsung memiliki nilai 7,688, 7,498, dan 8,051 versus nilai 6,325, 6,488, dan 7,336 untuk pelanggan
Indirect Through Broker padax19, x20, dan x21, masing-masing).

706
 MANOVA dan GLM

x19 Kepuasan
11
10
9
8
7
6
5
4
3
n= 108 92
Tidak Langsung Melalui Pialang Langsung ke Pelanggan

x5 Sistem distribusi

x20 Kemungkinan untuk Merekomendasikan

11
10
86
9
8
7
6
5
4
3
n= 108 92
Tidak Langsung Melalui Pialang Langsung ke Pelanggan

x5 Sistem distribusi

x21 Kemungkinan untuk Membeli

11
10
86
9
8
7
6
5
187
4
3
n= 108 92 GAMBAR 6 Boxplot Pembelian

Tidak Langsung Melalui Pialang Langsung ke Pelanggan

Ukuran Hasil (x19, x20, dan x21) untuk

x5 Sistem distribusi Grup x5 (Sistem distribusi)

707
 MANOVA dan GLM

TABEL 7 Pengujian Multivariat dan Univariat untuk Perbedaan Kelompok dalam Ukuran
Hasil Pembelian (x19, x20, dan x21) Lintas Kelompok x5 (Sistem distribusi)

Tes Multivarian

Hipotesa Diamati
Uji Statistik Nilai F df Kesalahan df Tanda tangan. η2 KekuasaanA

Kriteria Pillai . 307 28.923 3 196 . 000 . 307 1.00

Lambda Wilks . 693 28.923 3 196 . 000 . 307 1.00
Hotelling's T2 . 443 28.923 3 196 . 000 . 307 1.00
Roy terhebat . 443 28.923 3 196 . 000 . 307 1.00
akar karakteristik

ADihitung menggunakan alpha = .05

Tes Univariat (Efek Antara Subjek)

Jumlah dari Berarti Diamati

Variabel tak bebas kotak df Persegi F Tanda tangan. η2 KekuasaanA

x19 Kepuasan 92.300B 1 92.300 85.304 .000 .301 1.00

x20 Kemungkinan untuk Merekomendasikanx 50.665C 1 50.665 54.910 .000 .217 1.00
21 Kemungkinan untuk Membeli 25.396D 1 25.396 37.700 .000 .160 1.00
ADihitung menggunakan alpha = .05
BR2 = 0,301 (Disesuaikan R2 = .298)CR
2= .217 (Disesuaikan R2 = .213)DR2 =
0,160 (Disesuaikan R2 = 0,156)

Kekuatan Statistik. Kekuatan untuk uji statistik adalah 1,0, menunjukkan bahwa ukuran sampel dan
ukuran efek cukup untuk memastikan bahwa perbedaan yang signifikan akan terdeteksi jika ada di luar
perbedaan karena kesalahan pengambilan sampel.

Tahap 5: Interpretasi Hasil

Kehadiran hanya dua kelompok menghilangkan kebutuhan untuk melakukan semua jenis tes post
hoc. Signifikansi statistik dari tes multivariat dan univariat yang menunjukkan perbedaan kelompok
pada variabel dependen (vektor sarana) dan hasil pembelian individu mengarahkan peneliti ke
pemeriksaan hasil untuk menilai konsistensi logisnya.
Seperti disebutkan sebelumnya, perusahaan yang menggunakan jenis sistem distribusi langsung mendapat skor
yang jauh lebih tinggi daripada yang dilayani melalui saluran distribusi tidak langsung berbasis pialang. Rata-rata
kelompok yang ditunjukkan pada Tabel 5, berdasarkan tanggapan terhadap skala 10 poin, menunjukkan bahwa
pelanggan yang menggunakan saluran distribusi langsung lebih puas (7,688 - 6,325 = 1,363), lebih cenderung
merekomendasikan HBAT (7,498 - 6,488 = 1,01) , dan lebih mungkin untuk membeli di masa mendatang (8.051 - 7.336 =
.715). Perbedaan ini juga tercermin dalam plot kotak untuk tiga hasil pembelian pada Gambar 6.
Hasil ini mengkonfirmasi bahwa jenis saluran distribusi memang mempengaruhi persepsi
pelanggan dalam hal tiga hasil pembelian. Perbedaan yang signifikan secara statistik ini, yang cukup
besar untuk menunjukkan signifikansi manajerial juga, menunjukkan bahwa saluran distribusi langsung
lebih efektif dalam menciptakan persepsi pelanggan yang positif pada berbagai hasil pembelian.

CONTOH 2: PERBEDAAN ANTARA K GRUP INDEPENDEN

Desain dua kelompok (contoh 1) adalah kasus khusus dari yang lebih umum k-desain grup Dalam kasus umum,
setiap responden adalah anggota atau secara acak ditugaskan ke salah satu darik kadar (kelompok) perlakuan
(variabel bebas). Dalam kasus univariat, variabel dependen metrik tunggal diukur, dan

708
 MANOVA dan GLM

hipotesis nol adalah bahwa semua mean kelompok adalah sama (yaitu,1 =2 =3 = . . . =k). Dalam kasus multivariat,
beberapa variabel dependen metrik diukur, dan hipotesis nolnya adalah bahwa semua vektor grup dari skor
rata-rata adalah sama (yaitu,n1 = n2 = n3 = . . .nk), di mana n mengacu pada vektor atau set nilai rata-rata.
Di dalam k-desain kelompok di mana beberapa variabel dependen diukur, banyak peneliti
lanjutkan dengan serangkaian individu F tes (ANOVAs) sampai semua variabel dependen telah dianalisis.
Sebagai pembaca harus menduga, pendekatan ini menderita kekurangan yang sama sebagai
serangkaianT tes di beberapa variabel dependen; yaitu serangkaianF tes dengan ANOVA:

• Menghasilkan tingkat kesalahan Tipe I yang meningkat

• Mengabaikan kemungkinan bahwa beberapa gabungan dari variabel dependen dapat memberikan bukti yang dapat diandalkan

tentang perbedaan kelompok secara keseluruhan

Selain itu, karena individu F tes mengabaikan korelasi antara variabel independen, mereka menggunakan kurang dari
total informasi yang tersedia untuk menilai perbedaan kelompok secara keseluruhan.
MANOVA kembali memberikan solusi atas permasalahan tersebut. MANOVA memecahkan masalah tingkat
kesalahan Tipe I dengan memberikan tes keseluruhan tunggal perbedaan kelompok pada tingkat tertentu. Ini
memecahkan masalah variabel komposit dengan secara implisit membentuk dan menguji kombinasi linier dari variabel
dependen yang memberikan bukti terkuat dari perbedaan kelompok secara keseluruhan.

Tahap 1: Tujuan MANOVA

Dalam contoh sebelumnya, HBAT menilai kinerjanya di antara pelanggan berdasarkan mana dari dua
saluran sistem distribusi (x5) telah dipakai. MANOVA dipekerjakan karena keinginan untuk menguji satu
set tiga variabel hasil pembelian yang mewakili kinerja HBAT. Tujuan penelitian kedua adalah untuk
menentukan apakah ketiga variabel hasil pembelian dipengaruhi oleh lamanya hubungan mereka
dengan HBAT (x1). Hipotesis nol yang sekarang ingin diuji HBAT adalah bahwa tiga vektor sampel dari
skor rata-rata (satu vektor untuk setiap kategori hubungan pelanggan) adalah ekuivalen.

Pertanyaan Penelitian. Selain memeriksa peran sistem distribusi, HBAT juga telah menyatakan
keinginan untuk menilai apakah perbedaan dalam hasil pembelian hanya disebabkan oleh jenis
saluran distribusi atau apakah faktor nonmetrik lain dapat diidentifikasi yang menunjukkan
perbedaan yang signifikan juga. HBAT dipilih secara khususx1 (Jenis Pelanggan) untuk menentukan
apakah lamanya hubungan HBAT dengan pelanggan berdampak pada hasil pembelian ini.

Memeriksa Profil Grup. Seperti dapat dilihat pada Tabel 8, skor rata-rata dari ketiga variabel hasil
pembelian meningkat seiring dengan meningkatnya panjang hubungan pelanggan. Pertanyaan yang akan
dibahas dalam analisis ini adalah sejauh mana perbedaan ini secara keseluruhan dapat dianggap signifikan
secara statistik dan jika perbedaan tersebut meluas ke setiap perbedaan antar kelompok. Dalam analisis
MANOVA kedua,x1 (Tipe Pelanggan) diperiksa untuk mengetahui perbedaan dalam hasil pembelian.

Tahap 2: Desain Penelitian MANOVA

Seperti situasi dalam analisis dua kelompok sebelumnya, ukuran sampel kelompok merupakan pertimbangan
utama dalam desain penelitian. Bahkan ketika semua contoh ukuran kelompok jauh melebihi kebutuhan
minimum, peneliti harus selalu memperhatikan pencapaian kekuatan statistik yang diperlukan untuk
pertanyaan penelitian yang ada.
Analisis dampak dari x1 sekarang mengharuskan kami menganalisis ukuran sampel untuk tiga
kelompok lama hubungan pelanggan (kurang dari 1 tahun, 1 hingga 5 tahun, dan lebih dari 5 tahun).
Dalam sampel HBAT, 200 responden hampir merata di tiga kelompok dengan ukuran sampel 68,
64, dan 68 (lihat Tabel 8). Ukuran sampel ini, bersama dengan tiga variabel dependen, melebihi pedoman yang
ditunjukkan pada Tabel 3 untuk mengidentifikasi ukuran efek sedang (ukuran sampel yang disarankan 44 hingga 56),
tetapi kurang dari ukuran sampel yang diperlukan (98 hingga 125) yang diperlukan untuk mengidentifikasi ukuran efek
kecil dengan kekuatan 0,80. Dengan demikian, setiap hasil yang tidak signifikan harus diperiksa dengan cermat untuk
mengevaluasi apakah ukuran efek memiliki signifikansi manajerial, karena kekuatan statistik yang rendah menghalangi
penetapannya sebagai signifikan secara statistik.

709
 MANOVA dan GLM

TABEL 8 Statistik Deskriptif Pengukuran Hasil Pembelian (x19, x20, dan x21)
untuk Grup x1 (Tipe pelanggan)

x1 Tipe pelanggan Berarti Std. Deviasi n

x19 Kepuasan Kurang dari 1 tahun 1 5.729 . 764 68
sampai 5 tahun 7.294 . 708 64
Lebih dari 5 tahun 7.853 1.033 68
Total 6.952 1.241 200
x20 Kemungkinan untuk Merekomendasikan Kurang dari 1 tahun 1 6.141 . 995 68
sampai 5 tahun 7.209 . 714 64
Lebih dari 5 tahun 7.522 . 976 68
Total 6.953 1.083 200
x21 Kemungkinan untuk Membeli Kurang dari 1 tahun 1 6.962 . 760 68
sampai 5 tahun 7.883 . 643 64
Lebih dari 5 tahun 8.163 . 777 68
Total 7.665 . 893 200

Tahap 3: Asumsi dalam MANOVA

Setelah membahas masalah normalitas dan interkorelasi (uji kebulatan Bartlett pada Tabel 6) dari
variabel dependen dalam contoh sebelumnya, satu-satunya perhatian yang tersisa terletak pada
homoskedastisitas hasil pembelian di seluruh kelompok yang dibentuk oleh x1 dan identifikasi outlier.
Kami pertama memeriksa homoskedastisitas ini pada tingkat multivariat (ketiga variabel hasil pembelian
secara kolektif) dan kemudian untuk setiap variabel dependen secara terpisah. Uji multivariat
homogenitas varians ketiga hasil pembelian dilakukan dengan uji Box's M, sedangkan uji Levene
digunakan untuk menilai setiap variabel hasil pembelian secara terpisah.

Homoskedastisitas. Tabel 9 berisi hasil uji multivariat dan univariat homoskedastisitas.

Uji Box's M menunjukkan tidak adanya heteroskedastisitas (signifikansi = 0,069). Dalam tes
Levene untuk kesetaraan varians kesalahan, dua dari hasil pembelian (x20 dan x21)

TABEL 9 Pengukuran Multivariat dan Univariat

untuk Menguji Homoskedastisitas dari x1

Uji Multivariat Homoskedastisitas

Uji Kotak Kesetaraan Matriks Kovarians

Kotak M 20.363
F 1.659
df1 12
df2 186673.631
Tanda tangan. . 069

Uji Univariat Homoskedastisitas

Uji Kesetaraan Varians Kesalahan Levene

Variabel tak bebas F df1 df2 Tanda tangan.

x19 Kepuasan 6.871 2 197 . 001

x20 Kemungkinan untuk Merekomendasikanx 2.951 2 197 . 055
21 Kemungkinan untuk Membeli . 800 2 197 . 451

710
 MANOVA dan GLM

menunjukkan hasil yang tidak signifikan dan dikonfirmasi homoskedastisitas. Dalam kasusx19, tingkat
signifikansi adalah 0,001, yang menunjukkan kemungkinan adanya heteroskedastisitas untuk variabel ini.
Namun, mengingat ukuran sampel yang relatif besar di setiap kelompok dan adanya homoskedastisitas untuk
dua hasil pembelian lainnya, solusi korektif tidak diperlukan untukx19.

Pencilan. Pemeriksaan boxplot untuk setiap variabel hasil pembelian (lihat Gambar 7) mengungkapkan sejumlah

kecil titik ekstrim untuk setiap ukuran dependen (pengamatan 104 untuk x19; pengamatan 86, 104, 119, dan 149 untukx
20; dan observasi 104 dan 187 untukx21). Hanya satu pengamatan yang memiliki nilai ekstrem pada ketiga ukuran
dependen dan tidak ada nilai yang begitu ekstrem dalam kasus apa pun yang secara nyata memengaruhi nilai
kelompok. Dengan demikian, tidak ada pengamatan yang diklasifikasikan sebagai outlier yang ditunjuk untuk
pengecualian dan semua 200 pengamatan digunakan dalam analisis ini.

Tahap 4: Estimasi Model MANOVA dan Menilai Kecocokan Keseluruhan

Menggunakan MANOVA untuk menguji variabel independen dengan tiga atau lebih level
mengungkapkan perbedaan di seluruh level untuk ukuran dependen dengan uji statistik multivariat dan
univariat yang diilustrasikan dalam contoh sebelumnya. Dalam situasi ini, uji statistik menguji efek utama
yang signifikan, yang berarti bahwa perbedaan antara kelompok, bila dilihat secara kolektif, cukup besar
untuk dianggap signifikan secara statistik. Perlu dicatat bahwa signifikansi statistik dari efek utama tidak
memastikan bahwa setiap kelompok juga berbeda secara signifikan satu sama lain. Sebaliknya, tes
terpisah yang dijelaskan di bagian berikutnya dapat memeriksa kelompok mana yang menunjukkan
perbedaan yang signifikan.
Ketiga ukuran dependen menunjukkan pola peningkatan yang pasti seiring dengan bertambahnya
panjang hubungan pelanggan (lihat Tabel 8 dan Gambar 7). Langkah pertama adalah menggunakan uji
multivariat dan menilai apakah rangkaian hasil pembelian, yang masing-masing tampaknya mengikuti pola
peningkatan yang serupa seiring dengan bertambahnya waktu, bervariasi dalam cara yang signifikan secara
statistik (yaitu, efek utama yang signifikan). Tabel 10 berisi empat tes multivariat yang paling umum digunakan
dan seperti yang kita lihat, keempat tes menunjukkan perbedaan yang signifikan secara statistik dari kumpulan
ukuran dependen di ketiga kelompok.
Selain tes multivariat, tes univariat untuk setiap ukuran dependen menunjukkan bahwa ketiga ukuran
dependen, bila dipertimbangkan secara individual, juga memiliki efek utama yang signifikan. Dengan demikian,
baik secara kolektif maupun individual, ketiga hasil pembelian (x19, x20, dan x21) bervariasi pada tingkat yang
signifikan secara statistik di ketiga kelompok x1.

Tahap 5: Interpretasi Hasil

Menafsirkan analisis MANOVA dengan variabel independen dari tiga tingkat atau lebih membutuhkan proses
dua langkah:

• Pengujian pengaruh utama variabel bebas (dalam hal ini, x1) pada tiga ukuran
dependen
• Mengidentifikasi perbedaan antara kelompok individu untuk masing-masing ukuran dependen baik dengan
perbandingan yang direncanakan atau tes post hoc

Analisis pertama memeriksa perbedaan keseluruhan di seluruh tingkat untuk ukuran dependen, sedangkan analisis
kedua menilai perbedaan antara kelompok individu (misalnya, kelompok 1 versus kelompok 2, kelompok 2 versus
kelompok 3, kelompok 1 versus kelompok 3, dll) untuk mengidentifikasi perbandingan kelompok tersebut dengan
perbedaan yang signifikan.

Menilai Pengaruh Utama X5. Semua tes multivariat dan univariat menunjukkan efek utama yang
signifikan dari x1 (Tipe Pelanggan) pada setiap variabel dependen individu serta himpunan variabel
dependen bila dipertimbangkan secara kolektif. Efek utama yang signifikan berarti bahwa variabel
dependen bervariasi dalam jumlah yang signifikan antara ketiga kelompok pelanggan berdasarkan

711
 MANOVA dan GLM

x19 Kepuasan
11
10
9
104
8
7
6
5
4
3
n= 68 64 68
kurang dari 1 tahun 1 sampai 5 tahun Lebih dari 5 tahun
x1 Tipe pelanggan

x20 Kemungkinan untuk Merekomendasikan

11
10 86
104
9 149
118
8
7
6
5
4
3
n= 68 64 68
kurang dari 1 tahun 1 sampai 5 tahun Lebih dari 5 tahun
x1 Tipe pelanggan

x21 Kemungkinan untuk Membeli

11
10
9 104

8
7
6
5
4 187

3
n= 68 64 68 GAMBAR 7 Plot Kotak Ukuran Hasil
kurang dari 1 tahun 1 sampai 5 tahun Lebih dari 5 tahun Pembelian (x19, x20, dan x21) untuk
x1 Tipe pelanggan Grup x1 (Tipe pelanggan)

712
 MANOVA dan GLM

TABEL 10 Pengujian Multivariat dan Univariat untuk Perbedaan Kelompok dalam Ukuran Hasil
Pembelian (x19, x20, dan x21) Lintas Kelompok x1 (Tipe pelanggan)

Tes Multivarian

Hipotesa Diamati
Uji Statistik Nilai F df Kesalahan df Tanda tangan. η2 KekuasaanA

Kriteria Pillai . 543 24.368 6 392 . 000 . 272 1.000

Lambda Wilks . 457 31.103 6 390 . 000 . 324 1.000
Hotelling's T2 1.184 38.292 6 388 . 000 . 372 1.000
Roy terhebat 1.183 77.280 3 196 . 000 . 542 1.000
akar karakteristik

ADihitung menggunakan alpha = .05

Tes Univariat (Efek Antara Subjek)

Tipe III Jumlah Berarti Diamati

Variabel tak bebas dari kotak df Persegi F Tanda tangan. η2 KekuasaanA

x19 Kepuasan 164.311B 2 82.156 113.794 .000 .536 1.00

x20 Kemungkinan untuk Merekomendasikanx 71.043C 2 35.521 43.112 . 000 . 304 1.00
21 Kemungkinan untuk Membeli 53.545D 2 26,773 50.121 . 000 . 337 1.00

ADihitung menggunakan alpha = .05

BR2 = 0,536 (Disesuaikan R2 = .531)CR
2= .304 (Disesuaikan R2 = .297)DR2 =
0,337 (Disesuaikan R2 = 0,331)

lamanya hubungan pelanggan. Seperti yang dapat kita lihat pada Tabel 8 dan Gambar 7, pola pembelian
meningkat dalam setiap ukuran ketergantungan seiring dengan matangnya hubungan pelanggan.
Misalnya, kepuasan pelanggan (x19) terendah (5,729) untuk pelanggan kurang dari 1 tahun, meningkat
(7,294) untuk pelanggan antara 1 dan 5 tahun hingga mencapai level tertinggi (7,853) untuk pelanggan 5
tahun atau lebih. Pola serupa terlihat untuk dua ukuran dependen lainnya.

MEMBUAT PERBANDINGAN POST HOC Seperti disebutkan sebelumnya, efek utama yang signifikan menunjukkan bahwa kumpulan

total perbedaan kelompok (misalnya, kelompok 1 versus kelompok 2, dll.) cukup besar untuk dianggap signifikan secara statistik.
Perlu juga dicatat bahwa pengaruh utama yang signifikan tidak menjamin bahwa setiap perbedaan kelompok juga signifikan.
Kami mungkin menemukan bahwa efek utama yang signifikan sebenarnya disebabkan oleh perbedaan kelompok tunggal
(misalnya, kelompok 1 versus kelompok 2) sementara semua perbandingan lainnya (kelompok 1 versus kelompok 3 dan
kelompok 2 versus kelompok 3) tidak berbeda secara signifikan.
Pertanyaannya menjadi: Bagaimana perbedaan kelompok individu ini dinilai sambil mempertahankan tingkat
yang dapat diterima dari tingkat kesalahan Tipe I secara keseluruhan? Masalah yang sama ditemui ketika
mempertimbangkan beberapa ukuran dependen, tetapi dalam kasus ini dalam membuat perbandingan untuk variabel
dependen tunggal di beberapa kelompok. Jenis pertanyaan ini dapat diuji dengan salah satu prosedur apriori. Jika
kontras digunakan, perbandingan khusus dibuat antara dua kelompok (atau kumpulan kelompok) untuk melihat apakah
mereka berbeda secara signifikan. Pendekatan lain adalah dengan menggunakan salah satu prosedur post hoc yang
menguji semua perbedaan kelompok dan kemudian mengidentifikasi perbedaan yang signifikan secara statistik.

Tabel 11 berisi tiga metode perbandingan post hoc (Tukey HSD, Scheffé, dan LSD) yang diterapkan pada
ketiga hasil pembelian di tiga kelompok x1. Ketika kita memeriksax19 (Kepuasan), pertama-tama kita melihat
bahwa meskipun efek utama secara keseluruhan signifikan, perbedaan antara kelompok yang berdekatan tidak
konstan. Selisih antara pelanggan kurang dari 1 tahun dan pelanggan 1 sampai 5 tahun adalah
- 1,564 (tanda minus menunjukkan bahwa pelanggan kurang dari 1 tahun memiliki nilai lebih rendah). Ketika kita

713
 MANOVA dan GLM

TABEL 11 Perbandingan Post Hoc untuk Perbedaan Kelompok Individu pada Ukuran Hasil Pembelian (
x19, x20, dan x21) Lintas Kelompok x1 (Tipe pelanggan)

Perbedaan Berarti Signifikansi Statistik dari

Grup untuk Dibandingkan Antar Grup (I - J) Perbandingan Post Hoc
Bergantung Berarti Standar Tukey
Variabel Grup I Grup J Perbedaan Kesalahan HSD Scheffe LSD

x19 Kepuasan
Kurang dari 1 tahun 1 sampai 5 tahun - 1,564 . 148 . 000 . 000 . 000
Kurang dari 1 tahun 1 Lebih dari 5 tahun - 2.124 . 146 . 000 . 000 . 000
sampai 5 tahun Lebih dari 5 tahun - . 559 . 148 . 000 . 001 . 000
x20 Kemungkinan untuk Merekomendasikan

Kurang dari 1 tahun 1 sampai 5 tahun - 1,068 . 158 . 000 . 000 . 000
Kurang dari 1 tahun 1 Lebih dari 5 tahun - 1,381 . 156 . 000 . 000 . 000
sampai 5 tahun Lebih dari 5 tahun - . 313 . 158 . 118 . 144 . 049
x21 Kemungkinan untuk Membeli

Kurang dari 1 tahun 1 sampai 5 tahun - . 921 . 127 . 000 . 000 . 000
Kurang dari 1 tahun 1 Lebih dari 5 tahun - 1.201 . 125 . 000 . 000 . 000
sampai 5 tahun Lebih dari 5 tahun - . 280 . 127 . 071 . 091 . 029

memeriksa perbedaan kelompok antara pelanggan 1 sampai 5 tahun versus lebih dari 5 tahun, namun
perbedaannya berkurang menjadi -.559 (sekitar sepertiga dari perbedaan sebelumnya).
Peneliti dengan demikian tertarik pada apakah kedua perbedaan ini signifikan, atau hanya
signifikan antara dua kelompok pertama. Ketika kita melihat ke tiga kolom terakhir pada Tabel 11, kita
dapat melihat bahwa semua perbedaan grup yang terpisah untukx19 signifikan, menunjukkan bahwa
perbedaan -.559, meskipun jauh lebih kecil dari perbedaan kelompok lainnya, masih signifikan secara
statistik.
Ketika kami memeriksa perbandingan post hoc untuk dua hasil pembelian lainnya (x20 dan x
21),muncul pola yang berbeda. Sekali lagi, perbedaan antara dua kelompok pertama (kurang dari 1
tahun dan 1 sampai 5 tahun) semuanya signifikan secara statistik di ketiga tes post hoc. Namun
ketika kita memeriksa perbandingan berikutnya (pelanggan 1 sampai 5 tahun versus lebih dari 5
tahun), dua dari tiga tes menunjukkan bahwa kedua kelompok tidak berbeda. Dalam pengujian ini,
hasil pembelian darix20 dan x21 untuk pelanggan 1 sampai 5 tahun tidak berbeda nyata dengan
yang lebih dari 5 tahun. Hasil ini bertentangan dengan apa yang ditemukan untuk kepuasan, di
mana perbedaan ini signifikan.
Ketika variabel independen memiliki tiga tingkat atau lebih, peneliti harus terlibat dalam
analisis tingkat kedua ini selain penilaian efek utama yang signifikan. Di sini peneliti tidak tertarik
pada efek kolektif dari variabel independen, tetapi pada perbedaan antara kelompok tertentu. Alat
perbandingan terencana atau metode post hoc menyediakan sarana yang kuat untuk membuat
pengujian perbedaan kelompok ini sambil juga mempertahankan tingkat kesalahan Tipe I secara
keseluruhan.

CONTOH 3: DESAIN FAKTORAL UNTUK MANOVA

DENGAN DUA VARIABEL INDEPENDEN
Dalam dua contoh sebelumnya, analisis MANOVA telah menjadi perluasan dari analisis dua dan tiga
kelompok univariat. Dalam contoh ini, kami mengeksplorasi desain faktorial multivariat: dua variabel
independen yang digunakan sebagai perlakuan untuk menganalisis perbedaan himpunan variabel
dependen. Selama diskusi kami, kami menilai efek interaktif atau gabungan antara dua perlakuan pada
variabel dependen secara terpisah dan kolektif.

714
 MANOVA dan GLM

Tahap 1: Tujuan MANOVA

Dalam pertanyaan penelitian multivariat sebelumnya, HBAT mempertimbangkan efek hanya satu variabel
pengobatan pada variabel dependen. Di sini kemungkinan efek gabungan antara dua atau lebih variabel
independen juga harus dipertimbangkan. Dengan cara ini, interaksi antara variabel independen dapat
dinilai bersama dengan efek utamanya.

Pertanyaan Penelitian. Dua pertanyaan penelitian pertama yang kami periksa membahas dampak dari dua faktor

— sistem distribusi dan durasi hubungan pelanggan — pada serangkaian hasil pembelian. Dalam setiap contoh, faktor-
faktor tersebut terbukti memiliki dampak yang signifikan (yaitu, hasil pembelian yang lebih menguntungkan bagi
perusahaan dalam sistem distribusi langsung atau mereka yang memiliki masa kerja lebih lama sebagai pelanggan
HBAT).
Yang belum terselesaikan adalah pertanyaan ketiga: Bagaimana kedua faktor ini bekerja jika
dipertimbangkan secara bersamaan? Di sini kami tertarik untuk mengetahui bagaimana perbedaan antara
sistem distribusi di seluruh kelompok berdasarkan panjang hubungan HBAT. Kami melihat bahwa pelanggan
dalam sistem distribusi langsung memiliki hasil pembelian yang jauh lebih besar (kepuasan yang lebih tinggi,
dll.), namun apakah perbedaan ini selalu ada untuk setiap kelompok pelanggan berdasarkanx1? Berikut ini
hanyalah contoh dari jenis pertanyaan yang dapat kita ajukan ketika mempertimbangkan dua variabel bersama-
sama dalam satu analisis:

• Apakah sistem distribusi langsung lebih efektif untuk pelanggan baru?

• Apakah kedua sistem distribusi menunjukkan perbedaan untuk pelanggan 5 tahun atau lebih?
• Apakah sistem distribusi langsung selalu lebih disukai daripada sistem tidak langsung di seluruh kelompok
pelanggan? x1?

Dengan menggabungkan kedua variabel bebas (x1 dan x5) menjadi desain faktorial, kami membuat enam
kelompok pelanggan: tiga kelompok berdasarkan lamanya hubungan mereka dengan HBAT dipisahkan ke dalam
kelompok-kelompok tersebut di setiap saluran sistem distribusi. Dikenal sebagai desain 3 * 2, tiga tingkatx1dipisahkan
untuk setiap tingkat x5 membentuk kelompok terpisah untuk setiap jenis pelanggan dalam setiap saluran sistem
distribusi.

Memeriksa Profil Grup. Tabel 12 memberikan profil masing-masing kelompok untuk set hasil pembelian.
Banyak kali perspektif yang lebih cepat dan sederhana adalah melalui tampilan grafis. Salah satu opsinya adalah
membentuk diagram garis, dan kami akan mengilustrasikannya saat melihat istilah interaksi di bagian
selanjutnya. Kita juga dapat menggunakan plot kotak untuk menunjukkan tidak hanya perbedaan antara rata-
rata grup, tetapi juga tumpang tindih rentang nilai di setiap grup. Gambar 8 mengilustrasikan grafik seperti itu
untukx19 (Kepuasan) di enam kelompok desain faktorial kami. Seperti yang dapat kita lihat, kepuasan meningkat
seiring lamanya hubungan dengan HBAT, tetapi perbedaan antara kedua sistem distribusi tidak selalu konstan
(misalnya, mereka tampak lebih dekat untuk pelanggan 1 sampai 5 tahun).
Tujuan memasukkan beberapa variabel independen ke dalam MANOVA adalah untuk menilai efeknya
"bergantung pada" atau "mengendalikan" variabel lainnya. Dalam hal ini, kita dapat melihat bagaimana panjang
perubahan hubungan HBAT dengan cara apapun persepsi yang lebih positif umumnya terlihat untuk sistem
distribusi langsung.

Tahap 2: Desain Penelitian MANOVA

Setiap desain faktorial dari dua atau lebih variabel independen menimbulkan masalah ukuran sampel yang memadai
dalam berbagai kelompok. Peneliti harus memastikan, saat membuat desain faktorial, bahwa setiap kelompok memiliki
ukuran sampel yang cukup untuk hal-hal berikut:

1. Memenuhi persyaratan minimum ukuran grup yang melebihi jumlah variabel dependen
2. Memberikan kekuatan statistik untuk menilai perbedaan yang dianggap signifikan secara praktis

715
 MANOVA dan GLM

TABEL 12 Statistik Deskriptif Pengukuran Hasil Pembelian (x19, x20, dan x21) untuk Grup x1
(Tipe Pelanggan) oleh x5 (Sistem distribusi)

x1 x5 Std.
Variabel tak bebas Tipe pelanggan Sistem distribusi Berarti Deviasi n

x19 Kepuasan kurang dari 1 tahun Tidak langsung melalui broker 5.462 . 499 52
Langsung ke pelanggan 6.600 . 839 16
Total 5.729 . 764 68
1 sampai 5 tahun Tidak langsung melalui broker 7.120 . 551 25
Langsung ke pelanggan 7.405 . 779 39
Total 7.294 . 708 64
Lebih dari 5 tahun Tidak langsung melalui broker 7.132 . 803 31
Langsung ke pelanggan 8.457 . 792 37
Total 7.853 1.033 68
Total Tidak langsung melalui broker 6.325 1.033 108
Langsung ke pelanggan 7.688 1.049 92
Total 6.952 1.241 200
x20 Kemungkinan untuk Merekomendasikan kurang dari 1 tahun Tidak langsung melalui broker 5.883 . 773 52
Langsung ke pelanggan 6.981 1.186 16
Total 6.141 . 995 68
1 sampai 5 tahun Tidak langsung melalui broker 7.144 . 803 25
Langsung ke pelanggan 7.251 . 659 39
Total 7.209 . 714 64
Lebih dari 5 tahun Tidak langsung melalui broker 6.974 . 835 31
Langsung ke pelanggan 7.981 . 847 37
Total 7.522 . 976 68
Total Tidak langsung melalui broker 6.488 . 986 108
Langsung ke pelanggan 7.498 . 930 92
Total 6.953 1.083 200
x21 Kemungkinan untuk Membeli kurang dari 1 tahun Tidak langsung melalui broker 6.763 . 702 52
Langsung ke pelanggan 7.606 . 569 16
Total 6.962 . 760 68
1 sampai 5 tahun Tidak langsung melalui broker 7.804 . 710 25
Langsung ke pelanggan 7.933 . 601 39
Total 7.883 . 643 64
Lebih dari 5 tahun Tidak langsung melalui broker 7.919 . 648 31
Langsung ke pelanggan 8.368 . 825 37
Total 8.163 . 777 68
Total Tidak langsung melalui broker 7.336 . 880 108
Langsung ke pelanggan 8.051 . 745 92
Total 7.665 . 893 200

Pertimbangan Ukuran Sampel. Seperti disebutkan di bagian sebelumnya, analisis ini disebut
desain 2 * 3 karena mencakup dua tingkat x5 (distribusi langsung versus tidak langsung) dan tiga
tingkat x1 (kurang dari 1 tahun, 1 sampai 5 tahun, dan lebih dari 5 tahun). Masalah ukuran sampel
per kelompok menjadi perhatian bagi peneliti HBAT sehingga survei HBAT asli dari 100
pengamatan dilengkapi dengan 100 responden tambahan hanya untuk analisis ini (lihat diskusi
lebih rinci di bagian sebelum contoh). Bahkan dengan tambahan responden, sampel dari 200
pengamatan harus dibagi menjadi enam kelompok, semoga dengan cara yang seimbang.

Ukuran sampel per sel ditunjukkan pada Tabel 12 dan dapat ditampilkan dalam format sederhana
berikut.

716
 MANOVA dan GLM

x19 Kepuasan
11

10

9
184
8

6
x5 Distribusi

5
Melalui Tidak Langsung
Makelar
4

Langsung ke Pelanggan
3
n= 52 16 25 39 31 37
kurang dari 1 tahun 1 sampai 5 tahun Lebih dari 5 tahun
x1 Tipe pelanggan

ANGKA 8 Boxplot Ukuran Hasil Pembelian (x19) untuk Grup x5 (Sistem Distribusi)
oleh x1 (Tipe pelanggan)

x5 Sistem distribusi
x1 Tipe pelanggan tidak langsung Langsung

Kurang dari 1 tahun 1 52 16

sampai 5 tahun 25 39
Lebih dari 5 tahun 31 37

Kecukupan Tenaga Statistik. Ukuran sampel di semua kecuali satu sel memberikan kekuatan statistik yang cukup
untuk mengidentifikasi setidaknya ukuran efek yang besar dengan probabilitas 80 persen. Namun, ukuran sampel yang
lebih kecil yaitu 16 untuk pelanggan kurang dari 1 tahun yang dilayani oleh saluran distribusi langsung menjadi
perhatian. Jadi, kita harus menyadari bahwa kecuali ukuran efeknya substansial, ukuran sampel yang terbatas di setiap
kelompok, bahkan dari sampel 200 pengamatan ini, dapat menghalangi identifikasi perbedaan yang signifikan. Masalah
ini menjadi sangat penting ketika memeriksa perbedaan yang tidak signifikan di mana peneliti harus menentukan
apakah hasil yang tidak signifikan disebabkan oleh ukuran efek yang tidak mencukupi atau kekuatan statistik yang
rendah.

Tahap 3: Asumsi dalam MANOVA

Seperti analisis MANOVA sebelumnya, asumsi yang paling penting adalah homogenitas matriks
varians-kovarians di seluruh kelompok. Memenuhi asumsi ini memungkinkan interpretasi langsung
dari hasil tanpa harus mempertimbangkan ukuran kelompok, tingkat kovarians dalam kelompok,
dan sebagainya. Asumsi statistik tambahan yang terkait dengan variabel dependen (normalitas dan
korelasi) telah dibahas dalam contoh sebelumnya. Masalah terakhir adalah adanya outlier dan
kebutuhan untuk menghapus observasi yang dapat mendistorsi nilai rata-rata dari grup manapun.

717
 MANOVA dan GLM

TABEL 13 Pengukuran Multivariat dan Univariat untuk Menguji

Homoskedastisitas Lintas Kelompok x1 oleh x5

Uji Multivariat untuk Homoskedastisitas

Uji Kotak Kesetaraan Matriks Kovarians

Kotak M 39.721
F 1.263
df1 30
df2 33214.450
Tanda tangan. . 153

Uji Univariat untuk Homoskedastisitas

Uji Kesetaraan Varians Kesalahan Levene

Variabel tak bebas F df1 df2 Tanda tangan.

x19 Kepuasan 2.169 5 194 . 059

x20 Kemungkinan untuk Merekomendasikanx 1.808 5 194 . 113
21 Kemungkinan untuk Membeli . 990 5 194 . 425

Homoskedastisitas. Untuk desain faktorial ini, enam kelompok dilibatkan dalam pengujian asumsi
homoskedastisitas (lihat Tabel 13). Uji multivariat (Kotak M) memiliki nilai yang tidak signifikan (0,153),
memungkinkan kita untuk menerima hipotesis nol dari matriks homogenitas varians-kovarians pada
tingkat 0,05.
Tes univariat untuk ketiga variabel hasil pembelian secara terpisah juga semuanya tidak signifikan.
Dengan uji multivariat dan univariat yang menunjukkan tidak signifikan, peneliti dapat melanjutkan dengan
mengetahui bahwa asumsi homoskedastisitas telah terpenuhi sepenuhnya.

Pencilan. Isu kedua melibatkan pemeriksaan pengamatan dengan nilai ekstrim dan kemungkinan
penunjukan pengamatan sebagai outlier dengan penghapusan dari analisis. Cukup menarik,
pemeriksaan plot kotak untuk tiga hasil pembelian mengidentifikasi sejumlah kecil pengamatan dengan
nilai ekstrem daripada yang ditemukan untukx1 dengan sendirinya. Variabel terikat dengan nilai paling
ekstrim adalahx21 dengan hanya tiga, sedangkan ukuran dependen lainnya memiliki satu dan dua nilai
ekstrim. Selain itu, tidak ada observasi yang memiliki nilai ekstrim pada lebih dari satu ukuran dependen.
Akibatnya, semua pengamatan dipertahankan dalam analisis.

Tahap 4: Estimasi Model MANOVA dan Menilai Kecocokan Keseluruhan

Model MANOVA untuk desain faktorial menguji tidak hanya efek utama dari kedua variabel independen
tetapi juga interaksi atau efek gabungannya pada variabel dependen. Langkah pertama adalah menguji
pengaruh interaksi dan menentukan apakah itu signifikan secara statistik. Jika signifikan, maka peneliti
harus memastikan bahwa efek interaksi tersebut ordinal. Jika ditemukan disordinal, uji statistik efek
utama tidak valid. Tetapi dengan asumsi efek interaksi ordinal yang signifikan atau tidak signifikan, efek
utama dapat diinterpretasikan secara langsung tanpa penyesuaian.

MENILAI EFEK INTERAKSI Efek interaksi dapat diidentifikasi baik secara grafis maupun statistik. Cara grafis yang paling

umum adalah membuat diagram garis yang menggambarkan pasangan variabel independen. Seperti yang
diilustrasikan pada Gambar 5, efek interaksi yang signifikan diwakili oleh garis nonparalel (dengan garis paralel yang
menunjukkan tidak ada efek interaksi). Jika garis-garis tersebut menyimpang dari paralel tetapi tidak pernah bersilangan
dalam jumlah yang signifikan, maka interaksi tersebut dianggap ordinal. Jika garis-garis itu bersilangan hingga tingkat di
mana setidaknya dalam satu contoh urutan relatif garis-garis itu dibalik, maka interaksi itu dianggap disordinal.
Gambar 9 menggambarkan setiap variabel dependen di enam kelompok, yang ditunjukkan oleh pola nonparalel
bahwa interaksi mungkin ada. Seperti yang dapat kita lihat di setiap grafik, tingkat tengah darix1 (1 sampai 5 tahun

718
 MANOVA dan GLM

dengan HBAT) memiliki perbedaan yang jauh lebih kecil antara dua jalur (mewakili dua saluran distribusi)
daripada dua tingkat lainnya x1. Kami dapat mengkonfirmasi pengamatan ini dengan memeriksa rata-rata
kelompok dari Tabel 12. Menggunakanx19 (Kepuasan) sebagai contoh, kita melihat bahwa perbedaan antara
saluran distribusi langsung dan tidak langsung adalah 1,138 untuk pelanggan kurang dari 1 tahun, yang sangat
mirip dengan perbedaan antara saluran (1,325) untuk pelanggan lebih dari 5 tahun. Namun, untuk pelanggan
yang dilayani oleh HBAT dari 1 sampai 5 tahun, selisih pelanggan kedua saluran hanya (0,285). Dengan
demikian, perbedaan antara dua saluran distribusi, meskipun ditemukan signifikan pada contoh sebelumnya,
dapat ditunjukkan berbeda (berinteraksi) berdasarkan berapa lama pelanggan telah menggunakan HBAT.
Interaksi dianggap ordinal karena dalam semua kasus saluran distribusi langsung memiliki skor kepuasan yang
lebih tinggi.

x19 Kepuasan x20 Kemungkinan untuk Merekomendasikan

9.0 8.5

8.5
8.0
8.0
7.5
7.5

7.0 7.0

6.5
6.5
x5 Distribusi x5 Distribusi
6.0
Langsung ke Pelanggan Langsung ke Pelanggan
6.0
5.5
Tidak Langsung Melalui Pialang Tidak Langsung Melalui Pialang

5.0 5.5
Kurang dari 1 sampai Lebih dari Kurang dari 1 sampai Lebih dari
1 tahun 5 tahun 5 tahun 1 tahun 5 tahun 5 tahun
x1 Tipe pelanggan x1 Tipe pelanggan

x21 Kemungkinan untuk Membeli

8.5

8.0

7.5

7.0 x5 Distribusi
Langsung ke Pelanggan

Tidak Langsung Melalui Pialang

6.5
Kurang dari 1 sampai Lebih dari
1 tahun 5 tahun 5 tahun
x1 Tipe pelanggan

GAMBAR 9 Tampilan Grafis dari Pengaruh Interaksi Pengukuran Hasil Pembelian (x19, x20, dan x21) Lintas Kelompokx5
(Sistem Distribusi) oleh x1 (Tipe pelanggan)

719
 MANOVA dan GLM

MENGUJI INTERAKSI DAN EFEK UTAMA Selain sarana grafis, efek interaksi juga dapat diuji dengan
cara yang sama seperti efek utama. Dengan demikian, peneliti dapat membuat penilaian
multivariat maupun univariat dari efek interaksi dengan uji statistik yang dijelaskan dalam
contoh sebelumnya.
Tabel 14 berisi hasil MANOVA untuk pengujian interaksi dan efek utama. Pengujian untuk
efek interaksi yang signifikan berlangsung seperti halnya efek lainnya. Pertama, multivariat

TABEL 14 Pengujian Multivariat dan Univariat untuk Perbedaan Kelompok dalam Ukuran Hasil Pembelian
(x19, x20, dan x21) Lintas Kelompok x1 oleh x5

Tes Multivarian

Diamati
Memengaruhi Uji Statistik Nilai F Hipotesa df Kesalahan df Tanda tangan. η2 KekuasaanA

x1 Kriteria Pillai . 488 20.770 6 386 . 000 . 244 1.000

Lambda Wilks . 512 25.429 6 384 . 000 . 284 1.000
Hotelling T2 . 952 30.306 6 382 . 000 . 322 1.000
Roy terhebat
akar karakteristik . 951 61.211 3 193 . 000 . 488 1.000
x5 Kriteria Pillai . 285 25.500 3 192 . 000 . 285 1.000
Lambda Wilks . 715 25.500 3 192 . 000 . 285 1.000
Hotelling T2 . 398 25.500 3 192 . 000 . 285 1.000
Roy terhebat
akar karakteristik . 398 25.500 3 192 . 000 . 285 1.000
x1 * x5 Kriteria Pillai . 124 4.256 6 386 . 000 . 062 . 980
Lambda Wilks . 878 4.291 6 384 . 000 . 063 . 981
Hotelling T2 . 136 4.327 6 382 . 000 . 064 . 982
Roy terhebat
akar karakteristik . 112 7.194 3 193 . 000 . 101 . 981

ADihitung menggunakan alpha = .05

Tes Univariat (Efek Antara Subjek)

Jumlah dari Berarti Diamati

Memengaruhi Variabel tak bebas kotak df Persegi F Tanda tangan. η2 KekuasaanA

Keseluruhan x19 Kepuasan 210.999B 5 42.200 85.689 . 000 . 688 1.000

x20 Kemungkinan untuk 103.085C 5 20.617 30,702 . 000 . 442 1.000
Merekomendasikanx21 Kemungkinan 65.879D 5 13.176 27.516 . 000 . 415 1.000
x1 untuk Membelix19 Kepuasan 89,995 2 44.998 91.370 . 000 . 485 1.000
x20 Kemungkinan untuk 32.035 2 16.017 23,852 . 000 . 197 1.000
Merekomendasikanx21 Kemungkinan 26.723 2 13,362 27.904 . 000 . 223 1.000
x5 untuk Membelix19 Kepuasan 36,544 1 36,544 74.204 . 000 . 277 1.000
x20 Kemungkinan untuk 23.692 1 23.692 35.282 . 000 . 154 1.000
Merekomendasikanx21 Kemungkinan 9.762 1 9.762 20.386 . 000 . 095 . 994
x1 * x5 untuk Membelix19 Kepuasan 9.484 2 4.742 9,628 . 000 . 090 . 980
x20 Kemungkinan untuk Merekomendasikanx 8.861 2 4.430 6.597 . 002 . 064 . 908
21 Kemungkinan untuk Membeli 3.454 2 1.727 3.607 . 029 . 036 . 662

ADihitung menggunakan alpha = .05

BR2 = 0,688 (Disesuaikan R2 = 0,680)C
R2 = 0,442 (Disesuaikan R2 = .427)DR2
= 0,415 (Disesuaikan R2 = 0,400)

720
 MANOVA dan GLM

efek diperiksa dan dalam hal ini keempat tes menunjukkan signifikansi statistik. Kemudian, uji
univariat untuk setiap variabel dependen dilakukan. Sekali lagi, efek interaksi juga dianggap
signifikan untuk masing-masing dari tiga variabel dependen. Uji statistik mengkonfirmasi apa yang
ditunjukkan dalam grafik: Efek interaksi ordinal yang signifikan terjadi antarax5 dan x1.

ESTIMASI EFEK UTAMA Jika efek interaksi dianggap tidak signifikan atau bahkan signifikan dan
ordinal, maka peneliti dapat melanjutkan untuk memperkirakan signifikansi efek utama untuk
perbedaan mereka di seluruh kelompok. Dalam kasus di mana efek interaksi disordinal
ditemukan, efek utama dikacaukan oleh interaksi disordinal dan tes untuk perbedaan tidak
boleh dilakukan.
Dengan interaksi ordinal yang signifikan, kita dapat melanjutkan untuk menilai apakah kedua variabel
independen masih memiliki pengaruh utama yang signifikan bila dipertimbangkan secara bersamaan. Tabel 14
juga berisi hasil MANOVA untuk efek utama darix1 dan x5 selain tes untuk efek interaksi yang sudah dibahas.
Seperti yang kami temukan saat menganalisisnya secara terpisah, keduanyax1 (Jenis Pelanggan) danx5 (Sistem
Distribusi) memiliki dampak yang signifikan (efek utama) pada tiga variabel hasil pembelian, baik sebagai satu
set dan secara terpisah, seperti yang ditunjukkan oleh pengujian multivariat dan univariat.
Dampak dari dua variabel independen dapat dibandingkan dengan memeriksa ukuran efek relatif
seperti yang ditunjukkan oleh -2 (eta kuadrat). Ukuran efek untuk setiap variabel agak lebih tinggi untukx1
jika dibandingkan dengan x5 baik pada tes multivariat atau univariat. Misalnya, dengan pengujian
multivariat nilai eta kuadrat untukx1 berkisar dari .244 hingga .488, tetapi lebih rendah (semuanya sama
dengan .285) untuk x5. Pola serupa dapat dilihat pada tes univariat. Perbandingan ini memberikan
evaluasi signifikansi praktis yang terpisah dari uji signifikansi statistik. Namun, jika dibandingkan dengan
salah satu variabel independen, ukuran efek yang disebabkan oleh efek interaksi jauh lebih kecil
(misalnya, nilai multivariat eta kuadrat mulai dari 0,062 hingga 0,101).

Tahap 5: Interpretasi Hasil

Interpretasi dari desain faktorial di MANOVA adalah kombinasi penilaian yang diambil dari uji
statistik dan pemeriksaan data dasar. Kehadiran efek interaksi dapat dinilai secara statistik, tetapi
kesimpulan yang dihasilkan terutama didasarkan pada penilaian peneliti. Peneliti harus memeriksa
perbedaan untuk signifikansi praktis di samping signifikansi statistik. Jika perbandingan khusus
antar kelompok dapat dirumuskan, maka perbandingan yang direncanakan dapat ditentukan dan
diuji langsung dalam analisis.

INTERPRETING INTERAKSI DAN EFEK UTAMA Signifikansi statistik mungkin didukung oleh pengujian multivariat,
tetapi pengujian pengujian untuk setiap variabel dependen memberikan wawasan kritis tentang efek yang
terlihat dalam pengujian multivariat. Selain itu, peneliti dapat menggunakan perbandingan yang direncanakan
atau bahkan tes post hoc untuk menentukan sifat sebenarnya dari perbedaan, terutama ketika istilah interaksi
yang signifikan ditemukan.
Dengan interaksi dan efek utama yang ditemukan signifikan secara statistik baik oleh uji
multivariat maupun univariat, interpretasi masih sangat bergantung pada pola efek yang ditunjukkan
dalam nilai enam kelompok (ditunjukkan pada Tabel 12 dan Gambar 9).

Interaksi dari x1 oleh x5. Garis nonparalel untuk setiap ukuran tergantung terutama
menggambarkan penyempitan perbedaan saluran distribusi untuk pelanggan 1 sampai 5 tahun.
Meskipun efek darix1 dan x5 masih ada, kami melihat beberapa perbedaan mencolok dalam dampak ini
tergantung pada kelompok pelanggan tertentu yang kami periksa. Misalnya untukx20 selisih antara
pelanggan Distribusi Langsung versus Tidak Langsung adalah 1,098 untuk pelanggan kurang dari 1
tahun, berkurang menjadi hanya 0,107 untuk pelanggan 1 sampai 5 tahun, kemudian meningkat lagi
menjadi 1,007 untuk pelanggan lebih dari 5 tahun. Perbedaan substansial ini tergantung pada Jenis
Pelanggan menggambarkan efek interaksi yang signifikan.

721
 MANOVA dan GLM

Efek Utama dari x1. Efek utamanya diilustrasikan untuk ketiga hasil pembelian dengan garis miring ke
atas di tiga tingkat x1 di x sumbu. Di sini kita dapat melihat bahwa efeknya konsisten dengan temuan
sebelumnya bahwa ketiga hasil pembelian meningkat dengan baik seiring lamanya hubungan dengan HBAT
meningkat. Misalnya, lagi memeriksax20, kami melihat bahwa skor rata-rata keseluruhan meningkat dari 6,141
untuk pelanggan kurang dari 1 tahun menjadi 7,209 untuk pelanggan 1 hingga 5 tahun dan terakhir menjadi
7,522 untuk pelanggan lebih dari 5 tahun.

Efek Utama dari x5. Pemisahan dua jalur yang mewakili dua saluran distribusi menunjukkan kepada kita
bahwa saluran distribusi langsung menghasilkan hasil pembelian yang lebih menguntungkan. Memeriksa
Gambar 9 kita melihat bahwa untuk setiap variabel dependen, jalur untuk pelanggan dengan distribusi langsung
lebih besar daripada yang dilayani oleh sistem tidak langsung.

KOVARIAT POTENSIAL Peneliti juga memiliki alat tambahan—menambahkan kovariat—untuk

meningkatkan analisis dan interpretasi variabel independen. Peran kovariat adalah untuk mengontrol
efek di luar lingkup analisis MANOVA yang dapat mempengaruhi perbedaan kelompok dalam beberapa
cara yang sistematis (lihat diskusi sebelumnya untuk lebih detail). Sebuah kovariat paling efektif bila
memiliki korelasi dengan variabel dependen, tetapi relatif tidak berkorelasi dengan variabel independen
yang digunakan. Dengan cara ini dapat menjelaskan varians tidak disebabkan oleh variabel independen
(karena korelasi yang rendah dengan mereka), tetapi masih mengurangi jumlah variasi keseluruhan
untuk dijelaskan (korelasi dengan ukuran dependen).
Para peneliti HBAT memiliki pilihan terbatas dalam memilih kovariat untuk analisis MANOVA ini. Satu-satunya
kandidat yang mungkin adalahx22, yang mewakili persentase pembelian pelanggan yang berasal dari HBAT. Alasannya
adalah untuk mengontrol ketergantungan yang dirasakan atau sebenarnya dari perusahaan pada HBAT seperti yang
diwakili dalamx22. Perusahaan dengan ketergantungan lebih mungkin bereaksi cukup berbeda terhadap variabel yang
dipertimbangkan.
Namun, x22 adalah kandidat yang buruk untuk menjadi kovariat meskipun memenuhi kriteria berkorelasi
dengan variabel dependen. Kelemahan fatalnya adalah perbedaan tingkat tinggi yang terlihat pada keduanyax1
dan x5. Perbedaan ini menunjukkan bahwa efek darix1 dan x5 akan sangat dibingungkan oleh penggunaan x22
sebagai kovariat. Dengan demikian, tidak ada kovariat yang akan digunakan dalam analisis ini.

Ringkasan

Hasil yang tercermin dalam efek utama dan interaksi memberikan bukti yang meyakinkan
bahwa reaksi pascapembelian pelanggan HBAT dipengaruhi oleh jenis sistem distribusi dan
oleh lamanya hubungan.
Sistem distribusi langsung dikaitkan dengan tingkat kepuasan pelanggan yang lebih tinggi, serta kemungkinan
untuk membeli kembali dan merekomendasikan HBAT kepada orang lain. Demikian pula, pelanggan dengan hubungan
yang lebih lama juga melaporkan tingkat yang lebih tinggi dari ketiga variabel dependen. Perbedaan antara variabel
dependen adalah yang terkecil di antara para pelanggan yang telah melakukan bisnis dengan HBAT selama 1 sampai 5
tahun.
Penggunaan MANOVA dalam proses ini memungkinkan peneliti untuk mengontrol tingkat kesalahan Tipe
I ke tingkat yang jauh lebih besar daripada jika perbandingan individu dibuat pada setiap variabel dependen.
Interpretasi tetap valid bahkan setelah dampak dari variabel dependen lainnya telah dipertimbangkan. Hasil ini
mengkonfirmasi perbedaan yang ditemukan antara efek dari dua variabel independen.

TINJAUAN UMUM MANAJERIAL DARI HASIL

Peneliti HBAT melakukan serangkaian ANOVA dan MANOVA dalam upaya untuk memahami bagaimana tiga
hasil pembelian (x19, Kepuasan; x20, Kemungkinan Merekomendasikan HBAT; danx21, Kemungkinan Pembelian
Masa Depan) bervariasi di seluruh karakteristik perusahaan yang terlibat, seperti distribusi

722
 MANOVA dan GLM

sistem (x5) dan jenis pelanggan (x1). Dalam diskusi kami, kami fokus pada hasil multivariat karena
tumpang tindih dengan hasil univariat.
Analisis MANOVA pertama adalah langsung: Apakah jenis saluran distribusi berpengaruh pada hasil
pembelian? Dalam hal ini peneliti menguji apakah kumpulan skor rata-rata (yaitu, rata-rata dari tiga hasil
pembelian) untuk setiap kelompok distribusi adalah ekuivalen. Setelah memenuhi semua asumsi, kami
menemukan bahwa hasil mengungkapkan perbedaan yang signifikan bahwa perusahaan dalam sistem
distribusi langsung memiliki hasil pembelian yang lebih menguntungkan bila dibandingkan dengan perusahaan
yang dilayani melalui model berbasis broker. Seiring dengan hasil keseluruhan, manajemen juga perlu
mengetahui apakah perbedaan ini ada tidak hanya untuk variabel tetapi juga untuk variabel individu. Tes
univariat mengungkapkan perbedaan univariat yang signifikan untuk setiap hasil pembelian juga. Hasil
multivariat dan univariat yang signifikan menunjukkan kepada manajemen bahwa sistem distribusi langsung
melayani pelanggan lebih baik seperti yang ditunjukkan oleh ukuran hasil yang lebih menguntungkan. Dengan
demikian, manajer dapat fokus untuk memperluas manfaat sistem langsung tersebut sambil bekerja untuk
meningkatkan sistem distribusi berbasis pialang.
MANOVA berikutnya mengikuti pendekatan yang sama, tetapi mengganti variabel independen
baru, jenis pelanggan (yaitu, lama waktu perusahaan telah menjadi pelanggan), yang memiliki tiga
kelompok (kurang dari 1 tahun, 1 hingga 5 tahun, dan lebih dari 5 tahun). Sekali lagi, manajemen
berfokus pada tiga ukuran hasil untuk menilai apakah perbedaan signifikan ditemukan di sepanjang
hubungan pelanggan. Baik tes univariat dan multivariat menunjukkan perbedaan dalam variabel hasil
pembelian di ketiga kelompok pelanggan. Namun satu pertanyaan tetap ada: Apakah setiap kelompok
berbeda dari yang lain? Profil kelompok menunjukkan perbedaan substansial dan tes post hoc
menunjukkan bahwa untukx19 (Kepuasan) setiap kelompok pelanggan berbeda dari yang lain. Untuk dua
ukuran hasil yang tersisa, kelompok 2 dan 3 (pelanggan 1 sampai 5 tahun dan pelanggan lebih dari 5
tahun) tidak berbeda satu sama lain, meskipun keduanya berbeda dari pelanggan kurang dari 1 tahun.
Implikasinya adalah untukx20 dan x21 peningkatan hasil pembelian signifikan pada tahun-tahun awal,
tetapi tidak terus meningkat setelah periode tersebut. Dari perspektif manajerial, durasi hubungan
pelanggan secara positif mempengaruhi persepsi perusahaan tentang hasil pembelian. Meskipun
peningkatan terlihat di seluruh hubungan untuk ukuran kepuasan dasar, satu-satunya peningkatan yang
signifikan dalam dua hasil lainnya terlihat setelah tahun pertama.

Contoh ketiga membahas masalah dampak gabungan dari dua karakteristik perusahaan ini (x5, sistem distribusi; danx1, durasi

hubungan pelanggan) pada hasil pembelian. Tiga kategori darix1 digabungkan dengan dua kategori x5 membentuk enam kelompok.

Tujuannya adalah untuk menetapkan apakah perbedaan signifikan yang terlihat untuk masing-masing dari dua karakteristik perusahaan

ketika dianalisis secara terpisah juga terbukti jika dipertimbangkan secara bersamaan. Langkah pertama adalah meninjau hasil untuk

interaksi yang signifikan: Apakah hasil pembelian menunjukkan perbedaan yang sama antara dua jenis sistem distribusi jika dilihat dari

durasi hubungan? Ketiga interaksi ditemukan signifikan, yang berarti bahwa perbedaan antara sistem langsung dan sistem berbasis broker

tidak konstan di ketiga kelompok pelanggan berdasarkan durasi hubungan pelanggan. Memeriksa hasil menemukan bahwa kelompok

menengah (pelanggan 1 sampai 5 tahun) memiliki perbedaan nyata lebih kecil antara dua sistem distribusi daripada pelanggan baik

hubungan yang lebih pendek atau lebih lama. Meskipun pola ini berlaku untuk ketiga hasil pembelian dan sistem langsung selalu dievaluasi

lebih baik (mempertahankan interaksi ordinal), HBAT harus menyadari bahwa keuntungan dari sistem distribusi langsung bergantung pada

lamanya hubungan pelanggan. Mengingat interaksi ini, masih ditemukan bahwa masing-masing karakteristik perusahaan menunjukkan

dampak yang signifikan pada hasil seperti yang ditemukan ketika dianalisis secara terpisah. Apalagi jika dipertimbangkan secara bersamaan,

dampak masing-masing terhadap hasil pembelian relatif merata. masih ditemukan bahwa masing-masing karakteristik perusahaan

menunjukkan dampak yang signifikan terhadap hasil seperti yang ditemukan ketika dianalisis secara terpisah. Apalagi jika dipertimbangkan

secara bersamaan, dampak masing-masing terhadap hasil pembelian relatif merata. masih ditemukan bahwa masing-masing karakteristik

perusahaan menunjukkan dampak yang signifikan terhadap hasil seperti yang ditemukan ketika dianalisis secara terpisah. Apalagi jika

dipertimbangkan secara bersamaan, dampak masing-masing terhadap hasil pembelian relatif merata.

Hasil ini memungkinkan manajer HBAT untuk mengidentifikasi efek signifikan dari karakteristik perusahaan ini
pada hasil pembelian, tidak hanya secara individual tetapi juga ketika digabungkan.

723
 MANOVA dan GLM
Ringkasan
Analisis varians multivariat (MANOVA) merupakan perluasan dari
analisis varians (ANOVA) untuk mengakomodasi lebih dari satu
variabel dependen. Ini adalah teknik ketergantungan yang
mengukur perbedaan untuk dua atau lebih variabel dependen
metrik berdasarkan seperangkat variabel kategori (nonmetrik)
yang bertindak sebagai variabel independen. Bab ini membantu
Anda melakukan hal berikut:
Jelaskan perbedaan antara hipotesis nol univariat
ANOVA dan hipotesis nol multivariat MANOVA. Seperti
ANOVA, MANOVA berkaitan dengan perbedaan antar
kelompok (atau perlakuan eksperimental). ANOVA disebut
prosedur univariat karena kami menggunakannya untuk
menilai perbedaan kelompok pada variabel dependen metrik
tunggal. Hipotesis nol adalah rata-rata kelompok untuk satu
variabel terikat adalah sama (tidak berbeda secara statistik).
Metode univariat untuk menilai perbedaan kelompok adalah
T uji (dua kelompok) dan analisis varians (ANOVA) untuk dua
atau lebih kelompok. NST tes ini banyak digunakan karena
bekerja dengan ukuran kelompok kecil dan cukup mudah
untuk diterapkan dan ditafsirkan. Namun keterbatasannya
antara lain: (1) hanya menampung dua kelompok; dan (2)
hanya dapat menilai satu variabel independen pada satu
waktu. MeskipunT tes dapat dilakukan dengan ANOVA, F
statistik memiliki kemampuan untuk menguji perbedaan
antara lebih dari dua kelompok serta memasukkan lebih dari
satu variabel bebas. Selain itu, variabel bebas tidak terbatas
pada dua level saja, tetapi dapat memiliki level (kelompok)
sebanyak yang diinginkan. MANOVA dianggap sebagai
prosedur multivariat karena digunakan untuk menilai
perbedaan kelompok di beberapa variabel dependen metrik
secara bersamaan. Dalam MANOVA, setiap kelompok
perlakuan diamati pada dua atau lebih variabel dependen.
Dengan demikian, hipotesis nol adalah vektor sarana untuk
beberapa variabel dependen adalah sama di seluruh
kelompok. Prosedur multivariat untuk menguji perbedaan
kelompok adalah HotellingT2 dan analisis varians multivariat,
masing-masing.
Diskusikan keuntungan dari pendekatan multivariat untuk
pengujian signifikansi dibandingkan dengan pendekatan
univariat yang lebih tradisional. Sebagai prosedur inferensi
statistik, baik teknik univariat (T test dan ANOVA) dan ekstensi
multivariatnya (Hotelling's T2 dan MANOVA) digunakan untuk
menilai signifikansi statistik perbedaan antar kelompok. Dalam
kasus univariat, ukuran dependen tunggal diuji untuk
kesetaraan di seluruh kelompok. Dalam kasus multivariat, variat
diuji untuk kesetaraan. Di MANOVA, sebenarnya peneliti memiliki
dua variasi, satu
724
untuk variabel terikat dan satu lagi untuk variabel bebas. Variate
variabel dependen lebih menarik karena ukuran metrik-dependen
dapat digabungkan dalam kombinasi linier, seperti yang telah kita
lihat dalam regresi berganda dan analisis diskriminan. Aspek unik
dari MANOVA adalah bahwa variasi secara optimal menggabungkan
beberapa ukuran dependen menjadi satu nilai yang memaksimalkan
perbedaan antar kelompok. Untuk menganalisis data pada beberapa
kelompok dan variabel menggunakan metode univariat, peneliti
mungkin tergoda untuk melakukan analisis terpisahT tes untuk
perbedaan antara setiap pasangan rata-rata (yaitu, kelompok 1
versus kelompok 2; kelompok 1 versus kelompok 3; dan kelompok 2
versus kelompok 3). Tapi banyakT tes mengembang tingkat
kesalahan Tipe I secara keseluruhan. ANOVA dan MANOVA
menghindari inflasi kesalahan Tipe I ini karena membuat beberapa
perbandingan kelompok perlakuan dengan menentukan dalam satu
tes apakah seluruh kumpulan rata-rata sampel menunjukkan bahwa
sampel diambil dari populasi umum yang sama. Artinya, kedua teknik
tersebut digunakan untuk menentukan probabilitas bahwa
perbedaan rata-rata di beberapa kelompok hanya disebabkan oleh
kesalahan pengambilan sampel.
Nyatakan asumsi untuk penggunaan MANOVA. Prosedur
uji univariat ANOVA valid dalam arti statistik jika kita
mengasumsikan bahwa variabel dependen terdistribusi
normal, kelompok-kelompok independen dalam tanggapan
mereka pada variabel dependen, dan varians yang sama
untuk semua kelompok perlakuan. Ada bukti,
bagaimanapun, bahwaF tes di ANOVA kuat sehubungan
dengan asumsi ini kecuali dalam kasus ekstrim. Agar
prosedur uji multivariat MANOVA valid, tiga asumsi harus
dipenuhi: (1) pengamatan harus independen,
(2) matriks varians-kovarians harus sama untuk semua
kelompok perlakuan, dan (3) himpunan variabel
dependen harus mengikuti distribusi normal multivariat.
Selain asumsi ini, peneliti harus mempertimbangkan dua
isu yang mempengaruhi kemungkinan efek-linearitas
dan multikolinearitas dari variate variabel dependen.
Memahami bagaimana menginterpretasikan hasil MANOVA. Jika
perlakuan menghasilkan perbedaan yang signifikan secara statistik
dalam vektor rata-rata variabel dependen, peneliti kemudian
memeriksa hasilnya untuk memahami bagaimana setiap perlakuan
berdampak pada ukuran dependen. Tiga langkah yang terlibat: (1)
menafsirkan efek kovariat, jika disertakan; (2) menilai variabel
dependen mana yang menunjukkan perbedaan antar kelompok dari
setiap perlakuan; dan
(3) mengidentifikasi apakah kelompok-kelompok tersebut berbeda pada
satu variabel dependen atau seluruh variabel dependen. Ketika signifikan
 MANOVA dan GLM
efek ditemukan, kita mengatakan bahwa ada efek
utama, artinya ada perbedaan yang signifikan antara
variabel dependen dari dua atau lebih kelompok yang
ditentukan oleh perlakuan. Dengan dua tingkat
perlakuan, efek utama yang signifikan memastikan
bahwa kedua kelompok berbeda nyata. Namun,
dengan tiga tingkat atau lebih, efek utama yang
signifikan tidak menjamin bahwa ketiga kelompok
berbeda secara signifikan, melainkan hanya ada
setidaknya satu perbedaan yang signifikan antara
sepasang kelompok. Jika ada lebih dari satu perlakuan
dalam analisis, peneliti harus memeriksa istilah
interaksi untuk melihat apakah mereka signifikan, dan
jika demikian, apakah mereka memungkinkan
interpretasi efek utama atau tidak. Jika ada lebih dari
dua tingkat untuk pengobatan,
Jelaskan tujuan pengujian post hoc pada ANOVA dan MANOVA.
Meskipun uji univariat dan multivariat ANOVA dan MANOVA
memungkinkan kita untuk menolak hipotesis nol bahwa rata-rata
kelompok semuanya sama, mereka tidak menunjukkan dengan tepat
di mana perbedaan signifikan terletak jika ada lebih dari dua
kelompok. BeberapaT pengujian tanpa bentuk penyesuaian apa pun
tidak sesuai untuk menguji signifikansi perbedaan antara rata-rata
kelompok berpasangan karena kemungkinan kesalahan Tipe I
meningkat dengan jumlah perbandingan antarkelompok yang dibuat
(mirip dengan masalah menggunakan beberapa ANOVA univariat
versus MANOVA) . Jika peneliti ingin menguji secara sistematis
perbedaan kelompok di antara pasangan kelompok tertentu untuk
satu atau lebih ukuran dependen, dua jenis uji statistik harus
digunakan: post hoc dan apriori. Tes post hoc menguji variabel
dependen antara semua kemungkinan pasangan perbedaan
kelompok yang diuji setelah pola data ditetapkan. Tes apriori
direncanakan dari sudut pandang pengambilan keputusan teoretis
atau praktis sebelum melihat data. Perbedaan utama antara dua jenis
tes adalah bahwa pendekatan post hoc menguji semua kombinasi
yang mungkin, menyediakan cara sederhana untuk perbandingan
kelompok tetapi dengan mengorbankan daya yang lebih rendah. Tes
apriori hanya memeriksa perbandingan tertentu, sehingga peneliti
harus secara eksplisit mendefinisikan perbandingan yang akan
dibuat, tetapi dengan tingkat kekuatan yang lebih besar yang
dihasilkan. Salah satu metode dapat digunakan untuk menguji satu
atau lebih perbedaan kelompok, meskipun tes apriori juga memberi
peneliti kendali atas jenis perbandingan yang dibuat antara
kelompok.
Menafsirkan hasil interaksi ketika lebih dari satu variabel
independen digunakan dalam MANOVA. Istilah interaksi
mewakili efek gabungan dari dua atau lebih perlakuan. Setiap
kali desain penelitian memiliki dua atau lebih perlakuan, peneliti
harus terlebih dahulu memeriksa interaksi sebelum
pernyataan dapat dibuat tentang efek utama. Efek interaksi
dievaluasi dengan kriteria yang sama dengan efek utama. Jika uji
statistik menunjukkan bahwa interaksi tidak signifikan, ini
menunjukkan bahwa efek dari perlakuan adalah independen.
Kemandirian dalam desain faktorial berarti bahwa efek dari satu
perlakuan (yaitu, perbedaan kelompok) adalah sama untuk
setiap tingkat perlakuan lainnya dan bahwa efek utama dapat
diinterpretasikan secara langsung. Jika interaksi dianggap
signifikan secara statistik, sangat penting bagi peneliti untuk
mengidentifikasi jenis interaksi (ordinal versus disordinal),
karena ini memiliki hubungan langsung dengan kesimpulan
yang dapat ditarik dari hasil. Interaksi ordinal terjadi ketika efek
suatu perlakuan tidak sama di semua tingkat perlakuan lain,
tetapi perbedaan kelompok selalu searah. Interaksi disordinal
terjadi ketika perbedaan antara level "beralih" tergantung pada
bagaimana mereka digabungkan dengan level dari perlakuan
lain. Di sini efek dari satu pengobatan adalah positif untuk
beberapa tingkat dan negatif untuk tingkat lain dari pengobatan
lainnya.
Jelaskan tujuan analisis multivariat kovarians
(MANCOVA).Kovariat dapat memainkan peran penting
dengan memasukkan variabel metrik ke dalam desain
MANOVA atau ANOVA. Namun, karena kovariat bertindak
sebagai ukuran "kontrol" pada variabel dependen,
mereka harus dinilai sebelum perawatan diperiksa. Peran
paling penting dari kovariat adalah dampak keseluruhan
dalam uji statistik untuk perlakuan. Pendekatan paling
langsung untuk mengevaluasi dampak ini adalah dengan
menjalankan analisis dengan dan tanpa kovariat.
Kovariat yang efektif akan meningkatkan kekuatan
statistik tes dan mengurangi varians dalam kelompok.
Jika peneliti tidak melihat peningkatan substansial, maka
kovariat dapat dihilangkan, karena mereka mengurangi
derajat kebebasan yang tersedia untuk pengujian efek
perlakuan. Pendekatan ini juga dapat mengidentifikasi
contoh-contoh di mana kovariat "terlalu kuat" dan
mengurangi varians sedemikian rupa sehingga semua
perlakuan tidak signifikan. Seringkali ini terjadi ketika
kovariat disertakan yang berkorelasi dengan salah satu
variabel independen dan dengan demikian
"menghilangkan" varians ini, sehingga mengurangi
kekuatan penjelas dari variabel independen. Karena
MAN-COVA dan ANCOVA adalah aplikasi prosedur regresi
dalam metode analisis varians, menilai dampak kovariat
pada variabel dependen sangat mirip dengan menguji
persamaan regresi. Jika dampak keseluruhan dianggap
signifikan, maka setiap kovariat dapat diperiksa untuk
kekuatan hubungan prediktif dengan ukuran dependen.
Jika kovariat mewakili efek berbasis teoritis,
725
 MANOVA dan GLM
menolak hubungan yang diusulkan. Dalam nada praktis,
peneliti dapat memeriksa dampak kovariat dan
menghilangkannya dengan sedikit atau tanpa efek.
Seringkali tidak realistis untuk mengasumsikan bahwa
perbedaan antara perlakuan eksperimental akan
dimanifestasikan hanya dalam satu variabel dependen yang
diukur. Banyak peneliti menangani situasi multi-kriteria dengan:
Pertanyaan
1. Apa perbedaan antara MANOVA dan analisis
diskriminan? Situasi apa yang paling sesuai untuk setiap
teknik multivariat?
2. Rancang percobaan MANOVA faktorial dua arah. Apa sumber
varians yang berbeda dalam eksperimen Anda? Apa yang
akan interaksi signifikan memberitahu Anda?
3. Selain signifikansi keseluruhan, atau global, setidaknya tiga
pendekatan untuk tes tindak lanjut meliputi (a) penggunaan
prosedur kontras Scheffé; (b) analisis stepdown, yang mirip
dengan regresi bertahap di mana masing-masing berturut-turut
F statistik dihitung setelah menghilangkan efek dari sebelumnya
Bacaan yang Disarankan
Daftar bacaan yang disarankan yang mengilustrasikan masalah dan penerapan teknik multivariat secara umum tersedia di Web di
www.pearsonhighered.com/hair atau www.mvstats.com.
Referensi
1. Anderson, TW 2003. Pengantar Analisis Statistik
Multivariat, edisi ke-3. New York: Wiley.
2. Cattell, RB (ed.). 1966.Buku Pegangan Psikologi
Eksperimental Multivariat. Chicago: Rand McNally.
3. Cohen, J. 1988. Analisis Kekuatan Statistik untuk Ilmu
Perilaku, edisi ke-2. Hillsdale, NJ: Lawrence Erlbaum
Associates.
4. Cole, DA, SE Maxwell, R. Avery, dan E. Salas. 1994.
Bagaimana Kekuatan MANOVA Dapat Meningkat dan
Menurun sebagai Fungsi Interkorelasi Antara
Variabel Dependen.Buletin Psikologis 115: 465–74.
5. Cooley, WW, dan PR Lohnes. 1971.Analisis Data
Multivariat. New York: Wiley.
6. Gill, J.2000. Model Linier Umum: Pendekatan Terpadu,
Seri Makalah Universitas Sage tentang Aplikasi
Kuantitatif dalam Ilmu Sosial, #07-134. Thousand
Oaks, CA: Sage.
7. Hijau, PE 1978. Menganalisis Data Multivariat. Hinsdale, IL:
Holt, Rinehart dan Winston.
8. Hijau, PE, dan J. Douglas Carroll. 1978.Alat
Matematika untuk Analisis Multivariat Terapan. New
York: Pers Akademik.
726
aplikasi berulang tes univariat individu sampai semua variabel
dependen dianalisis. Pendekatan ini dapat secara serius
meningkatkan tingkat kesalahan Tipe I, dan mengabaikan
kemungkinan bahwa beberapa gabungan dari variabel-variabel
dependen dapat memberikan bukti terkuat dari perbedaan
kelompok. MANOVA dapat menyelesaikan kedua masalah
tersebut.
Variabel dependen; dan (c) pemeriksaan fungsi
diskriminan. Jelaskan keuntungan dan kerugian
praktis dari masing-masing pendekatan ini.
4. Bagaimana kekuatan statistik dipengaruhi oleh keputusan desain statistik
dan penelitian? Bagaimana Anda merancang studi untuk memastikan daya
yang memadai?
5. Jelaskan beberapa situasi analisis data di mana MANOVA
dan MANCOVA akan sesuai di bidang minat Anda. Jenis
variabel atau kovariat tidak terkontrol apa yang mungkin
beroperasi di setiap situasi ini?
9. Hijau, PE, dan DS Tull. 1979.Riset untuk Keputusan
Pemasaran, edisi ke-3 Upper Saddle River, NJ:
Prentice Hall.
10. Tangan, DJ, dan CC Taylor. 1987.Analisis Multivariat
Varians dan Pengukuran Berulang. London: Chapman
dan Hall.
11. Haris, RJ 2001. Primer Statistik Multivariat, edisi ke-3
Hillsdale, NJ: Lawrence Erlbaum Associates.
12. Hubert, CJ, dan JD Morris. 1989. Analisis Multivariat
Versus Analisis Univariat Berganda.Buletin Psikologis
105: 302–8.
13. Huitema, B. 1980. Analisis Kovarians dan Alternatif.
New York: Wiley.
14. Hutcheson, G., dan N. Sofroniou. 1999.Ilmuwan Sosial
Multivariat: Statistik Pengantar Menggunakan Model
Linier Umum. Thousand Oaks, CA: Sage.
15. Kirk, RE 1994. Desain Eksperimental: Prosedur untuk Ilmu
Perilaku, edisi ke-3 Belmont, CA: Penerbitan Wadsworth.
16. Koslowsky, M., dan T. Caspy. 1991. Analisis Stepdown
Variance: Sebuah Penyempurnaan.Jurnal Perilaku
Organisasi 12: 555–59.