See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/329556982

Step by Step MANOVA Using R

Presentation · December 2018

DOI: 10.13140/RG.2.2.30862.20807

CITATIONS READS

0 5,403

1 author:

Adnan Sauddin
Universitas Islam Negeri Alauddin
14 PUBLICATIONS   3 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Step by Step Discriminant Analysis with R View project

Traffic Light Analysis View project

All content following this page was uploaded by Adnan Sauddin on 11 December 2018.

The user has requested enhancement of the downloaded file.

DAFTAR ISI
Analisis Kovarian dan varian untuk multivariat ................................................... 2
1. 1 Manova dan GLM .............................................................................................................................. 2
Ilustrasi Hipotesis Manova ............................................................................................................... 2
Rancangan Analisis ............................................................................................................................ 2
Proses keputusan Manova ................................................................................................................ 3
1. 2 Manova Model Satu-Arah ................................................................................................................. 3
Format Data Manova Mode Satu-Arah .......................................................................................... 3
Statistik Manova Satu-Arah .............................................................................................................. 3
Model Manova Satu-Arah ................................................................................................................. 4
Hipotesis Manova Satu-Arah ........................................................................................................... 4
Jumlah Kuadrat Manova Satu-Arah ................................................................................................ 4
1. 3 Statistik Uji ........................................................................................................................................... 5
Uji Wilk ................................................................................................................................................ 5
Uji Roy ................................................................................................................................................. 7
Uji Pillai dan Lawly-Hotelling .......................................................................................................... 8
1. 4 Prosedur Uji Hipotesis untuk Kasus MANOVA Seimbang (Balance MANOVA)................. 8
1. 5 Uji MANOVA Satu-Arah Menggunakan R ................................................................................. 10
1. 6 Manova Dua Arah ............................................................................................................................ 13
Hipotesis ............................................................................................................................................ 13
Model MANOVA dua-arah ........................................................................................................... 13
Jumlah Kuadrat................................................................................................................................. 13
1. 7 Uji Manova Dua-Arah ..................................................................................................................... 13
Type I sum of squares ................................................................................................................. 13
Type II/III sum of squares ......................................................................................................... 14

Program Studi Matematika – Universitas Islam Negeri Makassar

 2

Modul Praktikum PAM

ANALISIS KOVARIAN DAN

2 VARIAN UNTUK MULTIVARIAT
1. 1 Manova dan GLM
Analisis varians untuk data multivariate (MANOVA) merupakan perluasan dari metode
Anova pada kasus univiariat. Table berikut menunjukkan keadaan kedua sebagai alat
analisis dalam membandingkan rata-rata:
Jumlah Kelompok dalam Satu (Univariat) Dua atau lebih (Multivariat)
Variabel Independen
Dua Kelompok (Kasus Khusus) Uji -t T2-Hotelling
Dua Kelompok atau Lebih Analisis of Varians Multivariat Analisis of Variance
(kasus Umum) (ANOVA) (MANOVA)

Tujuan penelitian yang menggunaan Manova adalah untuk mendapatkan jawaban atas
pertanyaaan apakah prilaku dari variable dependen berubah setelah ada manipulasi yang
diberikan terhadap variable independen?
Dalam pengujian statistic, ketika jumlah kelompok dari suatu variable independen terdiri
dari tiga atau lebih (dengan penjelasan lain, satu variable independent yang diukur pada
beberapa level), analisis perbedaan kelompok menjadi lebih dekat ke analisis
diskriminan.
MANOVA dan analisis diskriminan adalah saling berkebalikan. Variabel dependent pda
MANOVA ( sekumpulan variable terukur) merupakan variable independent pada
analisis diskriminan, dan satu variable dependent nonmetric pada analisis diskriminan
menjadi variable independen dalam MANOVA.
Perbedaan antara kedua adalah:
 Analisis diskriminan menangani variable nonmetris tunggal sebagai dependen.
Kategori dari variable dependent diasumsikan sebagaiamana yang ditetapkan, dan
variable independen digunakan untuk membentuk variasi yang memaksimumkan
perbedaan antara kelompok yang terbentuk oleh kategori variable dependen
 Manova digunakan untuk sekumpulan variable metric sebaga dependen dan
tujuannya mendapatkan kelompok responden yang memiliki perbedaan pada
variable dependent

Ilustrasi Hipotesis Manova

Contoh sederhana dapat digunakan untuk memberikan gambaran penggunaan manova.
Andaikan bahwa HBAT agen periklanan mengidentifikasi dua karakteristik dari
pengiklan HBAT (Jenis produk yang diiklankan dan status pelanggan), penyebab
perbedaan terhadap bagaimana orang menilai suatu iklan. Mereka bertanya kepada tim
peneliti tentang bagaimana mengembangkan dan mengeksekusi suatu penelitian untuk
menilai pengaruh karakteristik tersebut terhadap evulasi iklan.

Rancangan Analisis
Dalam mendesain suatu penelitian, tim peneliti mendefinisikan unsur-unsur berikut
yang berkaitan dengan factor yang digunakan, variabel dependent dan ukuran sampel.
 Factor: dua factor yang terdefinisikan menggambarkan jenis produk dan status
pelanggan. Untuk setiap factor terdiri dari dua level, jenis produk (produk jenis 1
dan jenis produk jenis 2) dan status pelanggan (pelanggan aktif dan bekas
 pelanggan). Jika kedua factor tersebut digabungkan, maka diperoleh empat
kelompok.
Jenis produk
Status pelanggan
Produk 1 Produk 2
Aktif Group 1 Group 3
Bekas pelanggan Group 2 Group 4

 Variabel dependent: evaluasi dari pengiklanan HBAT menggunakan dua variabel

(kemampuan untuk gain perhatian dan persuasive) diukur pada skala 10
 Sampel: responden yang melihat iklan dan ditanyakan kepada mereka untuk
memberikan peringkat pada dua ukuran dependen.

Proses keputusan Manova

1. 2 Manova Model Satu-Arah

Dalam penelitian, kita sering mengukur beberapa variable dengan pengukuran yang
dilakukan secara berulang pada setiap unit variable, hal demikian juga sering kita lakukan
pada satu variable saja dengan beberapa kali pengukuran.

Format Data Manova Mode Satu-Arah

Dalam kasus multivariate, anggapkan bahwa k independen sampel acak berukuran n
pada p-variate populasi normal dengan matriks kovarians yang sama, perhatikan table
berikut:
Sampel 1 Sampel 1 Sampel 1
Dari N p 1, Dari N p 2, Dari N p k ,
y11 y21 yk 1
y12 y22 yk 2

y1n y2n ykn

Total y1 y2 yk
Rata-Rata y1 y2 yk
Nilai total dan rata-rata dapat dihitung dengan rumus:

Statistik Manova Satu-Arah

n
Total sampel ke- i : yi yij
j 1

k k
Totak seluruh Sampel : y yij
i 1j 1

1
Rata-rata sampel ke- i : yi yi
n
1
Rata-rata seluruh sampel : y y
kn

Program Studi Matematika – Universitas Islam Negeri Makassar

 4

Modul Praktikum PAM

Model Manova Satu-Arah

Model pada setiap vector
yij i ij
(0.1)
i ij i 1, 2, , k;j 1, 2, ,n

Model p variable dalam yij persamaan (0.1) menjadi

yij 1 1 i1 ij 1 i1 ij 1

ij 2 2 i2 ij 2 i2 ij 2
,
yijp p ip ijp ip ijp

Sehingga model untuk variable ke-r (1,2,…,p) dalam setiap vector yij adalah

yijr r ijr ir ijr

Hipotesis Manova Satu-Arah

Kita ingin membandingkan vector rata-rata dari k sampel untuk perbedaan yang
signifikan, rumusan hipotesisnya adalah
H0 : 1 2 k Lawan H1 : paling sedikit dua tidak sama
Kesamaan vector rata-rata berakibat pada rata-rata k adalah sama untuk setiap
variable; yaitu 1r 2r kr untuk r=1,2, …,p. Jika terdapat dua rata-rata

berbeda untuk satu variable, sebagai contoh 23 43 , maka H0 salah dan kita
tolak.
Bentuk vector dari hipotesisi nol adalah:

11 21 k1

12 22 k2
H0 :

1p 2p kp

Jadi H0 merupakan kesamaan himpunan,

11 21 k1

12 22 k2

1p 2p kp

Semua p(k-1) harus memenuhi H0 supaya dapat dinyatakan benar, satu satu yang
berbeda, maka hal tersebut menyebabkan H0 salah dan hipotesis salah.

Jumlah Kuadrat Manova Satu-Arah

Dalam kasus univariate, kita punya jumlah kuadrat SSH yang disebut dengan “Between”
merupakan variasi yang ada antara variable dan SSE yang disebut “Within” merupakan
variasi yang terjadi antara pengamatan pada satu variable dari keselurahan pengamatan,
bentuk univariate adalah:
k k
2 yi2. y..2
SSH n yi . y.. (0.2)
i 1 i 1 n kn
 k n
2 yi2.
SSE yij yi. yij2 (0.3)
i 1j 1 ij i n

Dalam kasus multivariate, Jumlah kuadrat antar variable – between (H) dan jumlah
kuadrat antara pengamatan (E):
k
H n yi y yi y
i 1
k
1 1
yi yi y y
i 1n kn
(0.4)
k n
E yij yi yij yi
i 1j 1
1
yij yij y y
ij i n i i
Matriks H merupakan jumlah kuadrat “Between Variabel” pada diagonal untuk
setiap dari p variable. Selain diagonalnya, analog dengan jumlah hasil kali untuk setiap
pasangan variable. Andaikan bahwa tidak terdapat kebergantungan secara linear
dalam setiap variable, maka rank(H) merupakan nilai terkecil dari p dan vH, yaitu
min p, vH

Dimana vH = k -1 merupakan derajat bebas untuk hipotesis; H singular.

Mariks E berukuran p x p merupakah jumlah kuadrat “Within” untuk setiap variable
pada diagonal dengan analog jumlah hasil kali selai diagonal. Rank(E) adalah p,
Bentuk matriks dari H adalah:
SSH11 SPH12 SPH1p
SPH12 SSH22 SPH2 p
H (0.5)
SPH1p SPH2 p SSH pp

Dan bentuk mariks E adalah:

SSE11 SPE12 SPE1p

SPE12 SSE22 SPE2 p
E (0.6)
SPE1p SPE2 p SSE pp

Perhatikan bahwa elemen dari E merupakan jumlah kuadra dan hasil kali, bukan variansi
E
dan kovariansi. Untuk mengestimasi , gunakan Sp1 , sehingga
nk k

E
E
nk k
1. 3 Statistik Uji
Uji Wilk
Uji Likelihood ratio dari hipotesis H 0 : 1 2 k adalah

Program Studi Matematika – Universitas Islam Negeri Makassar

 6

Modul Praktikum PAM

E
(0.7)
E H

Dikenal dengan lambda wilks, kadang disebut juga Uji Wilk (Wilk U). Kriteria pengujian
dengan lambda wilks adalah, tolak H0 jika
,p,vH ,vE .
Dimana
p = jumlah variable (dimensi)
vH = derajat bebas untuk hipotesis

vE = derajat bebas untuk error

Berikut beberapa karakteristik dari lambda Wilks:
1. Dalam rangka untuk menentkan nilai dari (0.7), nilai harus selalu positif. vE p.
2. Untuk model MANOVA, derajat bebas vH dan vE selalu sama dengan derajat
bebas pada kasus univariate.. Dalam model satu-arah yang seimbang(balance-one
way). Yaitu vH = k 1 dan vE = k n 1
3. Parameter p dan vH dapat dipertukarkan posisinya, yaitu distribusi dari p,vH ,vE

sama dengan disribusi dari vH , p,vE vH p .

4. Statistic lambda Wilks pada persamaan (0.7), dapat dinyatakan dalam bentuk nilai
eigen 1, 2 , , s dan E 1H , yaitu
s
1
(0.8)
i 11 i

Jumlah dari nilai eigen tak nol dari E 1H adalah s min p, vH yang merupakan
rank(H).
5. Rank( ) berkisar antara 0 1 , dan uji yang didasarkan pada lambda Wilks
merupakan uji invers dalam hal kita menolak H0 untuk nilai yang kecil. Jika rata-
E
rata sampel merupakan matriks O , maka H O , sehingga 1 .
E O
6. Nilai table kritis naik ketika p naik.
7. Saat vH = 1 atau 2 atau ketika p =1 atau 2, transformasi lambda Wilks ke Statistik-
F exact. Hipotesis akan ditolak ketika nilai transformasi dari melebihi batas atas
titik persentase level- dari distribusi-F, dengan derajat bebas sebagaimana yang
ditunjukkan.
8. Nilai dari vH dan p yang lain (Lihat Tabel, merupakan nilai pendekatan dari statistic-
F, yaitu
1
1 t df2
F 1
(0.9)
t df1
Dimana;
1
df1= pvH , df2 wt pvH 2 ,
2
 1
w vE vH p vH 1 ,
2

p2vH2 4
t
2
p vH2 5
,
Saat pvH = 2, sama dengan 1,. Pendekatan statistic F pada t persamaan (0.9),
mereduksi nilai eksak-F dalam table, ketika vH atau p sama dengan 1 atau 2.
Suatu pendekatan uji (kurang akurat) adalah dengan menggunakan uji chi-square, yaitu
2 1
vE p vH 1 ln (0.10)
2
2 2
Tolak H0 jika

Uji Roy
Dalam pendekatan gabungan-irisan (union-intersection), kita mencari kombinasi linear
zij a yij yang memaksimumkan sebaran dari rata-rata zi a yi yang bergantung
pada sebaran di dalam sampel (within sample spread). Selanjut dicari vector a yang
memaksimumkan
k
2
n zi z k 1
i 1
F (0.11)
k n
2
zij zi kn k
i 1j 1

Misalkan bahwa sz2 a Sa , maka persamaan (0.11) dapat dituliskan sebagai:

a Ha k 1
F (0.12)
a Ea kn k

Dimaksimumkan oleh vector a 1 , vector eigen yang bersesuaian adalah 1 , nilai eigen
-1
yang besar dari E H adalah
a1Ha1 k 1 k n 1
max F 1 (0.13)
a a1Ea1 kn k k 1

Untk menguji hipotesis H 0 : 1 2 k didasarkan pada 1 , gunakan uji

Roy, atau disebut juga uji akar terbesar Roy. Statistik Ujinya adalah
1
(0.14)
1 1

Nilai kritisnya dapat dilihat pada table.

Kriteria penolakannya adalah, tolak H 0 : 1 2 k jika ,s,m,N .
Parameter, s, m, dan N didefinisikan sebagai:
1 1
s min vH , p , m v p 1 N v p 1
2 H 2 E
Untuk s=1, gunakan persamaan …. Untuk mendapatkan uji-F.

Program Studi Matematika – Universitas Islam Negeri Makassar

 8

Modul Praktikum PAM

Uji Pillai dan Lawly-Hotelling

Ada dua uji statistic lain untuk menguji H 0 : 1 2 k yang didasarkan pada
nilai eigen 1, 2 , , s dari E -1H .

Statistik Pillay
s
s 1 i
V tr E H H (0.15)
i 11 i

s s
Tolak H 0 : 1 2 k jika V V
Pillay test merupakan perluasan dari statistic Roy.

Statistik Lawly-Hotelling
Statistic Lawly Hotelling didefinisikan sebagai
s
s
U tr E -1H i (0.16)
i 1

Disebut juga Hotelling umum dari T2.

Nilai table untuk statistic uji Lawly-Hotelling adalah
vE s
U
vH

Kriteria pengujian, tolak H 0 : 1 2 k untuk nilai besar dari statistic uji.

1. 4 Prosedur Uji Hipotesis untuk Kasus MANOVA Seimbang (Balance MANOVA)
Berikut diberikan ringakasan prosedur pengujian hipotesis untuk MANOVA Seimbang
Prosedur Uji-Manova untuk satu rata-rata
Tujuan: Melakukan uji hipotesis terhadap rata-rata populasi, .
Asumsi:
1. Teknik sampling dengan SRS (Sampel random sederhana)
2. Populasi berdistribusi normal atau sampel besar
3. tidak diketahui
Langkah Pengujian:
Langkah 1: Rumuskan hipotesis
H0 : 1 2 k

Lawan
H1 : paling sedikit terdapat satu yang berbeda
Langkah 2: Tentukan taraf signifikansi,
Langkah 3: Hitung nilai statistic uji dengan rumus:
1. Uji Wilks (Lambda Wilk)
E
E H

2. Uji Roy
 1
1 1

3. Uji Pillai
s
s 1 i
V tr E H H
i 11 i

4. Uji Lawly-Hotelling
s
s
U tr E -1H i
i 1

Langkah 4:
a. Pendekatan Nilai kritis (sesuai dengan rumusan hipotesis)
(1) Nilai kritis Uji Wilk
,p,vH ,vE dengan
p = jumlah variable (dimensi)
vH = derajat bebas untuk hipotesis (data)

vE = derajat bebas untuk error

(2) Nilai kritis Uji Roy

,s,m,N dengan

s min vH , p ,

1
m v p 1
2 H
1
N v p 1
2 E
(3) Nilai kritis Uji Pillay
s
V , dengan

s min vH , p ,

(4) Nilai kritis Uji Lawly-Hotelling

s
s
U tr E -1H i
i 1

b. Pendekatan Nilai Peluang

Gunakan table untuk mendapatkan nilai kritis (atau hitung dengan program R)
Langkah 5: Keputusan statistic untuk setiap uji tersebut adalah, Tolak H0 jika:
(1) Lambda Wilk, ,p,vH ,vE

(2) Roys, ,s,m,N

Program Studi Matematika – Universitas Islam Negeri Makassar

 10

Modul Praktikum PAM

s s
(3) Pillai, V V

vE s
(4) Lawly-Hotelling, U dengan nilai besar
vH
Langkah 6: Interpretasikan hasil uji hipotesis
1. 5 Uji MANOVA Satu-Arah Menggunakan R
HASIL PERHITUNGAN DENGAN MENGGUNAKAN R

set.seed(123)s
< # Menentukan Jumlah Variabel (p)
P <- 3
< # Menentukan Jumlah Setiap Variabel (nj)
Nj <- c(15, 25, 20)
< # Membuat data matriks sigma berdimensi 2 x2
Sigma <- matrix(c(16,-2, -2,9), byrow=TRUE, ncol=2)
< # Mendefinisikan fektor rata-rata 1
mu11 <- c(-4, 4)
< # Mendefinisikan Vektor rata-rata 2
mu21 <- c( 3, 3)
<# Mendefinisikan Vektor rata-rata 3
mu31 <- c( 1, -1)

<# Mengaktifkan library

library(mvtnorm)
<# membangkitkan data berdaarkan Nj dan parameter yang telah
didefinisikan sebelumnya (Y1, Y2, Y3)
Y11 <- round(rmvnorm(Nj[1], mean=mu11, sigma=Sigma))
Y21 <- round(rmvnorm(Nj[2], mean=mu21, sigma=Sigma))
Y31 <- round(rmvnorm(Nj[3], mean=mu31, sigma=Sigma))

<# Menyusun data dalam bentuk data frame

dfMan1 <- data.frame(Y =rbind(Y11, Y21, Y31),
IV=factor(rep(1:P, Nj)))
<# Multivariat Analisis of Varians
manRes1 <- manova(cbind(Y.1, Y.2) ~ IV, data=dfMan1)
<#
summary(manRes1, test="Wilks")
Df Wilks approx F num Df den Df Pr(>F)
IV 2 0.38675 17.024 4 112 6.222e-11 ***
Residuals 57
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
summary(manRes1, test="Roy")
summary(manRes1, test="Pillai")
summary(manRes1, test="Hotelling-Lawley")

Keputusan Statistik
Nilai kritis untuk setiap statistic Uji
a. Nilai statistic Uji Lambda Wilk
1. Menentukan derajat bebas P=3, vH =6-1 =5, vE = 6(8-1)=42
2. Nilai statistic uji: .05,4,5,40 =0.445
 3. Keputusannya adalah: Tolak H0 karena 0.154 .05,4,5,40 0.455
b. Nilai Statistik Pillai,
1
1. Menentukan derajat bebas: s min vH , p 4, m v p 1 0,
2 H
1
N v p 1 18.5
2 E
2. Nilai Kritis Statistik Uji:
s
V.05 0.645 (dengan interpolasi)
s s
3. Keputusanya adalah: Tolak H0, karena V 1.305 V0.05 0.645
c. Nilai Statistik Lawly-Hotelling,
1. Nilai Statistik Lawly-Hotelling:
w
2
U i 2.921
i 1
2. Untuk menguji nilai statistic tersebut signifikan atau tidak, kita hitung statistic
uji dengan:
vE s 42
U 2.921 24.539
vH 5
vE s
3. Nilai Kritis Statistik uji dengan 0.05 untuk U (Menggunakan vE =
vH
40) adalah 7.6188
4. Keputusannya: Tolak H0.
d. Nilai Statistik Uji Roy
1. Nilai kritis uji Roy untuk 0.05 adalah 0.377 (dengan interpolasi)

1 1.876
Keputusannya: Karena 0.652 > 0.377, maka Tolak H0.
1 1 1 1.876

Program Studi Matematika – Universitas Islam Negeri Makassar

 12

Modul Praktikum PAM

Praktikum 1:
Data berikut merupakan data hasil eksperimen sejak tahun 1918 hingga 1934, pohon
apel dari rootstock yang berbeda dibandingkan. Data dari delapan pohon dari setiap 6
rootstok diberikan dalam table berikut:
Tabel 1. Data RootStock
1 2
No.
y1 y2 y3 y4 y1 y2 y3 y4
1 1.11 2.569 3.58 0.76 1.05 2.074 4.09 1.036
2 1.19 2.928 3.75 0.821 1.17 2.885 4.06 1.094
3 1.09 2.865 3.93 0.928 1.11 3.378 4.87 1.635
4 1.25 3.844 3.94 1.009 1.25 3.906 4.98 1.517
5 1.11 3.027 3.6 0.766 1.17 2.782 4.38 1.197
6 1.08 2.336 3.51 0.726 1.15 3.018 4.65 1.244
7 1.11 3.211 3.98 1.209 1.17 3.383 4.69 1.495
8 1.16 3.037 3.62 0.75 1.19 3.447 4.4 1.026
3 4
1 1.07 2.505 3.76 0.912 1.22 2.838 3.89 0.944
2 0.99 2.315 4.44 1.398 1.03 2.351 4.05 1.241
3 1.06 2.667 4.38 1.197 1.14 3.001 4.05 1.023
4 1.02 2.39 4.67 1.613 1.01 2.439 3.92 1.067
5 1.15 3.021 4.48 1.476 0.99 2.199 3.27 0.693
6 1.2 3.085 4.78 1.571 1.11 3.318 3.95 1.085
7 1.2 3.308 4.57 1.506 1.2 3.601 4.27 1.242
8 1.17 3.231 4.56 1.458 1.08 3.291 3.85 1.017
5 6
1 0.91 1.532 4.04 1.084 1.11 2.813 3.76 0.8
2 1.15 2.552 4.16 1.151 0.75 0.84 3.14 0.606
3 1.14 3.083 4.79 1.381 1.05 2.199 3.75 0.79
4 1.05 2.33 4.42 1.242 1.02 2.132 3.99 0.853
5 0.99 2.079 3.47 0.673 1.05 1.949 3.34 0.61
6 1.22 3.366 4.41 1.137 1.07 2.251 3.21 0.562
7 1.05 2.416 4.64 1.455 1.13 3.064 3.63 0.707
8 1.13 3.1 4.57 1.325 1.11 2.469 3.95 0.952
Variabel:
(a) y1 adalah trunk girth pada 4 tahun (mm x 100)
(b) y 2 adalah Extension growth 4 tahun (m)
(c) y 3 adalah trunk girth pada 15 tahun (mm x 100)
(d) y 4 adalah weight of three above ground pada 4 tahun (lb)
1. Rumuskan hipotesis yang akan diuji
H0 : y1 y2 y3 y4 lawan H1: Paling sedikit satu berbeda
2. Hitung Nilai statistic Uji dengan
3. Buat Keputusan Secara Statistika
 4. Buat Kesimpulan berdasarkan point (3)

1. 6 Manova Dua Arah

Hipotesis
H0 : 12 12 gb 0 (tidak ada efek interaksi)
H 1 : paling sedikit satu dari lk 0

Model MANOVA dua-arah

Model MANOVA dua-arah dengan efek-tetap untuk pengamatan seimbang p variable
terikat dinyatakan dalam vector:
yijk i j ij ijk ij ijk (0.17)

i  1, 2,, a ; j  1, 2,, b ; k  1, 2,, n .

Dimana;

i merupakan efek level ke- i dari variable A pada setiap p variable dalam yijk

j merupakan efek level ke- j dari variable B pada setiap p variable dalam yijk

 k merupakan efek interaksi level ke- ij dari variable AB pada setiap p variable
dalam yijk
Untuk model manova dua-arah seimbang, total jumlah kuadrat dan matriks hasil kali
adalah partisi dari

Jumlah Kuadrat
T = HA + HB + HAB + E (0.18)
Matriks E diperoleh dari persamaan (0.18), yaitu
E T HA HB HAB (0.19)

1. 7 Uji Manova Dua-Arah

HASIL PERHITUNGAN DENGAN R

Q <- 2
mu12 <- c(-1, 4)
mu22 <- c( 4, 8)
mu32 <- c( 4, 0)

library(mvtnorm)
Y12 <- round(rmvnorm(Nj[1], mean=mu12, sigma=Sigma))
Y22 <- round(rmvnorm(Nj[2], mean=mu22, sigma=Sigma))
Y32 <- round(rmvnorm(Nj[3], mean=mu32, sigma=Sigma))

dfMan2 <- data.frame(Y =rbind(Y11, Y21, Y31, Y12, Y22, Y32),

IV1=factor(rep(rep(1:P, Nj), Q)),
IV2=factor(rep(1:Q, each=sum(Nj))))

Type I sum of squares

Program Studi Matematika – Universitas Islam Negeri Makassar

 14

Modul Praktikum PAM

manRes2 <- manova(cbind(Y.1, Y.2) ~ IV1*IV2, data=dfMan2)

summary(manRes2, test="Pillai")
Df Pillai approx F num Df den Df Pr(>F)
IV1 2 0.81891 39.521 4 228 < 2.2e-16 ***
IV2 1 0.24055 17.896 2 113 1.771e-07 ***
IV1:IV2 2 0.14550 4.472 4 228 0.001693 **
Residuals 114
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
summary(manRes2, test="Wilks")
summary(manRes2, test="Roy")
summary(manRes2, test="Hotelling-Lawley")

Type II/III sum of squares

library(car)
fitIII <- lm(cbind(Y.1, Y.2) ~ IV1*IV2, data=dfMan2,
contrasts=list(IV1=contr.sum, IV2=contr.sum))
ManRes <- Manova(fitIII, type="III")
summary(ManRes, multivariate=TRUE)

Type III MANOVA Tests:

Sum of squares and products for error:

Y.1 Y.2
Y.1 1657.963 -349.19
Y.2 -349.190 982.94

------------------------------------------

Term: (Intercept)

Sum of squares and products for the hypothesis:

Y.1 Y.2
Y.1 188.0783 412.0900
Y.2 412.0900 902.9119

Multivariate Tests: (Intercept)

Df test stat approx F num Df den Df Pr(>F)
Pillai 1 0.5664167 73.80943 2 113 < 2.22e-16 ***
Wilks 1 0.4335833 73.80943 2 113 < 2.22e-16 ***
Hotelling-Lawley 1 1.3063616 73.80943 2 113 < 2.22e-16 ***
Roy 1 1.3063616 73.80943 2 113 < 2.22e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

------------------------------------------

Term: IV1

Sum of squares and products for the hypothesis:

Y.1 Y.2
Y.1 782.9783 62.5900
Y.2 62.5900 891.4717

Multivariate Tests: IV1

Df test stat approx F num Df den Df Pr(>F)
Pillai 2 0.8189128 39.52124 4 228 < 2.22e-16 ***
Wilks 2 0.3355622 41.03532 4 226 < 2.22e-16 ***
Hotelling-Lawley 2 1.5197264 42.55234 4 224 < 2.22e-16 ***
Roy 2 1.1019821 62.81298 2 114 < 2.22e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

------------------------------------------

Term: IV2

Sum of squares and products for the hypothesis:

Y.1 Y.2
Y.1 193.3413 116.25319
Y.2 116.2532 69.90128

Multivariate Tests: IV2

Df test stat approx F num Df den Df Pr(>F)
Pillai 1 0.2043019 14.50683 2 113 2.4676e-06 ***
Wilks 1 0.7956981 14.50683 2 113 2.4676e-06 ***
Hotelling-Lawley 1 0.2567580 14.50683 2 113 2.4676e-06 ***
Roy 1 0.2567580 14.50683 2 113 2.4676e-06 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

------------------------------------------

Term: IV1:IV2

Sum of squares and products for the hypothesis:

Y.1 Y.2
Y.1 39.72500 -69.36667
Y.2 -69.36667 158.57167

Multivariate Tests: IV1:IV2

Df test stat approx F num Df den Df Pr(>F)
Pillai 2 0.1455029 4.472193 4 228 0.00169258 **
Wilks 2 0.8553409 4.591223 4 226 0.00139073 **
Hotelling-Lawley 2 0.1681379 4.707860 4 224 0.00114750 **
Roy 2 0.1620497 9.236832 2 114 0.00019151 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

PRAKTIKUM 2
Diberikan data berikut, input dengan menggunakan apliasi excel, lalu simpan dalam
forma csv.
A1 A2
Y1 Y2 Y1 Y2
7.80 90.4 7.12 85.1
7.10 88.9 7.06 89.0
B1
7.89 85.9 7.45 75.9
7.82 88.8 7.45 77.9

9.00 82.5 8.19 66.0

8.43 92.4 8.25 74.5
B2
7.65 82.4 7.45 83.1
7.70 87.4 7.45 86.4

7.28 79.6 7.15 81.2

8.96 95.1 7.15 72.0
B3
7.75 90.2 7.70 79.9
7.80 88.0 7.45 71.9

Program Studi Matematika – Universitas Islam Negeri Makassar

 16

Modul Praktikum PAM

7.60 94.1 7.06 81.2

7.00 86.6 7.04 79.9
B4
7.82 85.9 7.52 86.4
7.80 88.8 7.70 76.4
2. Rumuskan hipotesis yang akan diuji
3. Hitung statistika uji dengan menggunakan R
4. Buat Keputusan Statistik
5. Buat kesimpulan berdasarkan point (4)

View publication stats