Lab 2 Multivariate Analisis Variansdan Kovarians
Lab 2 Multivariate Analisis Variansdan Kovarians
net/publication/329556982
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:
All content following this page was uploaded by Adnan Sauddin on 11 December 2018.
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
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
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
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
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
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.
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
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
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
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
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
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
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)
,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 ,
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)
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
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)
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)
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))
------------------------------------------
Term: (Intercept)
------------------------------------------
Term: IV1
------------------------------------------
Term: IV2
------------------------------------------
Term: IV1:IV2
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