Tugas 4 Statistika

Unggah satu file tugas dalam format pdf per grup ke besmart.
Sertakan semua NIM dan nama. Gunakan program R untuk membantu dalam perhitungan dan analisis data.
Pastikan Anda menjawab semua pertanyaan dan melampirkan hasil dari program R dalam word ini untuk
mendapatkan nilai penuh.

4. Berikut adalah data Manova dengan ukuran sel yang sama 2x4 (dua variabel dependen, Y1 dan
Y2, dan faktor A dan faktor B):

Petunjuk: (6,10) pada baris pertama dan kolom pertama menyatakan bahwa 6 adalah nilai
variabel dependen 1 (Y1) dari level faktor A1 dan level faktor B1; 10 adalah nilai variabel
dependen 2 (Y2) dari level faktor A1 dan level faktor B1.
a) Lakukan analisis multivariat faktorial.

Penyelesaian:
Tabel. Means dan Standar Deviasi

Faktor
A1 A2 mean
Mean Sd Mean Sd
B1 7.3 1.5 9.3 2.0 8.3
B2 13.6 3.0 11.6 2.0 12.6
Y1 B3 10.3 3.2 8.3 3.7 9.3
B4 18.3 2.5 9.3 1.5 13.8
B1 9.0 1.0 6.3 1.5 7.6
B2 16.3 1.5 11.6 1.5 14.0
Y2 B3 9.3 1.5 11.0 2.6 10.1
B4 15.6 3.0 11.0 3.6 13.3
A1 A2
mean
12.4 12.5 9.6 10.0

b) Lakukan pengecekan asumsi normalitas multivariat dan homogenitas matriks kovarians.

Penyelesaian:

Page 1 of 5
Normalitas

> #4b
> levels(data4$int)
[1] "A1.B1" "A2.B1" "A1.B2" "A2.B2" "A1.B3" "A2.B3" "A1.B4"
"A2.B4"
> cell1 <- subset(data4, int == "A1.B1", select = c(Y1,Y2))
> cell2 <- subset(data4, int == "A2.B1", select = c(Y1,Y2))
> cell3 <- subset(data4, int == "A1.B2", select = c(Y1,Y2))
> cell4 <- subset(data4, int == "A2.B2", select = c(Y1,Y2))
> cell5 <- subset(data4, int == "A1.B3", select = c(Y1,Y2))
> cell6 <- subset(data4, int == "A2.B3", select = c(Y1,Y2))
> cell7 <- subset(data4, int == "A1.B4", select = c(Y1,Y2))
> cell8 <- subset(data4, int == "A2.B4", select = c(Y1,Y2))
> library(MVN)
> mvn(cell1, mvnTest = "hz")$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.1883912 0.561672 YES
> mvn(cell2, mvnTest = "hz")$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.1883912 0.561672 YES
> mvn(cell3, mvnTest = "hz")$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 12 0 NO
> mvn(cell4, mvnTest = "hz")$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.1883912 0.561672 YES
> mvn(cell5, mvnTest = "hz")$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.1883912 0.561672 YES
> mvn(cell6, mvnTest = "hz")$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.1883912 0.561672 YES
> mvn(cell7, mvnTest = "hz")$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.1883912 0.561672 YES
> mvn(cell8, mvnTest = "hz")$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.1883912 0.561672 YES

Berdasarkan uji Henze-Zirkler, asumsi normal multivariate tidak penuhi (ada p-value
< 0.05).

Homogenitas Matriks Kovarians

> #4b
> #homogenitas
> library(biotools)
> data4$int <- with(data4, interaction(A,B), drop = TRUE )
> X <- subset(data4, select = c(Y1,Y2))
> boxM(X,data4$int)

Box's M-test for Homogeneity of Covariance Matrices

data: X
Chi-Sq (approx.) = Inf, df = 21, p-value < 2.2e-16

Page 2 of 5
 Hipotesis:
H0: 𝚺𝟏 = 𝚺𝟐 = 𝚺𝟑 = 𝚺𝟒 = 𝚺𝟓 = 𝚺𝟔
H1: ∃𝚺𝒊 ≠ 𝚺𝒊′, 𝑖 ≠ 𝑖′, 𝑖 = 1,2, … , 6
karena p-value=2.2e-16, maka H0 tidak ditolak sehingga mengindikasikan bahwa
asumsi dari homogenitas terpenuhi.

c) Manakah dari uji multivariat untuk ketiga pengaruh yang berbeda signifikan pada level 0.05?
Penyelesaian:
> #4c
> mod.fit <- manova(cbind(Y1,Y2)~A+B+A*B,data=data4)
> summary(mod.fit,test="Wilks")
Df Wilks approx F num Df den Df Pr(>F)
A 1 0.54591 6.2385 2 15 0.010676 *
B 3 0.24520 5.0974 6 30 0.001033 **
A:B 3 0.36465 3.2800 6 30 0.013343 *
Residuals 16
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

semua pengaruh multivariat signifikan pada level 0.05. Berdasarkan nilai F

dengan Wilks diperoleh untuk level factor A dan B: F(6,30) = 3.2800, p =
0.013343, Wilks’  = 0.36465; untuk A: F(2,15) = 6.2385, p = 0.010676, Wilks’
 = 0.54591; dan untuk B: F(6,30) = 5.0974, p = 0.001033, Wilks’  =
0.24520.

Oleh karena pengaruh interaksi signifikan maka interpretasi berfokus pada

pengaruh interaksi. Ada pengaruh interaksi yang signifikan antara level faktor A
dan B terhadap Y1 dan Y2 (Wilks’  = 0.013343, F(6,30) = 3.2800, p =
0.013343)

d) Pada pengaruh yang menunjukkan signifikansi multivariat, manakah dari masing-masing

variabel (pada taraf signifikansi 0.025) yang berkontribusi terhadap signifikansi multivariat?
> summary.aov(mod.fit)
Response Y1 :
Df Sum Sq Mean Sq F value Pr(>F)
A 1 45.375 45.375 6.7640 0.019311 *
B 3 124.125 41.375 6.1677 0.005469 **
A:B 3 94.125 31.375 4.6770 0.015707 *
Residuals 16 107.333 6.708
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Response Y2 :
Df Sum Sq Mean Sq F value Pr(>F)
A 1 40.042 40.042 8.0756 0.0117800 *
B 3 155.458 51.819 10.4510 0.0004743 ***
A:B 3 40.125 13.375 2.6975 0.0806102 .
Residuals 16 79.333 4.958

Page 3 of 5
 ---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

 Tes univariat pada setiap hasil mengindikasikan bahwa interaksi dua arah
terjadi pada Y1 (F(3, 16) = 4.6770, p = 0.015707) tapi tidak pada Y2
(F(3, 16) = 2.6975, p = 0.0806102).
 Tes univariat mengindikasikan bahwa main effect dari level factor A
terjadi untuk nilai variable dependen Y1 (F(1, 16) = 6.7640, p =
0.019311) dan pada Y2( F(1, 16) = 8.0756 p = 0.0117800)
 Tes univariat mengindikasikan bahwa main effect dari level factor B terjadi
untuk nilai variable dependen Y1 (F(3, 16) = 6.1677, p = 0.005469) dan pada
Y2( F(3, 16) = 10.4510 p = 0.0004743)
 Sehingga variable (pada taraf signifikansi 0.025) yang berkontribusi terhadap
signifikansi multivariate adalah variable dependen Y1.

e) Jika pengaruh multivariat pada interaksi signifikan, lakukan uji analisis variansi dua arah. Jika
pengaruh univariat pada interaksi signifikan lakukan uji lanjut poshoc dan berikan
kesimpulan.
Jawab
Tidak ada Pengaruh multivariate pada interaksi , sehingga tidak dilakukan analisis variansi
dua arah

pengaruh univariat pada interaksi signifikan pada Y1 sehingga dilakukan uji lanjut pos hoc
> #4e
> aov.Y1 <- aov(Y1 ~ A+B+A*B, data=data4)
> TukeyHSD(aov.Y1, which = "A:B", ordered = TRUE)
Tukey multiple comparisons of means
95% family-wise confidence level
factor levels have been ordered
Fit: aov(formula = Y1 ~ A + B + A * B, data = data4)

$`A:B`
diff lwr upr p adj
A2:B3-A1:B1 1.000000 -6.3216279 8.321628 0.9996474
A2:B1-A1:B1 2.000000 -5.3216279 9.321628 0.9760795
A2:B4-A1:B1 2.000000 -5.3216279 9.321628 0.9760795
A1:B3-A1:B1 3.000000 -4.3216279 10.321628 0.8362727
A2:B2-A1:B1 4.333333 -2.9882946 11.654961 0.4825685
A1:B2-A1:B1 6.333333 -0.9882946 13.654961 0.1167588
A1:B4-A1:B1 11.000000 3.6783721 18.321628 0.0017350
A2:B1-A2:B3 1.000000 -6.3216279 8.321628 0.9996474
A2:B4-A2:B3 1.000000 -6.3216279 8.321628 0.9996474
A1:B3-A2:B3 2.000000 -5.3216279 9.321628 0.9760795
A2:B2-A2:B3 3.333333 -3.9882946 10.654961 0.7570767
A1:B2-A2:B3 5.333333 -1.9882946 12.654961 0.2537641
A1:B4-A2:B3 10.000000 2.6783721 17.321628 0.0043254
A2:B4-A2:B1 0.000000 -7.3216279 7.321628 1.0000000
A1:B3-A2:B1 1.000000 -6.3216279 8.321628 0.9996474
A2:B2-A2:B1 2.333333 -4.9882946 9.654961 0.9468600

Page 4 of 5
A1:B2-A2:B1 4.333333 -2.9882946 11.654961 0.4825685
A1:B4-A2:B1 9.000000 1.6783721 16.321628 0.0108732
A1:B3-A2:B4 1.000000 -6.3216279 8.321628 0.9996474
A2:B2-A2:B4 2.333333 -4.9882946 9.654961 0.9468600
A1:B2-A2:B4 4.333333 -2.9882946 11.654961 0.4825685
A1:B4-A2:B4 9.000000 1.6783721 16.321628 0.0108732
A2:B2-A1:B3 1.333333 -5.9882946 8.654961 0.9977755
A1:B2-A1:B3 3.333333 -3.9882946 10.654961 0.7570767
A1:B4-A1:B3 8.000000 0.6783721 15.321628 0.0271944
A1:B2-A2:B2 2.000000 -5.3216279 9.321628 0.9760795
A1:B4-A2:B2 6.666667 -0.6549613 13.988295 0.0883175
A1:B4-A1:B2 4.666667 -2.6549613 11.988295 0.3967802

Page 5 of 5