Sari Asnuri

211911172
3SE2
Kode unik: 09IFZ1K
Resume Chapter 6
COMPARISONS OF SEVERAL MULTIVARIATE MEANS
1. Introduction
Ide-ide yang dikembangkan dalam Bab 5 dapat diperluas untuk menangani masalah yang
melibatkan perbandingan beberapa vektor rata-rata. Teorinya sedikit lebih rumit dan bertumpu
pada asumsi distribusi normal multivariat atau ukuran sampel yang besar.
Sebuah desain tindakan berulang, berguna dalam studi perilaku, secara eksplisit
dipertimbangkan, bersama dengan modifikasi yang diperlukan untuk menganalisis kurva
pertumbuhan. Kita mulai dengan mempertimbangkan pasangan vektor rata-rata. Pada bagian
selanjutnya, kami membahas beberapa perbandingan antara vektor rata-rata yang disusun
menurut tingkat perlakuan. Statistik uji yang sesuai bergantung pada pemisahan variasi total
menjadi potongan-potongan variasi yang disebabkan oleh sumber perlakuan dan kesalahan.
Partisi ini dikenal sebagai analisis multivariat varians (MANOVA).

2. Paired Comparisons and a Repeated Measures Design

- Paired Comparisons
Satu pendekatan rasional untuk membandingkan dua perlakuan, atau keberadaan dan
arti dari satu perlakuan, adalah untuk menetapkan kedua perawatan ke unit yang sama atau
identic (perorangan, toko, kavling tanah, dan lain sebagainya). Tanggapan berpasangan
kemudian dapat dianalisis dengan menghitung perbedaannya, sehingga menghilangkan
banyak pengaruh variasi unit-ke-unit asing.
Dalam kasus univariat, misal X j 1 menyatakan respon dari treatment 1 dan X j 2
menyatakan respon dari treatment 2 untuk percobaan ke-j. maka akan terdapat n
perbedaan yang mencerminkan efek diferensial dari treatment.

Mengingat bahwa perbedaan Di dalam (6-1) mewakili pengamatan independen dari

2
distribusi N(δ , σ d), variabel.

Memiliki distribusi t dengan derajat kebebasan n-1.

 dapat dilakukan dengan membandingkan |t| dengan t n−1(α /2) persentil ke-100(a/2)
atas dari distribusi-t dengan n - 1 d.f.
Interval kepercayaan 100(1 -a)% untuk perbedaan rata-rata δ = E( X j 1−X j 1) diberikan
pernyataan

Notasi tambahan diperlukan untuk ekstensi multivariat dari prosedur perbandingan

berpasangan. Perlu dibedakan antara p tanggapan, dua perlakuan, dan n satuan percobaan.
Kami memberi label tanggapan p dalam unit ke-j sebagai

dan variabel acak perbedaan berpasangan p menjadi

Misalkan

Jika, sebagai tambahan, D1, D2, ... , Dn adalah vektor acak Np(δ ,Σd) independen,
inferensi tentang vektor perbedaan rata-rata o dapat didasarkan pada statistik T2.
Secara khusus

Diberikan perbedaan observasi dj = [dj1, dj2, …,djp].

H0: δ = 0 versus H1: δ ≠ 0
H0 ditolak jika:

Wilayah kepercayaan 100(1-a)% untuk δ adalah:

Selang kepercayaan simultan untuk perbedaan rata-rata induividu δi diberikan oleh:

 Selang kepercayaan simultan Bonferroni :

- A Repeated Measures Design for Comparing Treatments

Generalisasi lain dari statistik berpasangan univariat muncul dalam situasi di mana: q
perlakuan dibandingkan sehubungan dengan variabel respon tunggal. Setiap subjek atau
unit percobaan menerima setiap perlakuan sekali selama periode waktu yang berurutan.
pengamatan ke-j adalah

Dimana Xji adalah respon untuk perlakuan ke-1 pada unit ke-j. Nama tindakan berulang
berasal dari fakta bahwa semua perawatan diberikan ke setiap unit.
Untuk tujuan perbandingan, kami mempertimbangkan kontras dari komponen μ = E(Xj)· Ini
bisa jadi

Baik C1 maupun C2 disebut matriks kontras, karena baris q - 1 keduanya linier independen
dan masing-masing adalah vektor kontras. Sifat desain menghilangkan banyak pengaruh
variasi unit-ke-unit pada perbandingan perlakuan. Tentu saja, eksperimen harus mengacak
urutan perlakuan yang disajikan untuk setiap subjek.
Jika rata-rata perlakuan sama, C1 μ = C2 μ = 0. Secara umum hipotesis bahwa tidak ada
perbedaan perlakuan (equal treatment means) menjadi C μ = 0 untuk setiap pilihan matriks
kontras C. Akibatnya, berdasarkan kontras Cxj dalam pengamatan, kami memiliki rata-rata C
x dan matriks kovarians CSC', dan kami menguji C μ = 0 menggunakan statistik T 2

- Test for Equality of Treatments in a Repeated Measures Design

H0: C μ = 0 (equal treatment means) versus H1: C μ ≠ 0.
H0 ditolak jika
 Dimana

Dapat ditunjukkan bahwa T 2 tidak bergantung pada pilihan tertentu dari C.

Wilayah kepercayaan untuk C μ:

Selang kepercayaan untuk kontras tunggal c’ μ untuk setiap vektor kontras yang diinginkan
adalah

3. Comparing Mean Vectors from Two Populations

Assumptions Concerning the Structure of the Data
1. Sampel X 11 , X 12 , … , X 1 n, adalah sampel acak berukuran n1 , dari populasi p-variate
dengan vektor rata-rata μ1dan matriks kovarians Σ 1
2. Sampel X 21 , X 22 , … , X 2 n, , adalah sampel acak berukuran n2 dari populasi p-variate
dengan vektor rata-rata μ2 dan matriks kovarians Σ 2
3. X 11 , X 12 , … , X 1 n independen dengan X 21 , X 22 , … , X 2 n.

Ketika sampel besar, struktur ini cukup untuk membuat inferensia mengenai px1 vektor μ1 -
μ2. Namun, ketika n1 dan n2 kecil, akan lebih banyak asumsi yang diperlukan.

Further Assumptions When n1 and n2 Are Small

1. Kedua populasi berdistribusi multivariate normal.
2. Σ 1 = Σ 2 (same covariance matrix)

Ketika Σ 1 = Σ 2, kita bisa menggabungkan informasi dari kedua sampel dan mengestimasi
kovarians umum:

Untuk menguji hipotesis μ1 - μ2 = δ 0, vektor tertentu, kami menganggap kuadrat jarak

statistik dari x 1- x 2 ke δ 0 Sekarang

E( X 1 - X 2 ) = E( X 1 ) - E( X 2 ) = μ1 - μ2

Jika asumsi independen terpenuhi, maka X 1 dan X 1 independen dan akibatnya Cov ( X 1 , X 2)
= 0. Hal ini diikuti dengan
 Karena Spooled adalah estimasi dari Σ , didapatkan

Adalah estimator dari Cov ( X 1 , X 2).

Uji likelihood ratio dari
H0: μ1 - μ2 = δ 0
didasarkan pada kuadrat jarak statistik, T2 , dan diberikan oleh (lihat [1]).
Tolak H0 jika

dimana jarak kritis c2 ditentukan dari distribusi dua sampel statistic T2.

Simultaneous Confidence Intervals

Diasumsikan bahwa populasi multivariat induk normal dengan kovarians umum Σ .

The Two-Sample Situation When Σ 1 ≠ Σ 2

Ketika Σ 1 ≠ Σ 2, kami tidak dapat menemukan ukuran "jarak" seperti T2, yang
distribusinya tidak bergantung pada Σ 1 dan Σ 2yang tidak diketahui. Uji Bartlett digunakan
untuk menguji kesetaraan Σ 1 dan Σ 2 dalam hal varians umum. Sayangnya, kesimpulannya
bisa sangat menyesatkan ketika populasinya tidak normal.
 Transformasi dapat meningkatkan hal-hal ketika varians marjinal sangat berbeda. Namun,
untuk n1 dan n2 besar, kita dapat menghindari kompleksitas karena matriks kovarians yang
tidak sama.

An Approximation to the Distribution of T2 for Normal Populations When Sample Sizes Are
Not Large

Seseorang dapat menguji H0: μ1 - μ2 = 0 ketika matriks kovarians populasi tidak sama
bahkan jika dua ukuran sampel tidak besar, asalkan kedua populasi adalah: multivariat
normal. Situasi ini sering disebut masalah multivariat Behrens-Fisher (the multivariate
Behrens-Fisher problem). Hasilnya mengharuskan kedua ukuran sampel ni dan n2 lebih
besar dari p, jumlah variabel. Pendekatannya tergantung pada pendekatan terhadap
distribusi statistik

yang identik dengan statistik sampel besar pada Hasil 6.4. Namun, alih-alih menggunakan
pendekatan chi-kuadrat untuk mendapatkan nilai kritis untuk pengujian Ho, pendekatan
yang direkomendasikan untuk sampel yang lebih kecil (lihat [15] dan [19]) diberikan oleh

Dimana, derajat kebebasan v diestimasi dari matriks kovarian sampel menggunakan

hubungan

Dimana min(n1,n2) <= v <= n1+n2.

H0: μ1 - μ2 = 0 ditolak jika
 Wilayah kepercayaa 100(1-a)% untuk semua μ1 - μ2 diberikan oleh

4. Comparing Several Multivariate Population Means (One-Way Manova)

Random sampel, dikumpulkan dari g populasi sebagai berikut:

MANOVA digunakan pertama kali untuk menyelidiki apakah vektor rata-rata populasi adalah
sama dan, jika tidak, komponen mana yang berbeda secara signifikan.

Assumptions about the Structure of the Data for One-Way MANOVA

1. X l 1, X l 2 , …., X lnadalah sampel acak berukuran nt dari suatu populasi Dengan rata-rata
μl , l = 1, 2, ... , g. Sampel acak dari populasi yang berbeda adalah independen
2. Semua populasi memiliki matriks kovarians umum Σ
3. Setiap populasi adalah multivariate normal

Kondisi 3 dapat dilonggarkan dengan menggunakan teorema limit pusat (Hasil 4.13) ketika
ukuran sampel nl besar.

A Summary of Univariate ANOVA

Dalam situasi univariat, asumsinya adalah bahwa X l 1, X l 2 , …., X ln adalah sampel acak
2
dari populasi N( μl , σ ), l = 1, 2, ... , g, dan bahwa sampel acak independen. Meskipun
hipotesis nol dari persamaan rata-rata dapat dirumuskan sebagai μ1 = μ2 = … = μ g, itu adalah
kebiasaan untuk menganggap μl sebagai jumlah keseluruhan komponen rata-rata, seperti μ,
dan komponen karena populasi tertentu. Sebagai contoh, kita dapat menulis μl = μ + ( μl - μ)
atau μl = μ + τ l di mana τ l = μl −μ.
Parameterisasi ulang

Mengarah pada pernyataan ulang dari hipotesis persamaan rata-raya. Hipotesis 0

menjadi

Nilai X lj bisa dinyatakan sebagai

Dimana e lj independen N (0 , σ 2 ) random variabel.
Untuk mendefinisikan secara unik parameter model dan perkiraan kuadrat terkecilnya,
g
biasanya untuk memaksakan kendala ∑ nl τ l = 0.
l=1
Termotivasi oleh dekomposisi (6-33), analisis varians didasarkan pada dekomposisi analog
dari pengamatan

Mengurangi x dari kedua sisi (6-34) dan dikuadratkan menghasilkan

Atau

Dari 6.36, kita meverifikasi bahwa array merepresentasikan rta-rata, efek perlakuan, dan
residual adalah orthogonal. Artinya, array ini dianggap tegak lurua apapun vector
pengamatannya. Akibatnya, kita bisa mendapatkan SSres dengan pengurangan, tanpa harus
menghitung masing-masing residual, karena SSres = SSobs - SSmean – SStr.
 Uji-F biasa menolak Ho: τ 1 = τ 2 = · · · = τ g = 0 pada level a jika

Ini equivalen dengan menolak Ho untuk nilai SStr/SSres yang besar, atau untuk 1 +
SStr/SSres yang besar. Statistik yang sesuai untuk generalisasi multivariat menolak H0 untuk
nilai resiprokal yang kecil

Multivariate Analysis of Variance (MANOVA)

Dimana e lj independen N (0 , Σ) variabel. Disini, parameter μ adalah rata-rata

g
keseluruhan (tingkat), dan τ l merepresentasikan efek perlakuan ke-l dengan ∑ nl τ l = 0.
l=1
Menurut model pada (6-38), setiap komponen vektor pengamatan X lj memenuhi model
univariat (6-33). Kesalahan untuk komponen X lj berkorelasi, tetapi matriks kovarians Σ
sama untuk semua populasi.
Sebuah vektor pengamatan dapat didekomposisi seperti yang disarankan oleh model.
Dengan demikian,

Dekomposisi dalam (6-39) mengarah ke analog multivariat dari jumlah univariat dari
pemisahan kuadrat dalam (6-35). Pertama kami perhatikan bahwa produk

Bisa ditulis sebagai

dimana Sl adalah matriks kovarians sampel untuk sampel ke-l. Matriks ini adalah generalisasi
dari (n 1 + n2 - 2) matriks Spooled yang ditemui dalam kasus dua sampel. Ini memainkan
peran dominan dalam menguji adanya efek perlakuan.
Analogi dengan univariat, hipotesis bahwa tidak ada efek perlakuan:

diuji dengan mempertimbangkan ukuran relatif dari perlakuan dan jumlah residual kuadrat
dan hasil kali silang. Secara formal, kami merangkum perhitungan yang mengarah ke
statistik uji dalam tabel MANOVA.

Satu uji H0: τ 1 = τ 2 = · · · = τ g = 0 melibatkan varians umum. Tolak H0 jika rasio varians umum

Adalah terlalu kecil.

 Ketika jumlah variabel, p, besar, tabel MANOVA biasanya tidak dibuat. Namun, itu adalah
praktik yang baik untuk meminta komputer mencetak Band matriks W sehingga entri yang
sangat besar dapat ditemukan. Juga, vektor residu

harus diperiksa untuk normalitas dan keberadaan outlier menggunakan teknik yang dibahas
dalam Bagian 4.6 dan 4.7 dari Bab 4.

5. Simultaneous Confidence Intervals for Treatment Effects

Ketika hipotesis efek perlakuan yang sama ditolak, efek yang menyebabkan penolakan hipotesis
menarik. Untuk perbandingan berpasangan, pendekatan Bon ferroni (lihat Bagian 5.4) dapat
digunakan untuk membangun interval kepercayaan simultan untuk komponen perbedaan τ k - τ l
(atau μk - μl )· Interval ini lebih pendek daripada diperoleh untuk semua kontras, dan mereka
membutuhkan nilai kritis hanya untuk t-statistik univariat.

6. Testing for Equality of Covariance Matrices

Salah satu asumsi yang dibuat ketika membandingkan dua atau lebih vektor rata-rata multivariat
adalah bahwa matriks kovarians dari populasi yang berpotensi berbeda adalah sama. Sebelum
menyatukan variasi antar sampel untuk membentuk matriks kovarians gabungan ketika
membandingkan vektor rata-rata, dapat bermanfaat untuk menguji kesetaraan matriks kovarians
populasi. Salah satu uji yang biasa digunakan untuk matriks kovarians yang sama adalah uji-M
Box

.
Hipotesis alternatifnya, minimal ada 2 matriks kovarians tidak sama.
Dngan asumsi populasi berdistribusi normal multivariate, statistik uji likelihood ratio adalah

Xdimana nl adalah ukuran sampel untuk kelompok ke-l, Sl adalah matriks kovarians untuk
kelompok ke-l dan Spooled adalah matriks kovarians sampel yang diberikan oleh
 Tes Box didasarkan pada pendekatan X 2 . dengan distribusi sampling -2ln A. atur -2lnA = M
(Statistik Kotak M) memberikan

7. Two-Way Multivariate Analysis of Variance

8. Profile Analysis

9. Repeated Measures Designs and Growth Curves

10.Perspectives and a Strategy for Analyzing Multivariate Models