One Way Multivariate Analysis of Variance

(ONE WAY-MANOVA)
• MANOVA adalah perluasan multivariate dari
analisis ANOVA.
• MANOVA merupakan metode statistik untuk
mengeksplorasi hubungan diantara beberapa
variable independen yang berjenis kategorikal
(bisa data nominal atau ordinal) dengan
beberapa variable dependen yang berjenis
metric (bisa data interval atau rasio)
 TUJUAN
untuk mengetahui apakah ada perbedaan yang
nyata pada variable-variabel dependen antar-
anggota sebuah grup (variable independen).
 Model dalam Anova
1 dependent
1 independent One-way anova
Contoh: Uji perbandingan
antara Hasil belajar kognitif
berdasarkan beberapa model
pembelajaran
> 1 Independent Two way Anova
Contoh: Uji perbandingan
antara Hasil belajar kognitif
berdasarkan beberapa model
pembelajaran dan Gaya Belajar
> 1 dependent
One way Manova
Contoh: Uji perbandingan hasil
belajar kognitif, afektif, dan
psikomotor berdasarkan
beberapa model pembelajaran
Two Way Manova
Contoh: Uji perbandingan hasil
belajar kognitif, afektif, dan
psikomotor berdasarkan
beberapa model pembelajaran
dan Gaya Belajar
 Asumsi tentang Struktur Data untuk
One-way MANOVA
1. X11, X12,…,X1n adalah sampel acak dengan
ukuran n1 dari sebuah populasi dengan mean
µi untuk i=1,2,3,....,n Sampel acak dari
populasi yang berbeda adalah independen
2. Semua populasi memiliki matriks covarian
bersama ∑.
3. Tiap populasi adalah menyebar normal
multivariat.
 MODEL MANOVA UNTUK PERBANDINGAN
VEKTOR MEAN g > 2 POPULASI

Model matematikanya
X j       ej
j  1,2,..., n ,   1,2, ..., g

dimana,
e j = variabel independen N p (0,  )
 = mean secara keseluruhan
 = pengaruh perlakuan ke- 
g
dengan n 
 1
  0
Menurut model di atas, setiap komponen observasi vektor X j
memenuhi model univariatX. j

xj  x  ( x  x )  ( xj  x )

observasi

overall sample mean residual

estimasi
Pertama kita tulis bahwa hasil

( xj  x )( xj  x )'

Dapat dinyatakan sebagai

( xj  x )( xj  x )'  [( xj  x )  ( x  x )][( xj  x )  ( x  x )]'

 ( xj  x )( xj  x )'( xj  x )( x  x ) 
( x  x )( xj  x )  ( x  x )( x  x )'

• Penjumlahan terhadap j dari pertengahan dua ekspresi adalah

n
matriks nol, karena  (x
j 1
j  x )  0
Karenanya, penjumlahan cross product terhadap l dan j menghasilkan
g n g g n

 ( x
 1 j 1
j  x )( xj  x )'  n ( x  x )( x  x )' ( xj  x )( xj  x )'
 1  1 j 1

B+W B W
(treatment (residual (within) sum)
(total (corrected) sum) (between))
(6.36)
dalam jumlah kuadrat dan matriks cross product akan dituliskan seperti

g n
W   ( xj  x )( xj  x )'
 1 j 1

 (n1  1) S1  (n2  1) S 2  ...  (ng  1) S g

Dimana ,
S  = sampel matriks kovarian untuk sampel
TABEL MANOVA UNTUK perbandingan POPULASI Mean VECTOR
 Uji Hipotesis
• H o :  1   2  ...   g  0 menyatakan perumuman
varians.

• Ho ditolak jika rasio varians secara umum kecil.

W
*  , (rasio varians secara umum)
B W
 W
* 
DISTRIBUTION OF WILKS’ LAMBDA, B W

~
 • Bila Ho benar dan Σn = n besar,

 ( p  g)   ( p  g )   W 

  n 1  ln *   n  1   ln   ...(6.39)
 2   2   B W 

memiliki perkiraan distribusi chi-kuadrat dengan derajat

kebebasan p(g - 1).

• Konsekwensinya, untuk Σn = n besar, kita menolak H0 pada taraf

signifikansi jika 

 ( p  g )   W 
   p2 ( g 1) ( )
  n 1  ln   ...(6.40)
 2   B W 
Contoh :
• Diketahui sampel dengan ukuran n1 = 3, n2 = 2, dan n3 = 3.

 9 6  9  
   2 7  
 3    
 0   2 
  0  
  4   
 3 1  2 
   9 7 
 8    

Apakah ada perbedaan mean vektor antar

ketiga kelompok ?
 Penyelesaian :

8  1   2  4
x1    , x2    , x3    dengan x   
 4  2 8  5 

Perlakuan 1 Perlakuan 2

xj  x  ( x  x )  ( xj  x ) xj  x  ( x  x )  ( xj  x )

9 6 9  4 4 4  4 4 4   1  2 1  3 2 7   5 5 5    1  1  1   1  2 3 
               
0 2   4 4     3  3    1 1   4 0   5 5     3  3  2 2 
 3 1 2  4 4 4   2  2  2  1 1 0  8 9 7   5 5 5   3 3 3   0 1  1
               

SS obs  SS mean  SS tr  SS res SS obs  SS mean  SS tr  SS res

216  128  78  10 272  200  48  24
SS corrected (Total)  SS obs  SS mean SS corrected (Total)  SS obs  SS mean
 216  128  272  200
 88  72
Analisis dua komponen terpisah di atas harus menjadi
pelengkap dengan jumlah entry demi entry pada tempat yg lain
di perkalian pada table MANOVA.
Proses baris demi baris pada susunan untuk dua variable,
diperoleh :

Mean : 4(5) + 4(5) + ... + 4(5) = 160

Treatment : 3(4)(-1) + 2(-3)(-3) + 3(-2)(3) = -12
Residual : 1(-1) + (-2) (-2) + (1)(3)+ (-1)(2) + ... + 0(-1) = 1
Total : 9(3) + 6(2) + 9(7) + 0(4) + ... + 2(7) = 149

Total (corrected) perkalian = total perkalian – perkalian rata-rata

= 149 – 160
= -11
 Tabel Manova

B=

W=

B+W=

Persamaan (6.36) mencatat bahwa :

 88  11  78  12 10 1 

 11 72    12 48    1 24
     
• Perumusan Hipotesis
H o :  1   2  ...   g  0
H 1 : paling sedikit satu tanda ‘ ‘ tidak berlaku.
• Statistik Uji
10 1
W 1 24 10(24)  (1) 2 239
*      0,0385
B W 88  11 88(72)  ( 11) 2 6215
 11 72

  n  g  1  1   *   8  3  1  1  0,0385 
Fhitung   


    8,19
 g 1  
   *   3  1  0,0385 
• Kriteria Pengujian
Tolak Ho jika Fhitung > Ftabel

Fhitung  8,19  F2 ( g 1), 2 (  F4,8 (0,01)  7,01

 n  g 1)
Karena Fhitung > Ftabel artinya Ho ditolak.

• Kesimpulan
Ada perbedaan antara perlakuan 1 dan perlakuan 2.
 Uji Statistika lainnya dalam Manova

 
s

• Lawley Hotelling U U  tr E H   i
s  1

i 1

• Pillai’s V   i
s
V  tr E  H  H  
s  1

i 1 1  i

1
• Roy’s Largest Root 
1  1


• Wilks’ Lambda H   ni X i  X X i  X 
s k
1

i 1 1  i
i 1


E   X ij  X i X ij  X i 
k ni

Dengan 1  2    s yang merupakan nilai eigen dari E 1H i 1 j 1

s  min df b , p   min k  1, p 

Simultaneous Confidence Intervals for
Treatment Effects
Ketika hipotesis dari kesamaan efek-efek perlakuan ditolak,
maka efek-efek yang bersangkutan dengan penolakan
hipotesis tersebut merupakan efek-efek yang akan dikaji
selanjutnya.

Misalkan τki adalah komponen ke-i dari τk, karena τk ditaksir oleh ˆk  xk  x , maka

ˆk  xk  x
Dimana
bebas.
ˆki  ˆki  xki  xmerupakan
i
perbedaan antara 2 rata-rata sampel yang saling
 Perhatikan bahwa ;

 1 1
Var (ˆki  ˆki )  Var ( X ki  X i )     ii
 nk nk 

dimana,  ii adalah diagonal ke-i dari elemen Σ. Var ( X ki  X i ) ditaksir

dengan membagi elemen yang berkorespondensi di W dengan derajat
kebebasannya, yaitu

ˆ  1 1  wii
Var ( X ki  X i )    
 nk nk  n  g

dimana, wii adalah elemen diagonal ke-i di W dan n  n1  ...  n g

 Misalkan g
. Untuk model
n   nk
k 1
X j       ej

j  1,2,..., n ,   1,2, ..., g

Dengan taraf kepercayaan (1-α),  ki   ki adalah

   wii  1 1 
x ki  xi t n  g     
 pg ( g  1)  n  g  nk nk 

untuk seluruh komponen i = 1, 2, …, p dan seluruh perbedaan 1 < k = 1,…, g.

Disini wii adalah elemen diagonal ke-i dari W.
 Contoh
Wisconsin Department of Health and Social Services mengganti biaya
rumah perawatan berdasarkan fasilitas yang diberikan. Rumah perawatan tersebut
diklasifikasikan berdasarkan status kepemilikan, yaitu milik pribadi, organisasi
sukarela, dan milik pemerintah. Selain itu, rumah perawatan juga diklasifikasikan
berdasarkan sertifikat, yaitu Skilled Nursing Facility (SNF), Intermediate Care Facility
(ICF), atau kombinasi keduanya (SNF & ICF).
Tujuan dari penelitian ini adalah untuk mengetahui pengaruh dari status
kepemilikan dan sertifikat (atau keduanya) dalam hal biaya. Empat biaya, yang
dihitung berdasarkan seorang pasien per hari dan dihitung dalam jam, dipilih untuk
keperluan analisis. Yaitu:
X1 = Biaya perawat
X2 = Biaya perawat yang mengurusi makanan
X3 = Biaya teknisi
X4 = Biaya pegawai kebersihan
Sebanyak 516 pengamatan dilakukan untuk setiap p = 4 variabel biaya. Pengamatan
tersebut dilakukan terpisah berdasarkan status kepemilikan. Ringkasan statistic untuk
setiap g = 3 kelompok diberikan pada tabel di bawah ini.
Profile Analysis
 Profile Anaysis

Analisis profil dilakukan pada suatu situasi

dimana sederetan p perlakuan dipisahkan ke
dalam dua atau lebih kelompok. Semua respon
harus diwujudkan dalam unit yang sama, selain
itu respon-respon untuk kelompok yang berbeda
tersebut diasumsikan saling bebas satu sama lain.
Selanjutnya akan timbul pertanyaan, apakah
vektor rata-rata dari populasinya sama? Dalam
analisis profil, pertanyaan tentang kesamaan
vektor rata-rata dibagi ke dalam beberapa
kemungkinan.
Misalkan
   dan   
1 11 12 1 p 
, ,...,  2  21  22  2 p 
, ,...,

merupakan rata-rata respon untuk p perlakuan

untuk populasi 1 dan 2.
Hipotesis H 0 : 1   2 menunjukkan bahwa
perlakuan-perlakuan tersebut memiliki efek
rata-rata yang sama dalam 2 populasi tersebut.
Langkah-langkah yang harus dilakukan
untuk menguji hal tersebut adalah:
1. Apakah profil tersebut paralel?
Pertanyaan tersebut ekuivalen dengan:
Apakah H 01 : 1i  1i 1  2i  2i 1, i = 2,3,…,p dapat diterima?
2. Diasumsikan profil-profil tersebut parallel, apakah profil-profil tersebut terjadi
secara bersamaan?
Pertanyaan tersebut ekuivalen dengan:
Apakah H 02 : 1i,   2i i =1,2,…p dapat diterima?
3. Asumsikan profil tersebut terjadi secara bersamaan, apakah profil tersebut
rata? Atau, apakah semua rata-rata menuju ke satu konstanta?
Pertanyaan tersebut ekuivalen dengan:
Apakah H 03 : 11  ...  1 p   21  ... dapat
 2 p diterima?
Selanjutnya, hipotesis nol pada langkah 1 dapat
ditulis: H 01 : C1  C 2

 1 matriks
Dimana C adalah 0  0
1 0 kontras 0
0  1 1 0  0 0
C(( p 1 ) xp ) 
      
 
0 0 0 0   1 1
Test for Parallel Profiles for Two Normal
Populations
• Perumusan Hipotesis
H 01 : C1  C 2
H11 : C1  C 2

• Statistik Uji 1
 1 1  
T  x1  x2  ' C '   CS pooledC ' C x1  x2 
2

 n1 n2  
dan

c 
2 n1  n2  2 p  1
Fp 1,n1  n2  p ( )
n1  n2  p

• Kriteria Pengujian
Tolak H01 pada taraf signifikansi α jika T2 > c2 .
Test for Coincident Profiles, Given
that Profiles Are Parallel
 Perumusan Hipotesis
H 02 : 1' 1  1'  2
H12 : 1' 1  1'  2

 Statistik Uji
1
 1 1  
T 2  1 ' x1  x2     1 S pooled 1 ' 1 ' x1  x2 
 n1 n2  
2
 
 
 1 ' x1  x2  
 
 1 1 
    1 S pooled 1 ' 
  n1 n2  

 Kriteria Pengujian
 
Tolak pada taraf signifikan si  jika T 2  t n21  n2  2    F1,n1  n2 2 ( )
2
 Test for Level Profiles, Given that
Profiles Are Coincident
 Perumusan Hipotesis
H 03 : C1  0
H13 : C1  0

 Statistik Uji
 
S  n1  n2  x ' C ' CS pooled C ' C x
1

 Kriteria Pengujian
Tolak pada taraf signifikan si a jika S  Fp 1,n1  n2  p ( )
 Contoh 6.11
Dalam contoh 6.11, diketahui informasi sebagai berikut:

x1  Respon untuk pertanyaan 1 dalam skala 8 poin.

x1  Respon untuk pertanyaan 1 dalam skala 8 poin.
x2  Respon untuk pertanyaan 2 dalam skala 8 poin.
x3  Respon untuk pertanyaan 3 dalam skala 5 poin.
x4  Respon untuk pertanyaan 4 dalam skala 5 poin.

Dan dua populasi didefinisi kan oleh

Populasi 1 = Pria menikah
Populasi 2 = Wanita menikah
Diketahui p = 4 pertanyaan , n1 = 30 pria dan n 2 = 30 wanita
Dari informasi tersebut, akan dilakukan penelitian tentang cinta dan pernikahan oleh
seorang sosiolog. Diketahui pula :
6.833 6.633 0.606 0.262 0.066 0.161
7.033 7.000 0.262 0.637 0.173 0.143
x1    ,x   dan S 
3.967  2 4.000 pooled 0.066 0.173 0.810 0.029
     
4.700  4.533  0.161 0.143 0.029 0.306

Untuk keperluan pengujian, akan dihitung :

0.606 0.262 0.066 0.161 - 1 0 0
  1 1 0 0 
0.143  1 0 
CS pooledC '   0  1 1 0 
0.262 0.637 0.173 -1
0.066 0.173 0.810 0.029  0 1 - 1
 0 0  1 1   
 0.161 0.143 0.029 0.306  0 0 1
 0.719 - 0.268  0.125
- 0.268 1.101  0.751
 
- 0.125  0.751 1.058 
  0.200 
 1 1 0 0    0.167 
C ( x 1  x2 )   0  1 1 0      0.066
0.033
- 0.033  
 0 
0  1 1  
  0.200 
 0.167 
Sehingga diperoleh :
1
 0.719 - 0.268  0.125  0.167 
1
 1 1 
T 2   0.167  0.066 0.200   - 0.268 1.101  0.751  0.066
 30 30 
- 0.125  0.751 1.058   0.200 
 15(0.067)  1.005

Dan
(30  30  2)( 4  1)
c2  F3,56 (0.05)
30  30  4
 3.11(2.8)  8.7

Untuk pengujian yang pertama (keparalel an), dengan  = 0.05 , diperoleh T 2 = 1.005 < c 2 = 8.7
sehingga dapat disimpulka n bahwa H 01 diterima, sehingga profil - profil tersebut paralel.
Karena profil - profil tersebut paralel, maka dapat dilanjutka n untuk
pengujian selanjutny a. Besaran besaran yang diperlukan yaitu :

1 ' ( x1  x2 )  0.200  0.033  (0.033)  0.167  0.367

0.606 0.262 0.066 0.161 1
0.262 0.637 0.173 0.143 1
1 S pooled1 '  1 1 1 1   4.027
0.066 0.173 0.810 0.029 1
  
 0.161 0.143 0.029 0.306 1

2
 
 
 0.367 
T2    0.501
    4.027 
1 1
  30 30  
 

Dengan tar af signifikan si  = 0.05 diperoleh F1,58 (0.05)  4.0 . Karena T 2 = 0.501 < F1,58 (0.05) = 4.0 maka
kita tidak dapat menolak hipotesis bahwa profil - profil tersebut terjadi secara bersamaan (coinciden t).
Artinya respon dari pria dan wanita terhadap keempat pertanyaan tersebut dapat dikatakan sama.

Selanjutny a, pengujian yang ketiga tidak dapat dilakukan, karena pertanyaan 1 dan 2
diukur dengan skala 1 - 8 sementara pertanyaan 3 dan 4 diukur dengan skala 1 - 5
Two-Way Multivariate Analysis of
Variance

Misal terdapat sebanyak g level pada

faktor 1 dan terdapat sebanyak b level
pada faktor 2, serta observasi yang
independen sebanyak n yang diamati
pada setiap kombinasi level-level gb.
 X lkr adalah notasi dari observasi ke - r di level l
pada faktor 1 dan di level k pada faktor 2.
 Model dari univariat two - way adalah :
X lkr     1   k   lk  elkr
l  1,2,..., g
k  1,2,..., b
r  1,2,..., n
g b g
 Dimana       
l 1
l
k 1
k
l 1
lk  0 dan elkr ~ N (0,  2 )

  menunjukan keseluruha n level

  1 menunjukan fixed effect dari faktor 1
  k menunjukan fixed effect dari faktor 2
  lk ialah interaksi antara faktor 1 dan faktor 2

 Ekspektasi di level ke - l pada faktor 1 dan di level ke - k pada faktor 2 :

E ( X lkr )     1   k   lk
Tabel manova
 The Likelihood Ratio Test
 Perumusan Hipotesis
H 0 :  11   12  ...   gb  0 (tidak ada efek interaksi)
H1 : paling sedikit satu tanda " " tidak berlaku
 Besaran yang diperlukan | SSPres | dan | SSPint  SSPres |
 Statistik Uji
| SSPres |
 
| SSPint  SSPres |
 Tolak H 0 jika :
 p  1   g  1b  1 
  gbn  1   ln     (2g 1)( b 1) p ( )
 2 
 1     ( gb(n  1)  p  1) / 2
atau F      F ; 1 , 2
   (( g  1)(b  1)  p  1) / 2
dengan  1 | ( g  1)(b  1)  p | 1
 2  gb(n  1)  p  1
 Kesimpulan
Biasanya, test untuk interaksi dilakukan sebelum test untuk efek dari faktor yang utama. Bila terdapat efek dari
interaksi maka efek - efek dari faktor tid ak memiliki penafsiran yang jelas.Hal ini mengakibat kan tidak baik untuk
melakukan test multivaria te selanjutny a.
 Uji Efek Faktor 1
 Perumusan Hipotesis
H 0 :  1   2  ....   g  0 (tidak ada efek dari faktor 1)
H1 : paling sedikit satu tanda " " tidak berlaku
 Besaran yang diperlukan | SSPres | dan | SSPfac1  SSPres |
 Statistik Uji
| SSPres |
1 
| SSPfac1  SSPres |
 Tolak H 0 jika :
 p  1   g  1 
  gbn  1   ln  
1   2
( g 1) p ( )
 2
 1  1  ( gb(n  1)  p  1) / 2
atau F1      F ; 1 , 2

 1  (( g  1)  p  1 ) / 2
dengan  1 | ( g  1)  p | 1
 2  gb(n  1)  p  1
 Kesimpulan
 Uji Efek Faktor 2
 Perumusan Hipotesis
H 0 : 1   2  ....   g  0 (tidak ada efek dari faktor 2)
H 1 : paling sedikit satu tanda " " tidak berlaku
 Besaran yang diperlukan | SSPres | dan | SSPfac2  SSPres |
 Statistik Uji
| SSPres |
 2 
| SSPfac2  SSPres |
 Tolak H 0 jika :
 p  1  b  1
  gbn  1   ln 
2   2
( b 1 ) p (  )
 2 
 1   2  ( gb( n  1 )  p  1 ) / 2
atau F2      F ; 1 , 2
  2  (( b  1 )  p  1 ) / 2
dengan  1 | ( b  1 )  p | 1
 2  gb( n  1 )  p  1
 Kesimpulan
 Contoh 6.12
Kondisi yang optimum untuk meng-extruding film
plastik digunakan suatu teknik, yang disebut
Evolutionary Operation. Terdapat 3 variabel yaitu
x1=tear resistance, x2=gloss, x3=opacity. Telah
dilakukan pengukuran terhadap ke-3 variabel
tersebut, pengukuran dilakukan pada dua level di
setiap faktor, rate of extrusion dan ammount of
additive. Pengukuran dilakukan sebanyak n=5 kali
pada setiap kombinasi pada level setiap faktor.
Hasil pengukuran terdapat pada tabel berikut ini.
Tabel Data Plastic Film
Jawab:
Diketahui: g=2, b=2, n=5, p=3
 Faktor 1
g
SSPfac1   bn( xl  x )( xl  x )'
l 1

6 ,49 7 ,08 6 ,785

  
x1  9 ,57  , x 2  9 ,06 ,  x  9 ,315
3 ,79  4 ,08 3 ,935
6 ,49 6 ,785  0 ,295
( x1  x )  9 ,57  - 9 ,315   0 ,255 
3 ,79  3 ,935   0 ,145 
 0 ,087  0 ,075 0 ,0427 
( x1  x )( x1  x )'   0 ,075 0 ,065  0 ,036
 0 ,0427  0 ,036 0 ,021 
7 ,08 6 ,785  0 ,295 
( x 2  x )  9 ,06 - 9 ,315   0 ,255
4 ,08 3 ,935  0 ,145 
 0 ,087  0 ,075 0 ,0427 
( x 2  x )( x 2  x )'   0 ,075 0 ,065  0 ,036
 0 ,0427  0 ,036 0 ,021 

g
SSPfac1   bn( xl  x )( xl  x )'
l 1

 ( 5 x 2 )( x1  x )( x1  x )'.( x 2  x )( x 2  x )'
1,74  1,5 0 ,854 
  1,5 1,3  0 ,73
 0 ,85  0 ,72 0 ,42 
 Faktor 2
b
SSPfac2   gn( x k  x )( x k  x )'
l 1

6 ,59 6 ,98 6 ,785

  
x1   9 ,14  , x 2  9 ,49 ,  x  9 ,315
3 ,44 4 ,43 3 ,935
6 ,59 6 ,785   0 ,195  6 ,98 6 ,785  0 ,195 
( x1  x )   9 ,14  - 9 ,315    0 ,175  ( x 2  x )  9 ,49 - 9 ,315   0 ,175 
3 ,44 3 ,935   0 ,495 4 ,43 3 ,935 0 ,495
 0 ,038 0 ,0341 0 ,0965  0 ,038 0 ,0341 0 ,0965
( x1  x )( x1  x )'   0.0341 0 ,0306 0 ,0866 ( x 2  x )( x 2  x )'   0.0341 0 ,0306 0 ,0866
0 ,0965 0 ,0866 0 ,0245 0 ,0965 0 ,0866 0 ,0245

b
SSPfac2   gn( x k  x )( x k  x )'
l 1

 ( 5 x 2 )( x1  x )( x1  x )'.( x 2  x )( x 2  x )'
0 ,7605 0 ,6825 1,9305 
 0 ,6825 0 ,6125 1,7325 
1,9305 1,7325 4 ,9005
 Interaksi
g b
SSPint   n( xlk  xl  x k  x )( xlk  xl  x k  x )'
l 1 k 1

 6 ,3  6 ,68 6 ,88 7 ,28 6 ,785

x11  9 ,56 , x12  9 ,58 , x 21  8 ,72 , x 22   9 ,4  , x  9 ,315
3,74 3,84   3,14  3,02  3,935
maka ,
g b
SSPint   n( xlk  xl  x k  x )( xlk  xl  x k  x )'
l 1 k 1

 0 ,000025 0 ,000825 0 ,002225 

   
 5 40 ,000825 0 ,027225 0 ,073425 
 0 ,002225 0 ,073425 0 ,198025  
  
 0 ,0005 0 ,0165 0 ,00445
  0 ,0165 0 ,5445 1,4685 
0 ,00445 1,4685 3,9605 
 Residual
g b n
SSPres   ( xlkr  xlk )( xlkr  xlk )'
l 1 k 1 r 1
Dengan menggunaka n rumus ( xlkr  xlk )( xlkr  xlk )pada semua X lkr maka diperoleh :
 1,7640 0 ,0200  3,0700
SSPres   0 ,0200 2 ,2680  0 ,5520
 3 ,0700  0 ,5520 64 ,9240 

Sehingga , SSPcor  SSPfac1  SSPfac2  SSPint  SSPres

4 ,2655  0 ,7855  0 ,2395
  5 ,0885 1,9095 
 74 ,2055 
Tabel Manova
 Uji Untuk Interaksi
 Perumusan Hipotesis
H 0 :  11   12  ...   gb  0 (tidak ada efek dari interaksi faktor 1 dan faktor 2)
H 1 : paling sedikit satu tanda " " tidak berlaku
 Besaran yang diperlukan | SSPres |  275 ,7098
| SSPint  SSPres |  345 ,7906
 Statistik Uji
| SSPres | 275 ,7098
    0.7771
| SSPint  SSPres | 354 ,7906
 1     ( gb( n  1 )  p  1 ) / 2
Fint   

   (( g  1 )( b  1 )  p  1 ) / 2
 1  0 ,7771  ( 2( 2 )( 5  1 )  3  1 ) / 2
   1,34
 0 ,7771  (( 2  1 )( 2  1 )  3  1 ) / 2
 Kriteria Pengujian
tolak H 0 jika Fhit  Ftabel  F ; 1 , 2
 1 | ( g  1 )( b  1 )  p | 1 | ( 2  1 )( 2  1 )  3 | 1  3
 2  gb( n  1 )  p  1  2( 2 )( 5  1 )  3  1  14
Ftabel  F0 ,05 ;3 ,14  3 ,34
Karena Fhit  1,34  3 ,34  Ftabel berarti terima H 0
 Kesimpulan
Tidak ada pengaruh yang signifikan dari interaksi antara faktor 1 (change in rate of)
extrusion dan faktor 2 (Amount of additive) dalam proses extruding.
 Uji Untuk Faktor 1
 Perumusan Hipotesis
H 0 :  1   2  ....   g  0 (tidak ada efek dari faktor 1)
H 1 : paling sedikit satu tanda " " tidak berlaku
 Besaran yang diperlukan | SSPres |  275,7098
| SSPfac1  SSPres |  722,0212
 Statistik Uji
| SSPres | 275,7098
 1    0 ,3819
| SSPfac1  SSPres | 722,0212
 1   1  ( gb( n  1 )  p  1 ) / 2
Fhit   
    (| ( g  1 )  p | 1 ) / 2
 1 
 1  0 ,3819  ( 2( 2 )( 5  1 )  3  1 ) / 2
   7 ,551
 0 ,3819  (| ( 2  1 )  3 | 1 ) / 2
 Kriteria Pengujian
tolak H 0 jika Fhit  Ftabel  F ; 1 , 2
 1 | ( g  1 )  p | 1 | ( 2  1 )  3 | 1  3
 2  gb( n  1 )  p  1  2( 2 )( 5  1 )  3  1  14
Ftabel  F0,05;3,14  3 ,34
Karena Fhit  7 ,551  3 ,34  Ftabel berarti tolak H 0
 Kesimpulan
Terdapat pengaruh yang signifikan dari faktor 1 (change in rate of) extrusion.
 Uji untuk Faktor 2
 Perumusan Hipotesis
H 0 : 1   2  ....   g  0 (tidak ada efek dari faktor 2)
H1 : paling sedikit satu tanda " " tidak berlaku
 Besaran yang diperlukan | SSPres |  275,7098
| SSPfac2  SSPres |  527,1347
 Statistik Uji
| SSPres | 275,7098
 2    0,5230
| SSPfac1  SSPres | 610,443
 1   2  ( gb( n  1)  p  1) / 2
Fhit   

  2  (| (b  1)  p | 1) / 2
 1  0,5230  ( 2( 2)(5  1)  3  1) / 2
   4,26
 0,5230  (| ( 2  1)  3 | 1) / 2
 Kriteria Pengujian
tolak H 0 jika Fhit  Ftabel  F ; 1 , 2
 1 | (b  1)  p | 1 | (2  1)  3 | 1  3
 2  gb(n  1)  p  1  2( 2)(5  1)  3  1  14
Ftabel  F0,05;3,14  3,34
Karena Fhit  4,26  3,34  Ftabel berarti tolak H 0
 Kesimpulan
Terdapat pengaruh yang signifikan dari faktor 2 (ammount of additive) terhadap
proses extruding.