Kelompok 7 :
Magdalia F.M. Sitanggang
Nesa Mawaddah
Sri Intan Retno Dewi
Yasvialan Arianta
Pengertian MANCOVA
Multivariate Analysis of Covariance adalah analisis kovarian di mana setidaknya ada dua variabel
dependen yang diukur secara simultan untuk menguji apakah terdapat perbedaan perlakuan terhadap
sekelompok variabel dependen setelah disesuaikan dengan pengaruh variabel konkomitan (kendali)
(Raykov & Marcoulides, 2008: 192).
MANCOVA merupakan perpaduan dari ANCOVA dan MANOVA yang memungkinkan peneliti
untuk mengendalikan pengaruh dari satu atau lebih kovariat (Salkind, 2010 : 861).
Perbedaan MANCOVA
1. F-Test
Uji signifikan model yang biasa digunakan adalah dengan menggunakan uji F. berikut di
bawah ini akan didiskusikan univariate analysis untuk between-subject effect. Nilai F adalah
rasio mean square between group (numerator) dengan mean square within group
(denominator), dimana grup-grup dibentuk oleh beberapa faktor.
2. T-Test
Estimasi parameter adalah dengan menggunakan t-test untuk koefisien b, seperti halnya
regresi OLS (ordinary least square), yang menyediakan uji perbedaan signifikan untuk masing-
masing variabel predictor.
Koefisien Utama dalam GLM Multivariate
3. Partial Eta-Square
Partial Eta-Square digunakan untuk mengukur effect size. Partial eta-square bernilai 1 berarti
mempunyai efek maksimum, apabila bernilai 0,00 berarti tidak mempunyai efek serta mendekati 0,0
berarti variabel kurang memberikan kontribusi pada model. Partial Eta-Square untuk non linier
analog dengan R-square pada regresi menggunakan interpretasi yang sama. Partial Eta-Square
adalah fungsi dari perhitungan variasi untuk efek tertentu dibagi dengan sum of between-group
variation untuk efek ditambah residual within-group variation (eror).
4. R-Square
R-Square dan adjusted R-square untuk model bukan satu nilai-nilai dari regresi OLS dan bukan
juga rata-rata estimasi OLS untuk masing-masing variabel dependen.
Koefisien Utama dalam GLM Multivariate
5. Omega Square
Omega Square disebut Hays’ omega-square atau “koefisien determinan” adalah proporsi varians
dalam variabel dependen yang dapat dijelaskan oleh varians variabel independen., penyesuaian bias
dan penafsiran dianalogkan dengan adjusted R-square. Penyesuaian effect size mencoba untuk
memperbaiki bias yang mungkin timbul dari ukuran sampel yang kecil memiliki sejumlah besar
variabel, dan/atau memperkirakan ukuran efek populasi kecil. Omega-square tersedia pada SPSS
dalam syntax yang menggunakan prosedur MANOVA tetapi tidak tersedia di GLM yang menggunakan
multivariate modul menu. Omega-square digunakan untuk mengukur besarnya efek yang diberikan
factor independen.
Contoh Uji MANCOVA dalam SPSS
No GPS X Y1 Y2 No GPS X Y1 Y2
1. 1 12 13 3 16. 2 9 7 3
2. 1 10 6 5 17. 2 16 13 5
3. 1 11 17 2 18. 2 11 14 5
4. 1 14 14 8 19. 2 8 13 18
5. 1 13 12 6 20. 2 10 11 12
6. 1 10 6 8 21. 2 7 15 9
7. 1 8 12 3 22. 2 16 17 4
8. 1 8 6 12 23. 2 9 9 6
9. 1 12 12 7 24. 2 10 8 4
10. 1 10 12 8 25 2 8 10 1
11. 1 12 13 2 26. 2 16 16 3
12. 1 7 14 10 27. 2 12 12 17
13. 1 12 16 1 28. 2 15 14 4
14. 1 9 9 2 29. 2 12 18 11
15. 1 12 14 10
Contoh Uji MANCOVA dalam SPSS
Langkah-langkah :
1. Buka aplikasi SPSS
2. Copy-paste data ke dalam SPSS
3. Buat 3 variabel dengan identifikasi seperti di atas, akan tampak sebagai berikut
Contoh Uji MANCOVA dalam SPSS
4. Pada Menu SPSS, Klik Analyze, General Linear Model, Multivariate. Maka akan tampak
jendela seperti di bawah ini: Lalu masukkan Y1 dan Y2 ke dalam kotak Dependent Variables,
masukkan GPS ke kotak Fixed factor(s) dan masukkan X ke dalam kotak Covariate(s). Klik
Continue.
Contoh Uji MANCOVA dalam SPSS
5. Tekan Tombol Model: Akan tampak jendela seperti di bawah ini: Anda bisa membiarkan
pilihan Specify model tetap pada Full Factorial atau mengubahnya ke Custom. Dalam hal ini,
contoh kita ubah ke Custom, ubah Type Build terms ke Main Effects, lalu masukkan Factor
GPS dan X ke kotak Model. Biarkan Type pada Type III. Klik Continue.
Contoh Uji MANCOVA dalam SPSS
6. Tekan Tombol Options, maka akan muncul jendela seperti di bawah ini: Lalu masukkan GPS
ke kotak Display Means for. Centang Descriptive Statistics, Observed Power dan
Homogenity test. Biarkan Significance Level 0,05. Klik Continue.
Multivariat:
Berdasarkan nilai-nilai signifikan P dari perhitungan Pillais,
Hotteleing, Wilks dan Roy yang menunjukkan nilai P = 0,549, ini
menunjukkan bahwa variabel Y1 dan Y2 tidak ada perbedaan pada
level grup GPS1 dan GPS2.
Univariat:
Sama seperti hasil univariat, tidak ada satu nilai yang dapat
menujukkan adanya perbedaan rata-rata pada variabel Y1 dan Y2
dikarenakan adanya grup GPS1 dan GPS2.
Adapun output menggunakan menu SPSS
Descriptive Statistics
General Linear Model GPS Mean Std. N
Between-Subjects Deviation
Factors
1 11.73 3.494 15
N
Y1 2 12.64 3.342 14
1 15
GPS Total 12.17 3.392 29
2 14
1 5.80 3.509 15
Y2 2 7.29 5.327 14
Total 6.52 4.461 29
Box's Test of Equality of Covariance Matricesa
Box's M 4.296
F 1.317
df1 3
df2 158539.308
Sig. .267
Tests the null hypothesis that the observed
covariance matrices of the dependent variables are
equal across groups.
a. Design: Intercept + GPS + X
Multivariate Testsa
Effect Value F Hypothesis df Error df Sig. Noncent. Observed
Parameter Powerc
.346 6.624b 2.000 25.000 .005 13.248 .875
Pillai's Trace
Nilai partial eta square untuk Y2 adalah 0,064 mendekati nilai nol
menunjukkan bahwa efek sample size cukup kecil sehingga
observed powernya juga kecil..
Between-Subjects SSCP Matrix
Y1 Y2
Y1 48.903 96.094
Intercept
Y2 96.094 188.823
Y1 1.798 6.357
Hypothesis GPS
Y2 6.357 22.482
Y1 66.848 -47.979
X
Y2 -47.979 34.436
Y1 249.300 27.608
Error
Y2 27.608 506.821
Based on Type III Sum of Squares
Residual SSCP Matrix
Y1 Y2
249.300 27.608
Y1
Sum-of-Squares and Cross-
Products 27.608 506.821
Y2
Y1 9.588 1.062
Covariance
Y2 1.062 19.493
Y1 1.000 .078
Correlation
Y2 .078 1.000
Based on Type III Sum of Squares
Estimated Marginal Means
GPS
Dependent GPS Mean Std. Error 95% Confidence
Variable Interval
Lower Upper
Bound Bound
1 11.930a .803 10.279 13.580
Y1
2 12.432a .831 10.723 14.141
1 5.659a 1.145 3.306 8.012
Y2
2 7.437a 1.185 5.000 9.873
a. Covariates appearing in the model are evaluated at the following
values: X = 11.00.
KESIMPULAN