MANCOVA

(Multivariate Analysis of Covariance 

Dosen Pengampu : Dr. Putri Yuanita M. Ed.

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

Pada dasarnya, uji MANCOVA memiliki banyak persamaan dengan uji

Multivariate Analysis of Variance (MANOVA) dan Analysis of Covariance
(ANCOVA), perbedaannya yaitu ANCOVA menggunakan variabel skalar sedangkan
MANCOVA menggunakan variabel vektor.
 Tujuan Penggunaan MANCOVA

Adapun tujuan dari penggunaan MANCOVA yaitu :

O Membandingkan perbedaan antargrup.

O Memberikan parsimony model. Model yang paling sederhana dengan

menggunakan sedikit asumsi dan sedikit variable akan tetapi memberikan penjelasan
yang sangat kuat.

O Rank predictor variable by discriminant effect. Untuk mengidentifikasi variable

independen dengan perbedaan nilai pada sekumpulan variabel dependen.
 Koefisien Utama dalam GLM Multivariate

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.

7. OK dan Lihat Hasilnya pada Jendela

Output.
8. Tekan Tombol Options, maka akan muncul jendela seperti di bawah ini: Lalu
masukkan GPS ke kotak Display Means for. Centang Descriptive Statistics,
Observed Power, SSCP Matrices, Residual SSCP matrix dan Homogenity test.
Biarkan Significance Level 0,05. Klik Continue.
Interpretasi:

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

.654 6.624b 2.000 25.000 .005 13.248 .875

Wilks' Lambda
Intercept
.530 6.624b 2.000 25.000 .005 13.248 .875
Hotelling's Trace

.530 6.624b 2.000 25.000 .005 13.248 .875

Roy's Largest Root

.047 .614b 2.000 25.000 .549 1.227 .141

Pillai's Trace

.953 .614b 2.000 25.000 .549 1.227 .141

Wilks' Lambda
GPS
.049 .614b 2.000 25.000 .549 1.227 .141
Hotelling's Trace

.049 .614b 2.000 25.000 .549 1.227 .141

Roy's Largest Root

.264 4.490b 2.000 25.000 .022 8.981 .715

Pillai's Trace

.736 4.490b 2.000 25.000 .022 8.981 .715

Wilks' Lambda
X
.359 4.490b 2.000 25.000 .022 8.981 .715
Hotelling's Trace

.359 4.490b 2.000 25.000 .022 8.981 .715

Roy's Largest Root

a. Design: Intercept + GPS + X

b. Exact statistic
c. Computed using alpha = ,05
 Levene's Test of Equality of Error Variancesa
  F df1 df2 Sig.
Y1 .042 1 27 .839
Y2 .957 1 27 .337
Tests the null hypothesis that the error variance of the
dependent variable is equal across groups.
a. Design: Intercept + GPS + X
 Tests of Between-Subjects Effects
Source Dependent Type III Sum df Mean F Sig. Noncent. Observed
Variable of Squares Square Parameter Powerc
Y1 72.838a 2 36.419 3.798 .036 7.596 .639
Corrected Model
Y2 50.420b 2 25.210 1.293 .291 2.587 .255
Y1 48.903 1 48.903 5.100 .033 5.100 .585
Intercept
Y2 188.823 1 188.823 9.687 .004 9.687 .850
Y1 1.798 1 1.798 .187 .669 .187 .070
GPS
Y2 22.482 1 22.482 1.153 .293 1.153 .179
Y1 66.848 1 66.848 6.972 .014 6.972 .720
X
Y2 34.436 1 34.436 1.767 .195 1.767 .249
Y1 249.300 26 9.588        
Error
Y2 506.821 26 19.493        
Y1 4619.000 29          
Total
Y2 1789.000 29          
Y1 322.138 28          
Corrected Total
Y2 557.241 28          
a. R Squared = .226 (Adjusted R Squared = .167)
b. R Squared = .090 (Adjusted R Squared = .021)
c. Computed using alpha = ,05
Interpretasi untuk Partial Eta Square dan Observed Power

Untuk variabel X: Nilai Partial Eta Square untuk Y1 adalah

sebesar 0,211 menunjukkan bahwa efek sample size cukup besar,
hal ini dapat juga dilihat pada nilai observed power 0,72 yang
mendekati nilai 0,8.

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

MANCOVA mirip dengan MANOVA tetapi variabel

independen yang berskala continuos/matriks ditambahkan
sebagai covariate. Covariate ini dapat lebih dari satu variabel
covariate. Covariate-covariate ini dapat dilihat sebagai
tambahan variabel predictor atau sebagai variabel kontrol
untuk variabel independen, yang bertujuan untuk
menurunkan error term dalam model.