RANCANGAN PERCOBAAN (ANALISIS VARIAN)

Eksperimen (Percobaan)
Suatu kegiatan dikatakan sebagai eksperimen bila memenuhi
karakteristik berikut :
1. Merupakan kajian manipulasi (pengaturan) variabel independen
(variabel bebas)
2. Pengaruh (efek) manipulasi variabel independen terhadap satu
atau lebih variabel dependen (variabel terikat) diukur
3. Level (taraf) variabel independen yang dimanipulasi dikenakan
secara random pada unit percobaan
Contoh :

Suatu percobaan dilakukan untuk membuktikan adanya dugaan

bahwa rendemen pati pisang Ambon dipengaruhi oleh konsentrasi
larutan NaOH yang digunakan untuk ekstraksi. Untuk itu dilakukan
percobaan ekstraksi pisang Ambon dengan empat taraf konsentrasi
NaOH, yaitu 5, 10, 15 dan 20 persen. Percobaan dilakukan dengan
enam kali ulangan (replikasi) dan data rendmen yang diperoleh
disajikan pada Tabel 1.
 Konsentrasi NaOH (%)
5 10 15 20
Replikasi 7 12 14 19
8 17 18 25
15 13 19 22
11 18 17 23
9 19 16 18
10 15 18 20
Variabel independen : konsentrasi NaOH. Variabel independen sering
juga disebut sebagai perlakuan

Taraf/level variabel independen : 5%, 10%, 15% dan 20%

(jadi ada 4 taraf perlakuan)
Manipulasi variabel independen berupa penetapan empat taraf
perlakuan

Variabel dependen : rendemen pati pisang Ambon (%). Variabel

dependen sering juga disebut sebagai variabel respon

Unit percobaan : sesuatu yang dikenai perlakuan dalam percobaan.

Jadi, unit percobaannya adalah pisang Ambon
Hipotesis :

Ho : Konsentrasi NaOH tidak berpengaruh nyata (secara signifikan,

secara berarti) terhadap rendemen pati pisang Ambon

Ha : Konsentarasi NaOH berpengaruh nyata terhadap rendemen pati

pisang Ambon atau konsentrasi NaOH yang berbeda akan
memberikan hasil rendemen pati yang berbeda secara signifikan

Seperti halnya pada pengujian hipotesis, keputusan menerima atau

menolak hipotesis ditentukan oleh statistik uji yang dihitung dari data
sampel. Untuk analisis varian (ragam), statistik ujinya adalah statistik
F
Tiga prinsip analisis varian :
1. Randomisasi : proses pelekatan perlakuan ke unit percobaan
yang dilakukan secara acak (random)
2. Replikasi : pengulangan pemberian perlakuan yang sama
terhadap unit percobaan yang identik
3. Pengelompokan (blok) : suatu usaha untuk mendistribusikan
secara merata keragaman yang sudah diketahui tetapi
pengaruhnya tidak menjadi fokus perhatian dalam penelitian
Tiga jenis sumber keragaman :

1. Keragaman yang diketahui sumbernya dan pengaruhnya akan

diukur (perlakuan). Agar pengaruh keragaman ini tidak bias
(menjadi merata), maka dilakukan proses randomisasi yang
tepat
2. Keragaman yang diketahui sumbernya tetapi pengaruhnya tidak
ingin diketahui. Keragaman jenis ini diminimalkan pengaruhnya
dengan cara pengelompokan (percobaan kelompok/blok)
3. Keragaman yang tidak diketahui sumbernya dan pengaruhnya.
Keragaman ini diminimalkan pengaruhnya dengan cara
mengerjakan percobaan secara hati-hati, cermat, disiplin dan…
berdoa
 Konsentrasi NaOH (%)
5 10 15 20
Ulangan 7 12 14 19
8 17 18 25
15 13 19 22
11 18 17 23
9 19 16 18
10 15 18 20
Ti. 60 94 102 127 T.. = 383
Ni 6 6 6 6 N = 24
Yij2 640 1512 1750 2723  Yij2 = 6625
SS (sum square) total =   Yij2 – (T.. 2 / N)
= 6 625 – (383)2/24
= 512.96

SS perlakuan = ( Ti.2) / 6 – (T.. 2 / N)

= 1/6 (602 + 942 + 1022 + 1272) – (3832 / 24)
= 6 494.83 – 6 112.04
= 382.79

SS error = SS total – SS perlakuan

= 512.96 – 382.79
= 130.17
 Tabel analisis varian (ANOVA)

Sumber df SS MS F hitung
keragaman
Perlakuan 3 382.79 127.6 19.6

Error 20 130.17 6.5

Total 23 512.96
Keputusan :

Bandingkan nilai F hitung dengan F tabel (Tabel D, tabel distribusi F)

F tabel (, df perlakuan, db error)
Bila F hit > F tabel : tolak Ho
F hit < F tabel : terima Ho

Pada :
 = 5%; df perlakuan = 3 dan df error = 20 ……F tabel = 3.10
Karena F hit > F tabel maka tolak Ho
Ini berarti :
a. Konsentrasi NaOH berpengaruh nyata terhadap rendemen pati
pisang Ambon
b. Minimal ada satu pasang rata-rata rendemen yang berbeda secara
signifikan
Satu pasang yang mana ?

Rata-rata rendemen :
Konsentrasi NaOH (%) Rendemen (%)
5 10
10 15.67
15 17
20 21.17

Satu pasang ?
10 vs 15.67
10 vs 17
10 vs 21.17
15.67 vs 17
15.67 vs 21.17
17 vs 21.17
Uji Lanjut Setelah Analisis Varian

Tes Newman – Keuls

1. Susun k rata-rata perlakuan dari yang terkecil hingga yang
terbesar
10 15.67 17 21.17
2. Tuliskan MS error dari tabel analisis varian
MS error = 6.51
3. Hitung standard error dari rata-rata masing-masing perlakuan
(S y-bar i.) = (MS error / jumlah observasi)
= 6.51/6
4. Tuliskan nilai p = 2, 3, 4, ……..k pada  = 5% dari Studentized
Range Table dengan n2 = df error
p 2 3 4
2.95 3.58 3.96
5. Hitung Least Significant Ranges (LSR)
LSR = 1.042 x 2.95 = 3.0739
1.042 x 3.58 = 3.7304
1.042 x 3.96 = 4.1263

6. Lakukan perbandingan selisih rata-rata perlakuan dengan nilai LSR

Rata-rata terbesar – terkecil >< LSR pada p = k

Rata-rata terbesar - terkecil ke-2 >< LSR pada p = k – 1
Rata-rata terbesar – terkecil ke-3 >< LSR pada p = k-2
……………….dan seterusnya

Bila selisih dua rata-rata lebih besar dari nilai LSR nya, maka kedua
rata-rata tersebut berbeda secara signifikan dan sebaliknya bila LSR nya
yang lebih besar, maka dikatakan kedua rata-rata tersebut tidak berbeda
secara signifikan.
21.17 - 10 = 11.17 > 4.1263*
21.17 - 15.67 = 5.5 > 3.7304*
21.17 - 17 = 4.17 > 3.0739*

17 - 10 =7 > 3.7304*
17 - 15.67 = 1.33 < 3.0739

15.67 - 10 = 5.67 > 3.0739*

True experiment :

I. Experiment
a. Statement of problem
b. Choice of response variable
c. Selection of factor to be varied
d. Choice of levels of these factors (quantitative/qualitative)
e. How factor levels are to be combined

Design
a. Number of observations to be taken
b. Order of experimentation
c. Method of randomization to be used
d. Mathematical model to describe the experiment
e. Hypotheses to be tested
Analysis
a. Data collection and processing
b. Computation of test statistics
c. Interpretation of results for the experimenter
RANCANGAN PERCOBAAN KELOMPOK (BLOK)

Seorang manager perusahaan manufaktur ingin menguji umur pakai

empat merk ban. Pengujian dilakukan dengan memakai ban untuk
perjalanan sejauh 20 000 mil. Variabel respon yang diukur dalam
pengujian ini adalah berkurangnya ketebalan ban dalam satuan 0.001
inch. Hasil pengujian disjaikan pada tabel berikut :
Hasil pengukuran berkurangnya ketebalan ban (0.001 inch)

Mobil
I II III IV
Brand C(12) A(14) D(10) A(13)
A(17) A(13) C(11) D(9)
D(13) B(14) B(14) B(8)
D(11) C(12) B(13) C(9)
Tabel Anova

Sumber keragaman df SS MS F hit

Brand 3 30.69 10.2 2.43

Error 12 50.25 4.2

Total 15 80.94

F(0.05; 3,12) = 3.49

 Dengan percobaan kelompok (mobil = kelompok)

Mobil Brand Ti.

A B C D
I 17 14 12 13 56
II 14 14 12 11 51
III 13 13 10 11 47
IV 13 8 9 9 39
T.j 57 49 43 44 T.. = 193
Yij2 823 625 469 492  Yij2 = 2 409
Model matematik percobaan kelompok
Yij =  + i + j + ij ; i = 1, 2….n dan j = 1, 2,……k

SS total = Yij2 – T..2/N

= 2 409 – 1932 / 16
= 80.94
SS brand = (T.j2 )/n – T..2/N
= ¼(572 + 492 + 432 + 442) – 1932 / 16
= 30.69
SS mobil = (T.i2 )/k – T..2/N
= ¼(562 + 512 + 472 + 392) – 1932 /16
= 38.69
SS error = SS total – SS brand – SS mobil
= 80.94 – 30.69 – 38.69
= 11.56
Tabel ANOVA

Sumber keragaman df SS MS F hit

Brand 3 30.69 10.2 7.8**
Mobil 3 38.69 12.9 9.9**
Error 9 11.56 1.3
Total 15 80.94

F(0.05; 3, 9) = 3.86
F(0.01; 3, 9) = 6.99

H0 =  .1 = .2 = .3 = .4

RANCANGAN PERCOBAAN ACAK LENGKAP FAKTORIAL
*rancangan percobaan acak lengkap dengan dua faktor (perlakuan) atau
lebih

*Ciri percobaan faktorial : minimal terdapat dua perlakuan yang levelnya

saling dapat dikombinasikan. Ciri ini ditunjukkan dengan adanya notasi
interaksi pada model matematiknya.

Yijk =  + Ai + Bj + ABij + k(ij)

Rancangan percobaan acak lengkap faktorial

Rancangan percobaan kelompok (blok) faktorial
Rancangan percobaan tersarang (nested) faktorial
Contoh faktor-faktor yang levelnya dapadt dikombinasikan :
1. Pada percobaan pemucatan minyak (bleaching) dengan dua
perlakuan, yaitu konsentrasi arang aktif (Ai) dan lama pemanasan
minyak (Bj)
A1 = 1%
A2 = 2%
A3 = 3%

B1 = 15 menit
B2 = 20 menit
B3 = 25 menit

Kombinasi antar level :

A1B1, A1B2, A1B3 ……………………..A3B3
2. Percobaan penanganan limbah asam pada industri penyamakan kulit
dengan perlakuan jenis koagulan (Ai) dan konsentrasi flokulan PAC (Bj)

A1 = Al2(SO4)3 200 ppm

A2 = FeCl3 200 ppm
A3 – Fe2(SO4)3 200 ppm

B1 = 1 ppm
B2 = 2 ppm
B3 = 3 ppm

Kombinasi levelnya :
A1B1, A1B2, A1B3,……………….A3B3
Contoh perhitungan :

Suatu penelitian dilakukan untuk melihat pengaruh index exhaust

(dalam satuan detik) dan voltase pemanas pompa (dalam satuan volt)
pada proses pembuatan tabung vakum terhadap tekanan dalam tabung
vakum (dalam satuan mikron Hg). Dalam penelitian ini level index
exhaust ditetapkan sebanyak tiga, yaitu 60, 90 dan 150 detik,
sedangkan level voltase ditetapkan sebanyak dua, yaitu 127 dan 220
volt. Replikasi dilakukan sebanyak dua kali. Hasil pengukuran tekanan
dalam tabung vakum disajikan pada tabel berikut :
Hasil pengukuran tekanan dalam tabung (mikron Hg)

Volatse (Vj) Index exhaust (Ei) T.j.

60 90 150
127 48 28 7
58 33 15
106 61 22 189
220 62 14 9
54 10 6
116 24 15 155
Ti.. 222 85 37 344
Model matematiknya :
Yijk =  + Ei + Vj + Evij + k(ij)

SS total = Yijk2 – T…2/N

= (482 + 282 + 72 + …………+ 62) – 3442/12
= 5 126.67
SS Ei = (Ti..2)/jk - T…2/N
= ¼(2222 + 852 + 372) - 3442/12
= 4 608.17
SS Vj = (T.j.2)/ik - T…2/N
= 1/6(1892 + 1552) - 3442/12
= 96.33
SS EVij = Tij.2 – SS Ei – SS Vj – T…2/N
= ½ (1062+612+ 22+1162+242+152) – 4 608.17 – 96.33 – (3442)/12
= 283.17

SS k(ij) = SS total – SS Ei – SS Vj – SS Evij

= 5 126.67 – 4 608.17 – 96.33 – 283.17
= 139.00
Sumber keragaman df SS MS F hit

Index exhaust (Ei) 2 4 608.17 2 304.08 99.4

Voltase (Vj) 1 96.33 96.33 4.16
Interaksi EVij 2 283.17 141.58 6.1
Ek (ij) 6 139.00 23.17
Total 11 5 126.67

F(0.01; 2, 6) = 10.9
F(0.05; 2, 6) = 5.14
F(0.05; 1, 6) = 5.99
Tes Newman – Keuls
1. Susun k rata-rata perlakuan dari yang terkecil – terbesar
E3V2 E3V1 E2V2 E2V1 E1V1 E1V2
7.5 11 12 30.5 53 58
2. Tulis MS error dari tabel ANOVA
MS error = 23.17
3. Hitung standar error dari rata-rata perlakuan
Standar error = (MS error / jumlah observasi)
= (23.17/2)
= 3.40
4. Ambil nilai p = 2, 3, 4,….k pada  = 5% dari Studentized Range Table
dengan n2 = 6

p 2 3 4 5 6
3.46 4.34 4.90 5.31 5.63
5. Hitung Least Significant Ranges (LSR)
LSR 11.76 14.76 16.66 18.05 19.14

6. Buat perbandingan selisih rata-rata perlakuan dengan nilai LSR

E1V2 - E3V2 = 58 – 7.5 = 50.5 > 19.14*

- E3V1 = 58 – 11 = 47 > 18.05*
- E2V2 = 58 – 12 = 46 > 16.66*
- E2V1 = 58 – 30.5 = 27.5 > 14.76*
- E1V1 = 58 – 53 =5 < 11.76

E1V1 – E3V2 = 53 – 7.5 = 45.5 > 18.05*

- E3V1 = 53 – 11 = 42 > 16.66*
- E2V2 = 53 – 12 = 41 > 14.76*
- E2V1 = 53 – 30.5 = 22.5 > 11.76*
E2V1 – E3V2 = 30.5 – 7.5 = 23 > 16.66*
- E3V1 = 30.5 – 11 = 19.5 > 14.76*
- E2V2 = 30.5 – 12 = 18.5 > 11.76*

E2V2 – E3V2 = 12 – 7.5 = 4.5 < 14.76

- E3V1 = 12 – 11 =1 < 11.76

E3V1 – E3V2 = 11 – 7.5 = 3.5 < 11.76

Ikhtisar hasil perbandingan :

7.5 ; 11 ; 12 30.5 53 ; 58
Interpretasi :
Bila pengaruh interaksi dua perlakuan signifikan :
1. Pengaruh faktor tunggal menjadi tidak relevan
2. Pengaruh suayu faktor terhadap variabel respon berbeda pada tiap
level faktor lainnya (pengaruh exhaust index terhadap tekanan
dalam tabung pada voltase 127 volt berbeda dengan pada volatse
220 volt atau secara grafis dapat dilihat adanya pola yang tidak
paralel)

Index exhaust
60 90 150
Voltase
127 53 30.5 11

220 58 12 7.5
Bila dilihat pengaruh faktor tunggalnya :

Rata-rata pengaruh exhaust index :

60 detik 55.5
90 detik 21.25
150 detik 9.25
Semakin besar ezhaust index, tekanan semakin kecil

Rata-rata pengaruh voltase :

127 volt 31.5
220 volt 25.8
Semakin besar voltase, tekanan semakin kecil (ini tidak benar, lihat
data interaksi)
Pilihan kombinasi perlakuan terbaik :

7.5 (E3V2) ; 11 (E3V1) ; 12 (E2V2) 30.5 53 ; 58

1. Exhaust index 150 detik dengan voltase 127 atau 220 volt
2. Exhaust index 90 detik dengan voltase 220 volt
RANCANGAN PERCOBAAN TERSARANG :

Pada suatu pabrik katoda gelas, seorang insinyur (manager QA) ingin
melihat “strain reading” dari katoda gelas yang dihasilkan oleh lima
mesin yang berbeda. Setiap mesin dilengkapi dengan empat “head”
yang berbeda. “Head” adalah bagian dari mesin tempat katoda gelas
dibentuk. Dalam percobaan ini, replikai ditetapkan sebanyak empat
kali dan data yang diperoleh adalah sebagai berikut :
Tabel hasil pembacaan “strain reading”
Mesin/head
A 1 6 2 0 8 16 93
2 13 3 9 8 33
3 1 10 0 6 17
4 7 4 7 9 27
B 1 10 9 7 12 38 81
2 2 1 1 10 14
3 4 1 7 9 21
4 0 3 4 1 8
C 1 0 0 5 5 10 82
2 10 11 6 7 34
3 8 5 0 7 20
4 7 2 5 4 18
D 1 11 0 6 4 21 88
2 5 10 8 3 26
3 1 8 9 4 22
4 0 8 6 5 19
E 1 1 4 7 9 21 58
2 6 7 0 3 16
3 3 0 2 2 7
4 3 7 4 0 14

402
Bila randomisasi dilakukan dengan acak lengkap, maka diperoleh

Sumber keragaman df SS MS F hit

Mi 4 45.08 11.27 1.05
Hj 3 46.45 15.48 1.45
MHij 12 236.42 19.70 1.84
k(ij) 60 642.00 10.70
Total 79 969.95

F(0.10; 4, 60) = 2.04

F(0.10; 3, 60) = 2.18
F(0.10; 12, 60) = 1.66
Apakah benar level mesin dan level head dapat dikombinasikan ?
Apakah head pada perlakuan M1H1 = Head pada M2H1 ?

Head unik untuk setiap mesin !……….head tersarang pada mesin dan
percobaannya disebut percobaan tersarang (nested)

Model matematik percobaan tersarang :

Yijk =  + Mi + Hj(i) + k(ij)
SS total = (62 + 22 + ………..+ 42 + 02) – 4022/80
= 969.95
SS Mi = 1/16(932 + 812 + 822 + 882 + 582) - 4022/80
SS Hj(i) : = 282.87
SS Hj(i) mesin A = ¼(162 + 332 + 172 + 272) – 932/16 = 50.19
SS Hj(i) mesin B = ¼(382 + 142 + 212 + 82) – 812/16 = 126.18
SS Hj(i) mesin C = ¼(102 + 342 + 202 + 182) – 822/16 = 74.75
SS Hj(i) mesin D = ¼(212 + 262 + 222 + 192) – 882/16 = 6.50
SS Hj(i) mesin E = ¼(212 + 162 + 72 + 142) – 582/16 = 25.25
SS error = SS total – SS Mi – SS Hj(i)
= 969.95 – 45.08 – 383.87
= 642.00
Sumber keragaman df SS MS F hit F tab
M(i) 4 45.08 11.27 <1 2.36
Hj(i) 15 282.87 18.85 1.76* 1.60
k(ij) 60 642.00 10.70
Total 79 969.95

Sumber keragaman df SS MS F hit F tab

M(i) 4 45.08 11.27 <1 2.36
Hj(i) 15 282.87 18.85 1.76 1.60
Hj(A) 3 50.19 16.73 1.56 2.18
Hj(B) 3 126.18 42.06 3.93* 2.18
Hj © 3 74.75 24.92 2.33* 2.18
Hj(D) 3 6.50 2.17 0.20 2.18
Hj(E) 3 25.25 8.42 0.79 2.18
k(ij) 60 642.00 10.70
Total 79 969.95
Tes Newman – Keuls
Mesin B
Rata-rata head 2.00 3.50 5.25 9.50
Head nomor 4 2 3 1

Standar error = (10.70/4) = 1.64

p 2 3 4
2.83 3.40 3.74
LSR 4.64 5.58 6.13

2.00 3.50 5.25 9.50

RANCANGAN PERCOBAAN SPLIT-PLOT

Suatu komponen elektrik diduga dipengaruhi oleh temperatur oven (T)

dan baking time (B). Oleh karena itu, dilakukan percobaan dengan
empat level temperatur, yaitu 580, 600, 620, 640oF dan tiga level baking
time, yaitu 5, 10 dan 15 menit. Replikasi ditetapkan sebanyak tiga kali
dan variabel respon yang diukur adalah umur komponen elektrik. Hasil
pengukuran umur komponen elektrik adalah sebagai berikut :
Baking time (B) Temperatur (T)
580 600 620 640
5 217 158 229 223
188 126 160 201
162 122 167 182
10 233 138 186 227
201 130 170 181
170 185 181 201
15 175 152 155 156
195 147 161 172
213 180 182 199
Bagaimana proses randomisasinya ?
Acak lengkap faktorial :
1. T1B1R1
2. T4B3R2
3. T4B1R2
4. T2B2R1
…..
..
..
36. T3B2R1
Jadi, penelitian memerlukan 36 kali pengaturan temperatur oven (tidak
efisien !)
Tabel ANOVA

Sumber keragaman df SS MS F hit

Ti 3 12 494 4 165 7.3**
Bj 2 566 283 <1
BTij 6 2 601 434 <1
k(ij) 24 13 670 570
Total 35 29 331
Dalam percobaan split-plot, randomisasi dilakukan secara bertahap
Tahap 1.
36 unit percobaan dibagi menjadi 3 bagian @ 12 u.p. dan diacak
12 u.p. untuk R1
12 u.p. untuk R2
12 u.p. untuk R3
Tahap 2.
Masing-masing 12 unit percobaan diambil secara acak
12 u.p. untuk R1…………..3 u.p. untuk T1
………….. 3 u.p. untuk T2
………….. 3 u.p. untuk T3
………….. 3 u.p. untuk T4
Tahap 3.
Masing-masing 3 unit percobaan diambil secara acak
3 u.p. untuk T1 ………….. 1 u.p. untuk B1
………….. 1 u.p. untuk B2
………….. 1 u.p. untuk B3
Replikasi Baking time Temperatur oven
580 600 620 640
I 5 217 158 229 223
10 233 138 186 227
15 175 152 155 156
II 5 188 126 160 201
10 201 130 170 181
15 195 147 161 172
III 5 162 122 167 182
10 170 185 181 201
15 213 180 182 199
Model matematik percobaan split-plot
Yijk =  + Ri + Tj + Rtij + Bk + Rbik + TBjk + RTBijk
whole plot split plot
Rtiji = whole-plot error
RTBijk = split-plot error

Sumber keragaman df SS MS EMS

Ri 2 1 963 982 2 + 122R
Tj 3 12 494 4 165 2 + 32 RT + 9T
RTij 6 1 774 296 2 + 32RT
--------------------------------------------------------------------------------------------
Bk 2 566 283 2 + 42RB + 12B
RBik 4 7 021 1 755 2 + 42RB
TBjk 6 2 601 434 2 + 2RTB + 3TB
RTBijk 12 2 912 243 2 + 2RTB
F hit Tj = 4 165/296 = 14.1**
F hit Bk = 283/1755 = 0.16
F hit TBjk = 434/243 = 1.79
FIXED, RANDOM AND MIXED MODELS

Model matematik Cara pemilihan level

1. Fixed (tetap) Ditetapkan
2. Random Dipilih secara random
3. Mixed (campuran) Sebagian dipilih secara random dan sebagian
ditetapkan

Fixed model Random model

1. Asumsi : 1. Asumsi
j = (.j - ) = 0 j  NID (0, 2 )
2  = varian diantara j
2. Ho : j = 0 Ho : 2  = 0
Pada semua model :
 diasumsikan fixed constant
 diasumsikan NID (0, 2 )
EMS (expected mean square) rules

Penentuan EMS mengikuti aturan berikut (digunakan contoh percobaan

dua faktor; level Ai fixed, level Bj dipilih secara random, banyak
replikasi k)
Model matematik : Yijk =  + Ai + Bj + ABij + k(ij)
1. Write the variable terms in the model as row headings in a two-way
table
-------------------------------
Ai
Bj
ABij
k(ij)
----------------------------------
2. Write the subscripts in the model as column headings; over each
subscript write F if the factor levels are fixed, R if random. Also write
the number of observations each subscript is to cover
------------------------------------------
a b n
F R R
I j k
----------------------------------------
Ai
Bj
ABij
k(ij)
----------------------------------------
3. For each row, copy the number of observations under each
subscript, providing the subscript does not appear in the row heading

------------------------------------------
a b n
F R R
i j k
----------------------------------------
Ai b n
Bj a n
ABij n
k(ij)
----------------------------------------
4. For any bracketed subscript in the model, place a 1 under those
subscripts that are inside the brackets
------------------------------------------
a b n
F R R
i j k
----------------------------------------
Ai b n
Bj a n
ABij n
k(ij) 1 1
----------------------------------------
5. Fill the remaining cells with a 0 or a 1, depending upon whether the
subscripts represents a fixed F or a random R factor
------------------------------------------
a b n
F R R
i j k
----------------------------------------
Ai 0 b n
Bj a 1 n
ABij 0 1 n
k(ij) 1 1 1
---------------------------------------
6. Cover the entries in the column (or columns) that contain non-
bracketed subscript letters in this term in the model (for Ai, cover
column Ai, for k(ij) cover column k).
Multiply the remaining numbers in each row. Each of these products is
the coefficient of its corresponding term in the model, provided the
subscript on the term is also a subscript on the term whose expected
mean square is being determined. The sum of these coefficients
multiplied by the variance of their corresponding terms (, 2 ) is the
EMS of the term being considered (for example : for Ai, cover column i).
The products of remaining coefficients are bn, n, n and 1, but the first n
is not used as there is no I in its term (Bj). The resulting EMS is then
bn A + n 2 AB + 1 2 .
------------------------------------------------------------------------------------------------
a b n
F R R
i j k EMS
------------------------------------------------------------------------------------------------
Ai 0 b n 2  + n 2 AB + nbA
Bj a 1 n 2  + na 2 B
ABij 0 1 n 2  + n 2 AB
k(ij) 1 1 1 2 
------------------------------------------------------------------------------------------------
F hit Ai = EMS Ai / EMS ABij
F hit Bj = EMS Bj / EMS k(ij)
F hit ABij = EMS ABij /EMS k(ij)