3. Review Univariat Anova
1. Sampel dari populasi diambil secara acak
dan independen
2. Populasi berdistribusi normal
3. Populasi memiliki varians yang sama
Jika sampel pengamatan n dan populasi normal k,
maka
Model
π¦_ππ=Β΅+Ξ±_π+Ξ΅_ππ
i= 1, 2, β¦ , k
J= 1, 2, β¦ , n
3
Sampel 1 Sampel 2 β¦β¦β¦ Sampel k
π¦11 π¦21 β¦ π¦ π1
π¦12 π¦22 β¦ π¦ π2
β¦. β¦. β¦.
π¦1π π¦2π β¦ π¦ ππ
π¦1. π¦2. β¦ π¦ π.
Θ³1. Θ³2.. β¦. Θ³ π.
π 1
2
π 2
2
β¦ π π
2
Total
Mean
Varians
4. Dari tabel tersebut dapat diperoleh model
yij = Β΅ + Ξ±i + Ξ΅ij
Jika ditulis dalam matriks maka m x n, maka
matriks . observations = [Θ³] + [Θ³i. - Θ³] + [yij- Θ³i.] 4
Rata-Rata
Keseluruhan
Θ³
Treatment Effect
Θ³i. - Θ³
Residual / Error
yij- Θ³i.
5. Contoh (from Johnson and Wichern 6th edition,
pages : 298 )
Example 6.7 ( The Sum of Squares
decomposition for univariate anova)
Populasi 1 = 9, 6, 9
Populasi 2 = 0, 2
Populasi 3 = 3, 1, 2
Jika dittulis dalam matriks maka
5
Rata-Rata Keseluruhan Θ³=
9+6+9..+2
8
= 4
9 6 9
0 2 .
3 1 2
=
4 4 4
4 4 .
4 4 4
+
4 4 4
β3 β3 .
β2 β2 β2
+
1 β2 1
β1 1 .
1 β1 0
Observasi Rata-rata overall Treatment Effect Error
6. Uji Hipotesis Univariate Anova
Jika semua yij berasal dari populasi yang sama, maka kita dapat mengestimasi Ο2, dengan 2
cara
1. Berdasarkan sampel varians s1
2, s2
2,β¦β¦, sk
2
Se2 =
1
π π=1
π
π π
2 =
π=1
π
. π=1
π
(π¦ ππβΘ³ π.)^π
π(πβ1)
=
ππ π¦ ππ
2β π
π¦ π
2
π
π(πβ1)
2. Berdasarkan rata-rata sampel y1, y2,β¦β¦, yk
Sy2= π=1
π
(Θ³ π.βΘ³..)2
πβ1
,
Jika gagal tolak Ho , maka sy
2 Οy
2 = Ο2/n, dan n E(nπ Θ³
2
) = n (Ο2/n)= Ο2
Jika tolak Ho maka E(nπ Θ³
2
) = Ο2 + n π
πΌ π
2
πβ1
kj
6
E(π π
2
) = Ο2
7. 7
Jika nsy
2 dan se
2 adalah estimasi Ο2 yang independen, maka F Statistiknya
F =
ππ π¦
2
π π
2 =
( π π¦ π.
2
π
β
π¦..
2
ππ
)/ππ
( ππ π¦ ππ
2β π π¦ π
2
π
)/[π πβ1 ]
=
πππ»
(πβ1)
πππΈ
[π πβ1 ]
=
πππ»
πππΈ
, Tolak Ho saat F > Fk-1,k(n-1)
β¦β¦.
Tabel. Anova untuk membandingkan rata-rata populasi
Sumber Varians Jumlah Kuadrat Derajat Kebebasan
Treatment
(between)
SSH = π
π¦ π.
2
π
β
π¦..
2
ππ
SSH = π(
π¦ π.
2
π π
)-
π¦ π.
2
π
k-1
Residual (Within) SSE = ππ π¦ππ
2
- π
π¦ π.
2
π
SSE = ππ(π¦ππ
2
)- π(
π¦ π.
2
π π
)
k(n-1) atau π(ππ β 1)
Total SST = ππ(π¦ππ β Θ³π)
8. 8
Menggunakan data contoh 6.7 (pages 298)
π» π: Β΅1 = Β΅2 = Β΅3
Statistik Hitung
F=
πππ»
(πβ1)
πππΈ
[π πβ1 ]
=
78
2
10
5
= 19.5
Keputusan : πΉ2.5(0.01) = 13.27, karena F=19.5 maka keputusannya Tolak Ho
karena F>πΉ2.5(0.01)
Kesimpulan: Dengan tingkat signifikansi 1%, dapat disimpulkan bahwa tidak
terdapat cukup bukti untuk mengtakan rata-rata dari ketiga populasi tersebut
sama.
Sumber Varians Jumlah Kuadrat Derajat Kebebasan
Treatment SSH = 78 3-1 = 2
Residual SSE = 10 (3+2+3)-3 = 5
Total SST = 88 8-1 = 7
Contoh (from Johnson and Wichern 6th edition, pages : 301)
10. MULTIVARIATE ONE-WAY
MANOVA (BALANCED)
MANOVA adalah pengembangan
dari ANOVA, jumlah variable
respon atau dependennya yang
berjumlah lebih dari satu.
βͺ Untuk mengukur pengaruh
variabel independen terhadap
beberapa variabel dependen
secara simultan atau sekaligus.
βͺ Digunakan untuk membandingkan
g vector rata-rata populasi
10
12. 12
Hipotesis:
π»0 = π1 = π2 = . . . = π π = 0
Diuji dengan mempertimbangkan ukuran relatif dari
perlakuan dan jumlah residual kuadrat dan lintas produk
ekuivalen, kita dapat mempertimbangkan ukuran relatif
dari jumlah residu dan total kuadrat dan produk silang.
13. MANOVA Table for Comparing
Population Mean Vectors
13
Source of Variation Matrix of Sum of Sqquares and Cross
Product (SSP)
Degrees of
Freedom (df)
Treatment
π΅ =
π=1
π
ππ π₯π β π₯ ( π₯π β π₯)β²
π β 1
Residual (Error)
π =
π=1
π
π=1
π π
π₯ππ β π₯π π₯ππ β π₯π β²
π=1
π
ππ β π
Total (Corrected for the
mean) π΅ + π =
π=1
π
π=1
π π
π₯ππ β π₯ π₯ππ β π₯ β²
π=1
π
ππ β 1
17. Asumsi MANOVA
1. Independen antar
populasi
2. Matriks Covarian sama
3. Multivariate Normal
17Referensi : Applied Multivariate
Statistical Analysis, Richard A Johnson
18. Uji Boxβs M Untuk Kesamaan Matriks Covarians
Populasi diasumsikan multivariate normal, maka likelihood rasio untuk uji statistic adalah :
Ι =
π
ππ
π ππππππ
π πβ1 /2
ππ = ukuran sampel ntuk kelompok ke-π
ππ = matriks kovarian sampel kelompok ke-π
π ππππππ =
1
π(ππ β 1)
π1 β 1 π1 + π2 β 1 π2 + β― + π π β 1 π π
Jika -2ln Ι = M, maka :
π = π ππ β 1 ln π ππππππ β π ππ β 1 ln ππ ο Statistik Uji Boxβs M
β merupakan matriks covarians
βl merupakan matriks covarians dari populasi ke π
π=1,2,β¦,g,
18
Referensi : Applied Multivariate
Statistical Analysis, Richard A Johnson
19. Uji Boxβs M Untuk Kesamaan Matriks Covarians
Jika π’ = π
1
π πβ1
β
1
π π πβ1
2π2+3πβ1
6 π+1 πβ1
dimana π menyatakan variabel dan π menyatakan kelompok, maka :
π = 1 β π’ π = 1 β π’
π
ππ β 1 ln π ππππππ β
π
ππ β 1 ln ππ
Mendekati distribusi Chi Square dengan derajat bebas
π£ = π
1
2
π π β 1 β
1
2
π π + 1 =
1
2
π π + 1 π β 1
Pada tingkat signifikansi Ξ±, tolak tolak H0 jika C > Ο2p (p +) (g-1) / 2 (Ξ±)
Syarat menggunakan distribusi Chi Square :
βͺ masing-masing nl > 20
βͺ p dan g β€ 5.
19
Referensi : Applied Multivariate
Statistical Analysis, Richard A Johnson
20. Uji Kesamaan Covarians
1. Hipotesis
H0 : β1 = β2 = β¦ = βg =
β
H1 : setidaknya dua
matriks covarians
tidak sama
2. Tingkat Signifikansi :
Ξ±
20
3. Statistik Uji
π = 1 β π’ π
4. Wilayah Kritis
Tolak tolak H0 jika
C > Ο2 p (p +) (g-1) /
2 (Ξ±)
= 1 β π’
π
ππ β 1 ln π ππππππ β
π
ππ β 1 ln ππ
Referensi : Applied Multivariate
Statistical Analysis, Richard A Johnson
21. Uji Boxβs M Untuk Kesamaan Matriks Covarians
Jika gagal tolak Ho :
1. tidak terdapat perbedaan
yang signifikan antar matriks
kovarian
2. Ι mendekati 1
3. statistik M Box relatif kecil
Jika tolak Ho:
1. terdapat perbedaan yang
signifikan antara matriks kovarian
2. Ι menjadi kecil
3. Statistik M Box relatif besar
21Referensi : Applied Multivariate
Statistical Analysis, Richard A Johnson
22. β βͺ Uji Boxβs M Untuk
Kesamaan Matriks
Covarians
22
M-test sensitif terhadap beberapa bentuk non-
normalitas.
Uji teori normal pada kovarian dipengaruhi oleh
kurtosis populasi.
M-test dapat menolak H0 dalam beberapa kasus yang
tidak normal dimana tidak mempengaruhi tes
MANOVA.
Sehingga, kita dapat memutuskan untuk melanjutkan
dengan tes MANOVA meskipun uji-M mengarah
pada penolakan H0.
Referensi : Applied Multivariate Statistical
Analysis, Richard A Johnson
26. β βͺ Wilksβ Ξ for
Unbalanced MANOVA
26
Wilksβ Ξ untuk Unbalanced MANOVA sama halnya dengan
di balanced MANOVA, memiliki bentuk yang sama,
menggunakan H dan E.
Ξ =
π¬
π¬ + π―
π£ π» = π β 1, π£ πΈ = π β π =
π=1
π
ππ β π
28. βͺ The following data refers to selected parameters
observed in an anthropometric study. For each
subject (person) the Physical Activity (PA), Body Mass
Index (BMI), Heart Rate (HR), Total Count (TC) of WBC
per cubic mm of blood and High Density Lipoproteins
(HDL) md/dl have been measured. The data also
contains information on age and gender of each
person. A sample of 22 records is given below.
βͺ Find the covariance matrix of the profile BMI, HR, TC,
HDC.
βͺ Perform MANOVA and examine the effect of physical
activity on the health profile in terms of the 4
variables BMI, HR, TC, HDC.
βͺ How would the results change if age is included as a
covariate and only gender as a factor?
28