Resume Manova

Analisis multivariat varians (MANOVA) merupakan perluasan dari analisis varians (ANOVA) untuk menampung lebih dari satu variabel dependen. Ini adalah teknik ketergantungan yang mengukur perbedaan untuk dua atau lebih variabel dependen metrik berdasarkan satu nonmetric variabel bertindak sebagai variabel independen. Model persamaan Multivariate Analysis of Variance (MANOVA) y1 + y2 + y3 + ... +yn = Xx + X2 + X3 + ... + Xn (metric) (nonmetric)

Seperti ANOVA, MANOVA berkaitan dengan perbedaan antara kelompok (atau perlakuan percobaan). ANOVA disebut prosedur univariat karena kita menggunakannya untuk menilai perbedaan kelompok pada variabel dependen satu metrik. MANOVA disebut prosedur multivariate karena kita menggunakannya untuk menilai perbedaan kelompok di beberapa variabel dependen metrik secara bersamaan. Pada MANOVA, masing-masing kelompok perlakuan yang diamati pada dua atau lebih variabel dependen. Konsep analisis multivariat varians diperkenalkan lebih dari 70 tahun yang lalu oleh Wilks. Namun, itu tidak sampai pengembangan statistik uji yang tepat dengan tabel distribusi dan ketersediaan program komputer untuk menghitung statistik ini bahwa MANOVA menjadi alat praktis bagi para peneliti. Baik ANOVA maupun MANOVA sangat berguna bila digunakan pada desain eksperimental, yaitu, desain penelitian di mana peneliti dapat secara langsung mengontrol atau memanipulasi satu atau lebih variabel independen untuk menentukan efek pada variabel dependen. ANOVA dan MANOVA

menyediakan alat yang diperlukan untuk menilai efek yang diamati. Namun, MANOVA memiliki peran dalam desain yang bukan percobaan (misalnya, penelitian survei) di mana kelompok-kelompok kepentingan (misalnya, jenis kelamin, pembeli) didefinisikan dan kemudian perbedaan pada sejumlah variabel

metrik (misalnya, sikap, kepuasan, tingkat pembelian) yang dinilai untuk signifikansi statistik. MANOVA: MEMPERLUAS UNI METODE variate UNTUK

MENILAI PERBEDAAN GROUP Kebanyakan teknik multivriate adalah pengembangan dari teknik univariat. Untuk Anova dan Manova istilah ini digunakan untuk penggunaan satu atau lebih variabel dependen. Kedua teknik ini telah lama dihubungkan dengan analisa experimental design. Hubungan antara prosedur univariate dan multvariate adalah sebagai berikut : Number of Dependent Variables Number of Groups in Independent Variable Two or More (Univaria (Multivariate) te) Two Groups (Specialized Case) Two or More Groups (Generalized Case) Analysis of variance (ANOVA) ttest Hotelling's One

T2

Multivaria te analysis of variance (MANOVA)

Multivariat Prosedur untuk Menilai Perbedaan Grup Sebagai prosedur inferensi statistik, baik teknik univariat (t test dan ANOVA) dan teknik multivariat (Hotelling T2 ini dan MANOVA) digunakan untuk menilai signifikan perbedaan statistik antara kelompok. Dalam uji t dan ANOVA, hipotesis nol tes adalah kesetaraan sarana tunggal variabel dependen seluruh kelompok. Perbedaan antara hipotesis yang diuji dalam ANOVA dan MANOVA diilustrasikan pada Gambar 1. Dalam kasus univariat, tergantung ukuran tunggal diuji untuk kesetaraan seluruh kelompok. Dalam kasus multivariat, sebuah variate diuji untuk kesetaraan. Konseps varian membantu dalam diskusi tentang teknik multivariat. sangat

Pada MANOVA, peneliti sebenarnya memiliki dua variates, salah satu sifat variabel dependen dan satu lagi untuk variabel independen. Aspek unik dari MANOVA adalah bahwa variate optimal menggabungkan tindakan tergantung beberapa menjadi nilai tunggal yang dapat memaksimalkan perbedaan antar kelompok. A DECISION PROCESS FOR MANOVA PROSES PENGAMBILAN KEPUTUSAN DALAM MANOVA Proses dari penggunaan MANOVA mirip dengan kebanyakan teknik multivariate lainnya., jadi bisa dijelaskan melaui Model proses pembangunan enam tahap. Berikut adalah langkah - langkah tersebut 1. Tujuan dari MANOVA Kapan seharusnya menggunakan MANOVA? Karena kemampuannya untuk menganalisis beberapa pengukuran

dependen secara simultan, MANOVA memiliki keunggulan: Menyediakan Kontrol tingkat kesalahan eksperimen ketika terjadi beberapa derajat inter-korelasi diantara variabel dependen. Menyediakan statistik yang lebih kuat dari ANOVA ketika jumlah variabel dependen 5 atau kurang Tiga jenis pertanyaan yang cocok diajukan untuk MANOVA: Multiple Univariate Questions. Peneliti yang mempelajari pertanyaan-pertanyaan multiple univariate mengidentifikasi sejumlah variabel dependen secara terpisah yang akan dianalisis secara terpisah tetapi memerlukan beberapa kontrol terhadap kesalahan eksperimen dalam kejadian ini, MANOVA digunakan untuk menguji apakah perbedaan menyeluruh ditemukan di antara kelompok, dan kemudian pengujian univariate yang terpisah dilakukan untuk mendapatkan setiap isu untuk masing-masing variable dependen Structured Multivariate Questions. Peneliti berurusan dengan pertanyaan multivariate terstruktur mengumpulkan dua atau lebih ukuran dependen yang memiliki hubungan khusus diantaranya. Situasi yang umum dalam kategori ini adalah ukuran

yang berulang dimana ada multiple respon dari setiap subjek yang mungkin selama atau setelah pretest-posttest memberikan stimulus seperti iklan. Disini MANOVA menyediakan metode terstruktur untuk menspesifikasi perbandingan perbedaan antar kelompok terhadap seperangkat ukuran dependen dalam menjaga efisiensi secara statistic. Intrinsically Multivariate Questions. Pertanyaan ini meliputi sejumlah ukuran dependen dimana mempertimbangkan prinsip bagaimana mereka berbeda sebagai keseluruhan lintas kelompok. Perbedaan ukuran dependen secara individual kurang menarik dibandingkan pengaruh kolektif. Keunggulan MANOVA tidak hanya dapat menguji perbedaan keseluruhan tetapi juga perbedaan antara kombinasi dari ukuran dependen yang tidak dapat muncul. Jenis pertanyaan ini bisa diselesaikan oleh MANOVA karena kemampuannya mendeteksi perbedaan multivariate walaupun pengujian univariate tunggal tidak menunjukkan perbedaan. 1. Disain Riset MANOVA MANOVA Membutuhkan ukuran sample yang lebih besar dibandingkan univariate ANOVA dan harus melebihi batasan khusus pada setiap sel (kelompok) analisis yang direkomendasikan adalah minimal ukuran sel 20 observasi. Sample pada setiap sel harus lebih besar dari jumlah variable dependen. Disain Faktorial Analisis dengan dua treatmen atau lebih. Pemilihan Treatments, penggunaan yang umum dari disain faktorial meliputi pertanyaan riset yang berhubungan dengan dua atau lebih variable independent nonmetrik terhadap seperangkat variable dependen. Dalam masalah ini variabel independen dispesifikasikan dalam disain eksperimen atau termasuk dalam disain eksperimen lapangan atau survey menggunakan kuesioner. Namun beberapa hal treatmen ditambahkan setelah disain analisis. Treatment tambahan yang sering digunakan adalah blocking factor dimana karakteristik nonmetrik digunakan post hoc untuk segmentasi responden untuk mendapatkan homogenitas kelompok yang lebih besar dan mengurangi sumber variance MSW. Dengan demikian kemampuan uji statistik untuk mengidentifikasi perbedaan dapat ditingkatkan. Sebagai contoh misalnya pada contoh iklan sebelumnya laki-laki dianggap akan mempunyai reaksi yang berbeda dengan perempuan terhadap tampilan iklan dan jika gender ditambahkan sebagai blocking

factor, perbedaan setiap pesan menjad lebih jelas, sedangkan perbedaan akan menjadi samar jika laki-laki dan perempuan di asumsikan akan bereaksi dengan berbeda dan tidak terpisah. Pengaruh jenis pesan dan gender kemudian di evaluasi secara terpisah, menyediakan lebih pengujian tepat terhadap pengaruh individual. Menggunakan covariate-ANCOVA dan MANCOVA ANCOVA. Covariate metrik umumnya dimasukkan dalam disain

eksperimental untuk menghilangkan pengaruh extraneous dari variable dependen sehingga dapat meningkatkan varian dalam kelompok (MSW). Hal ini sama dengan mengunakan blocking factor hanya saja variablenya metrik. Prosedurnya sama dengan regresi linier yang digunakan untuk menghilangkan variasi dalam variable dependen yang berhubungan dengan satu atau lebih covariate kemudian ANOVA konvensional dilakukan pada variable dipenden yang disesuaikan. MANCOVA merupakan perluasan dari prinsip ANCOVA untuk multivariate (multipel variable dipenden) analisis yaitu MANCOVA dipandang sebagai MANOVA terhadap regresi residual atau varian dalam variabel dependen tidak dapat dijelaskan oleh covariate 2. Asumsi Dalam MANOVA Asumsi dalam MANOVA 1. Adanya Independensi antar anggota grup. 2. Kesamaan matrik kovarians antar grup pada variabel dependen. 3. Variabel Dependen-variabel Dependen seharusnya berdistribusi normal (normalitas pada dependen variabel). 4. Antar variabel Dependen seharusnya tidak terjadi korelasi yang kuat, atau dikatakan terjadi Multikolinieritas. 5. MANOVA cukup sensitif terhadap keberadaan data yang bernilai sangat ekstrim (outlier). Karena itu, data terlebih perlu dideteksi apakah mengandung outlier ataukah tidak.

3. Estimasi Mode dan Pengujian Secara Keseluruhan Saat analisis MANOVA telah diformulasikan dan uji asumsi telah terpenuhi, pengujian terhadap signifikansi perbedaan antar kelompok yang dibentuk dengan treatment dapat dilakukan. Dalam melakukan pengujian ini peneliti harus memilih pengujian statistic yang tepat untuk tujuan penelitiannya. Namun dalam situasi tertentu khususnya jika analisis menjadi lebih kompleks, peneliti harus mengevaluasi kekuatan dari pengujian statistic untuk menyediakan perspektif yang lebih informatif dan memperoleh hasil yang diharapkan. Empat pengukuran yang banyak digunakan untuk menguji signifikansi secara statistic antar kelompok terhadap variable independent adalah: Roys Greatest Characteristic Root Wilks Lambda Pillais Criterion Hotellings Trace Dalam beberapa situasi hasil/kesimpulan bisa sama antar keempat pengukuran, namun dalam situasi yang unik hasil dapat berbeda diantara keempat pengukuran. 4. Interpretasi Hasil Manova Jika covariates termasuk dalam model GLM, maka lakukan analisis model baik dengan maupun tanpa covariates. Jika covariates tidak meningkatkan kekuatan statistic atau tidak mempengaruhi secara signifikan terhadap pengaruh treatment, maka dapat didrop dari analisis final. Jika dua atau lebih variable independent (treatments) termasuk dalam analisis, interaksi harus diuji sebelum mengambil kesimpulan mengenai pengaruh utama dari variable independent Jika interaksi tidak signifikan secara statistik, maka pengaruh utama dapat diinterpretasi langsung karena perbedaan antar treatments dipertimbangkan konstan antar level kombinasi. Jika interaksi signifikan secara statistik, dan perbedaan tidak konstan antar level kombinasi, maka interaksi harus ditentukan apakah ordinal atau disordinal

 Jika variable independent

memiliki dua atau lebih kelompok, dua jenis

prosedur dapat digunakan untuk mengisolasi sumber perbedaan: Post-hoc tests menguji perbedaan potensial secara statistic antar seluruh mean kombinasi yang mungkin. Post-hoc tests memiliki kekuatan yang terbatas dan sangat cocok untuk mengidentifikasi pengaruh yang besar. Post Hoc Methods Scheffe Tukeys honestly significant difference (HSD) Tukeys extension of the Fisher least significant difference (LSD) Duncans multiple-range test Newman-Kuels test Planned comparisons adalah cocok jika a priori theoretical reasons menyatakan bahwa kelompok tertentu akan berbeda dari satu kelompok dengan kelompok lainnya. Kesalahan Type I akan bertambah sebagaimana jumlah

planned comparisons meningkat. 5. Validitasi Terhadap hasil Teknik analisis varian (ANOVA dan MANOVA) dikembangkan untuk situasi eksperimen, dengan replikasi sebagai pengertian utama terhadap validasi. Ketegasan perlakuan treatment eksperimen memungkinkan penggunaan yang

luas dari eksperimen yang sama pada multiple populasi untuk menguji generalizability dari hasil. Dalam penelitian ilmu pengetahuan sosial dan bisnis, bagaimanapun, eksperimen kerap kali digantikan dengan uji statistik dengan keadaan nonexperimental seperti survei penelitian. Kemampuan untuk

memvalidasi hasil dalam keadaan ini adalah berdasarkan kemampuan replikasi dari treatment. Dalam beberapa hal karakteristik demografi seperti umur, gender, income dan sejenisnya di gunakan sebagai treatment. Treatment ini harus memenuhi kriteria comparability, namun peneliti harus memastikan bahwa penambahan elemen terhadap pengujian random terhadap sel juga harus terpenuhi namun kadang kadang dalam riset survey hal ini tidak terpenuhi. Misalnya umur dan

gender sebagai variable independen merupakan contoh umum penggunaan ANOVA atau MNOVA didalam riset survey. Dalam validasi peneliti harus berhati hati menganalisis multiple populasi dan membandingkan hasil sebagai pembuktian validitas tunggal karena responden dipilih secara sederhana treatment dalam kasus ini tidak dapat diuji oleh peneliti karena tidak random, sehingga peneliti mempertimbangkan penggunakan covariate untuk mengontrol fitur lain yang menjadi karakteristik umur atau gender yang dapat mempengaruhi variable dependen tetapi tidak termasuk dalam analisis.

Contoh Kasus Running Data HBAT 200: 1. 2. Variabel independen X5 Distribution system; Variabel dependen X19 satisfaction, X20 likely to recommend dan X21 likely to purchase. 3. Langkah-langkah Buka SPSS, pilih Analyze/General linear model/multivariate. Masukkan variabel X5 ke dalam kotak Fixed factors dan variabel X19, X20, dan X21 ke dalam kotak dependen variable. Klok option, pada display means for masukkan X5. Pada Display pilih Descriptive statistic, estimates of effect size, parameter estimates, residual SSCP matrix dan homogeneity test. Kemudian tekan OK. Maka akan muncul tampilan seperti di bawah ini:

Tampilan 1
Betw een-Subj ects Factors X5 - Distribution System 0 Value Label Indirect through broker Direct to customer N 108 92

Menunjukkan jumlah kelompok sampel yang dikategorikan.

Pada tampilan 1 menyajikan kriteria Distribution System dan jumlah sample. Distribution System dibagi menjadi dua kelompok, yaitu Indirect through broker diberi angka 0 dan Direct costumer diberi angka 1. Sementara jumlah dari Distribution System pada masing-masing indirect through broken dan direct customer berjumlah 108 dan 92. Tampilan 2
Descriptiv e Statistics X5 - Distribution System Indirect through broker Direct to customer Total X20 - Likely to Indirect through broker Recommend Direct to customer Total X21 - Likely to Purchase Indirect through broker Direct to customer Total X19 - Satisfaction Mean 6.325 7.688 6.952 6.488 7.498 6.953 7.336 8.051 7.665 Std. Deviation 1.0328 1.0488 1.2411 .9859 .9300 1.0829 .8802 .7449 .8932 N 108 92 200 108 92 200 108 92 200

Menunjukkan rata-rata standar deviasi variabel X19 berbeda antara indirect through broker dan direct to customer sehinnga dapat disimpulkan variabel X5 distribution system mempengaruhi variabel X19 satisfaction

Pada tampilan 2 menyajikan rata-rata dan standar deviasi untuk setiap variabel dependen. Secara sekilas terlihat bahwa rata-rata dan standar deviasi variabel X19, X20, dan X21 untuk indirect through broker dan direct to customer berbeda. Sehingga kita bisa menyimpulkan sementara bahwa Distribution System mempengaruhi X19, X20, dan X21.

Tampilan 3
a Box's Test of Equality of Cov ariance Matrices

Tidak signifikan, asumsi normalitas Tests the null hypothesis that the observed covariance terpenuhi
matrices of the dependent variables are equal across groups. a. Design: Intercept+x5

Box's M F df1 df2 Sig.

4.597 .753 6 265275.8 .607

menunjukkan multivariate

Tampilan 3 pada Boxs test merupakan uji normalitas multivariate dengan uji Boxs M. uji tersebut menunjukkan nilai tidak signifikansi sehingga mengindikasikan matriks kovarian variabel dependen adalah sama pada indirect through broker dan direct to customer. Hal ini berarti bahwa asumsi normalitas multivariate terpenuhi. Namun perlu dicatat bahwa uji Boxs M sangat sensitif dalam pelanggaran uji normalitas. Tampilan 4
a Bartlett's Test of Sphericity

Likelihood Ratio Approx. Chi-Square df Sig.

.000 260.055 5 .000

Signifikan, menunjukkan adanya korelasi antara variabel

independen Tests the null hypothesis that the residual covariance yang ada m atrix is proportional to an identity m atrix. a. Design: Intercept+x5

Tampilan 4 Bartletts Test of Sphericity menggambarkan uji korelasi antara variabel independen. Uji Bartletts ini signifikan sehingga menunjukkan adanya korelasi yang cukup antara variabel independen yang ada.

Tampilan 5
b Multiv ariate Tests

Effect Intercept

x5

Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root

Value .989 .011 93.277 93.277 .307 .693 .443 .443

F Hypothesis df 6094.102 a 3.000 6094.102 a 3.000 6094.102 a 3.000 6094.102 a 3.000 28.923a 3.000 28.923a 3.000 28.923a 3.000 28.923a 3.000

Error df 196.000 196.000 196.000 196.000 196.000 196.000 196.000 196.000

Sig. .000 .000 .000 .000 .000 .000 .000 .000

Partial Eta Squared .989 .989 .989 .989 .307 .307 .307 .307

a. Exact statistic b. Design: Intercept+x5

Tampilan 5 menunjukkan uji signifikan multivariat. Ada empat uji statistik untuk mengetahui perbedaan centroid dua kelompok, yaitu Pillais trace, wilks lambda, hotellings trace, dan roys largest root. Nilai masing-masing uji tersebut kemudian ditransformasi ke dalam uji statistic F. ada dua tampilan, yaitu intercept dan X5 Distribution system . Uji intercept ini digunakan untuk mengevaluasi apakah rata-rata variabel independen tidak sama dengan nol. Berdasarkan uji F ini signifikan pada = 5% (lihat kolom sig) sehingga dapat disimpulkan bahwa variabel independen tidak sama dengan nol dan berbeda antara variabel independen (Indirect through broker dan direct to customer). Uji signifikan yang penting dalam ANOVA adalah pada variabel independen X5 distribution system yang diklasifikasikan Indirect through broker dan direct to customer. Berdasarkan uji F juga signifikan pada = 5% (lihat kolom sig) dengan menggunakan keempat uji yang ada. Berarti kita bisa menyimpulkan bahwa variabel X5 distribution system mempengaruhi variabel X19 satisfaction, X20 likely to recommend dan X21 likely to purchase. Uji Partial Eta Squared (PES) sebesar 0,307. Distribution system menjelaskan 30,7% varian

total, yang artinya X5 direct distribution mempengaruhi X19 satisfaction, X20 likely to recommend dan X21 likely to purchas sebanyak 30,7%. Tampilan 6
a Lev ene's Test of Equality of Error Variances

X19 - Satisfaction X20 - Likely to Recommend X21 - Likely to Purchase

F .001 .643 2.832

df1 1 1 1

df2 198 198 198

Sig. .978 .424 .094

Tests the null hypothesis that the error variance of the dependent variable is equal across groups. a. Design: Intercept+x5

Tampilan 7
Tests of Betw een-Subj ects Effects Source Corrected Model Dependent Variable X19 - Satisfaction X20 - Likely to Recommend X21 - Likely to Purchase X19 - Satisfaction X20 - Likely to Recommend X21 - Likely to Purchase X19 - Satisfaction X20 - Likely to Recommend X21 - Likely to Purchase X19 - Satisfaction X20 - Likely to Recommend X21 - Likely to Purchase X19 - Satisfaction X20 - Likely to Recommend X21 - Likely to Purchase X19 - Satisfaction X20 - Likely to Recommend X21 - Likely to Purchase Type III Sum of Squares 92.300a 50.665
b

df 1 1 1 1 1 1 1 1 1 198 198 198 200 200 200 199 199 199

Mean Square 92.300 50.665 25.396 9755.432

F 85.304 54.910 37.700 9015.970

Sig. .000 .000 .000 .000 .000 .000 .000 .000 .000

Partial Eta Squared .301 .217 .160 .979 .982 .989 .301 .217 .160

Intercept

25.396c 9755.432 9717.522 11762.528 92.300 50.665 25.396 214.239 182.694 133.379 9972.600 9900.810 11909.220 306.539 233.359 158.775

9717.522 10531.655 11762.528 17461.366 92.300 85.304 50.665 25.396 1.082 .923 .674 54.910 37.700

x5

Error

Total

Corrected Total

a. R Squared = .301 (Adjusted R Squared = .298) b. R Squared = .217 (Adjusted R Squared = .213) c. R Squared = .160 (Adjusted R Squared = .156)

Pada tampilan 7 Test of between subject effects menampilkan uji signifikan univariat dengan uji statistika F. Pada kolom source ada beberapa informasi untuk uji univariat ini. Uji MANOVA terletak pada apakah variabel independen mempengaruhi variabel dependen. Informasi ini terdapat pada corrected model dan X5. Keduanya menghasilkan informasi nilai F yang sama karena keduanya merupakan uji apakah variabel independen mempengaruhi variabel dependen. Uji

univariat F pada X5 menunjukkan signifikan = 5% (lihat kolom sig). dengan demikian X5 Distribution system mempengaruhi X19 satisfaction, X20 likely to recommend dan X21 likely to purchase. Nilai PES masing-masing bernilai 0.301, 0.217, dan 0.160 untuk masing-masing variabel dependen. Itu berarti X5 Distribution system mempengaruhi X19 satisfaction, X20 likely to recommend dan X21 likely to purchase dengan varian total X19 sebesar 3,01%, X20 sebesar 21,7%, dan X21 sebesar 16,0%. Tampilan 8
Parameter Estimates 95% Confidence Interval Lower Bound Upper Bound 7.474 7.902 -1.654 -1.072 . . 7.300 7.695 -1.279 -.741 . . 7.882 8.220 -.945 -.485 . .

Dependent Variable X19 - Satisfaction

Parameter Intercept [x5=0] [x5=1] X20 - Likely to Intercept Recommend [x5=0] [x5=1] X21 - Likely to Purchase Intercept [x5=0] [x5=1]

B Std. Error 7.688 .108 -1.363 .148 0a . 7.498 .100 -1.010 .136 0a . 8.051 .086 -.715 .116 0a .

t 70.891 -9.236 . 74.869 -7.410 . 94.089 -6.140 .

Sig. .000 .000 . .000 .000 . .000 .000 .

Partial Eta Squared .962 .301 . .966 .217 . .978 .160 .

a. This parameter is set to zero because it is redundant.

Residual SSCP Matrix X19 Satisfaction 214.239 135.310 111.699 1.082 .683 .564 1.000 .684 .661 X20 - Likely to Recommend 135.310 182.694 91.337 .683 .923 .461 .684 1.000 .585 X21 - Likely to Purchase 111.699 91.337 133.379 .564 .461 .674 .661 .585 1.000

Sum-of-Squares and Cross-Products

Covariance

Correlation

X19 - Satisfaction X20 - Likely to Recommend X21 - Likely to Purchase X19 - Satisfaction X20 - Likely to Recommend X21 - Likely to Purchase X19 - Satisfaction X20 - Likely to Recommend X21 - Likely to Purchase

Based on Type III Sum of Squares