Professional Documents
Culture Documents
Oleh :
Abdullah M. Jaubah
Pendahuluan
Latihan ini merupakan latihan kesembilan
mengenai prosedur
Univariate. Prosedur General Linear Model Univariate memungkinkan untuk membuat modal
nilai dari variabel dependen berjenis kuantitatif berdasar atas hubungannya dengan prediktorprediktor berjenis kategorial dan scale. General Linear Model mencakup peluang-peluang
pilihan menenai Univariate, Multivariate, Repeated Measures, dan peluang Variance
Components akan tetapi yang dicakup dalam Statistical Base adalah Univariate saja
sedangkan peluang-peluang lain dicakup dalam Advanced Statistics.
GLM Univariate Model
Prosedur GLM Univariate berdasar atas prosedur General Linear Model, di mana faktorfaktor dan kovarians diasumsikan mempunyai suatu hubungan garis lurus pada variabel
dependen. Factors, prediktor-prediktor kategorikal dipilih sebagai faktor-faktor dalam model.
Tiap tingkatan dari suatu faktor dapat mempunyai akibat garis lurus berbeda atas nilai dari
variabel dependen. Fixed effectsn factors secara umum dianggap sebagai variabel-variabel
dengan nilai-nilai yang diwakili dalam arsip data. Random effects factors adalah variabelvarabel dengan nilai-nilai dalam arsip data dapat dipertimbangkan suatu sampel acak dari
nilai-nilai populasi yang lebih besar. Hal ini bermanfaat untuk menjelaskan variabilitas
berlebihan dalam variabel dependen.
For example, a grocery store chain is interested in the effects of five different types of
coupons on customer spending. At several store locations, these coupons are handed out to
customers who frequent that location; one coupon selected at random to each customer.
The type of coupon is a fixed effect because the company is interested in those particular
coupons. The store location is a random effect because the locations used are a sample from
1
the larger population of interest, and while there is likely to be store-to-store variation in
customer spending, the company is not directly interested in that variation in the context of
this problem.
Covariates. Scale predictors should be selected as covariates in the model. Within
combinations of factor levels (or cells), values of covariates are assumed to be linearly
correlated with values of the dependent variables.
Interactions. By default, the GLM Univariate procedure produces a model with all factorial
interactions, which means that each combination of factor levels can have a different linear
effect on the dependent variable. Additionally, you may specify factor-covariate interactions,
if you believe that the linear relationship between a covariate and the dependent variable
changes for different levels of a factor.
For the purposes of testing hypotheses concerning parameter estimates, GLM Univariate
assumes:
The values of errors are independent of each other and the variables in the model. Good
study design generally avoids violation of this assumption.
The variability of errors is constant across cells. This can be particularly important when
there are unequal cell sizes; that is, different numbers of observations across factor-level
combinations.
The errors have a normal distribution with a mean of 0.
Using GLM Univariate to Perform a Two-Factor Analysis of Customer purchasing habit
A grocery store chain surveyed a set of customers concerning their purchasing habits. Given
the survey results and how much each customer spent in the previous month, the store wants
to see if the frequency with which customers shop is related to the amount they spend in a
month, controlling for the gender of the customer.
This information is collected in grocery_1month.sav. See the topic Sample Files for more
information. Use the GLM Univariate procedure to perform a two-factor (or two-way)
ANOVA on the amounts spent
Suatu jaringan toko kelontong, sebagai contoh, tertarik pada akibat dari lima jenis kupon
belanja pelanggan. Kupon ini diberikan di beberapa lokasi toko,
sering mengunjungi dan berbelanja di lokasi itu; satu kupon yang dipilih secara acak untuk
setiap pelanggan.
Jenis kupon adalah akibat tetap karena perusahaan tertarik pada kupon tertentu. Lokasi toko
adalah akibat acak karena lokasi yang dipakai adalah sampel dari populasi yang lebih besar
2
dari minat, dan sementara itu terdapat kemungkinan untuk mengalami variasi toko-ke-toko i
dalam konsumen berbelanja, perusahaan tidak langsung tertarik pada variasi dalam konteks
dari masalah ini.
Kovariat. Prediktor-prediktor kuantitatif harus dipilih sebagai kovariat dalam model. Nilainilai kovariat, dalam kombinasi tingkat-tingkat faktor atau sel, diasumsikan berkorelasi
linear dengan nilai-nilai variabel dependen.
Interaksi. Prosedur General Linear Model Univariate menghasilkan model dengan semua
interaksi faktorial. Hal ini berarti bahwa setiap kombinasi dari tingkat-tingkat faktor dapat
memiliki akibat linear yang berbeda pada variabel dependen. Hal lain dapat menentukan
interaksi faktor-kovariat, jika kepercayaan terdapat bahwa hubungan linear antara kovariat
dan perubahan variabel dependen untuk berbagai tingkat faktor.
General Linear Model Univariate, untuk keperluan pengujian hipotesis mengenai perkiraan
parameter, mengandung asumsi :
1.
Nilai-nilai kesalahan adalah independen satu sama lain dan variabel dalam model.
Desain penelitian yang baik umumnya menghindari pelanggaran atas asumsi ini.
2. Variabilitas dari kesalahan adalah konstan di sel. Hal ini akan sangat penting ketika
terdapat ukuran sel yang tidak sama; yaitu, nomor yang berbeda dari pengamatan di
kombinasi faktor-tingkat.
3. Kesalahan memiliki distribusi normal dengan rata-rata 0.
Pemakaian General Linear Model Univariate. Langkah untuk Melakukan Analisis Dua-Faktor
kebiasaan pembelian Pelanggan.
Suatu jaringan toko kelontong yang disurvei satu set pelanggan mengenai kebiasaan
pembelian mereka. Hasil survei dan berapa banyak setiap pelanggan membelanjakan pada
bulan sebelumnya, toko ingin melihat apakah frekuensi dengan yang pelanggan toko ini
terkait dengan jumlah yang mereka habiskan di bulan, mengendalikan jenis kelamin
pelanggan.
Informasi ini dikumpulkan dalam arsip data grocery_1month.sav. Prosedur General Linear
Model Univariate dipakai untuk melakukan analisis Anova dua faktor (atau dua arah) pada
jumlah yang dibelanjakan
Pelaksanaan Analisis
Perintah Analyze > General Linear Model > Univariate dipakai. Langkah ini akan
menyajikan kotak dialog Univariate sebagai berikut :
Amount spent dipilih sebagai variabel dependen. Gender dan Shopping style dipilih sebagai
fixed factors. Tombol Plots ditekan. Langkah ini akan menyajikan kotak dialog Univariate :
Profile Plots sebagai berikut :
4
Variabel style dipilih sebagai variabel horizontal axis. Variabel gender dipilih sebagai variabel
separate lines. Tombol Add ditekan. Tombol Continue ditekan. Tombol Post Hoc ditekan.
Langkah ini akan menyajikan kotak dialog Univariate : Post Hoc Multiple Comparations for
Observed Means sebagai berikut :
Variabel style dipilih sebagai variabel untuk mana pengujian-pengujian post hoc akan
dihasilkan. Tukey dipilih dalam Equal Variances Assumed group. Tombol Continue ditekan.
5
Tombol Options ditekan. Langkah ini akan menyajikan kotak dialog Univariate : Options
sebagai berikut :
Prosedur ini mengandung spesifikasi amtspent sebagai variabel target dan variabel gender
dan style sebagai factors. Post Hoc mmbutyuhkan Tukey test untuk variabel style.
SubperintahnPlot membutuhkan suatu profile plor untuk style*gender dan spread vs. Level
plot. Emmeans membutuhkan rata-rata marjinal diestimasi untuk gender*style. Print
membtuhkan statistik deskriptif, estimasi dari ukuran akibat, dan pengujian homogenitas.
Design dipakai untuk melakukan spesifikasi atas variabel gender, style, dan gender*style
6
sebagai akibat-akibat dalam model, Semua peluang lain ditentukan sesuai dengan nilai-nilai
ketentuan.
.
Descriptive Statistics
Descriptive Statistics
Dependent Variable: Amount spent
Gender
Shopping style
Mean
Male
Biweekly; in bulk
413,0657
90,86574
35
440,9647
98,23860
120
407,7747
69,33334
30
Total
430,3043
93,47877
185
Biweekly; in bulk
343,9763
100,47207
35
361,7205
90,46076
102
405,7269
80,57058
29
Total
365,6671
92,64058
166
Biweekly; in bulk
378,5210
101,25839
70
404,5552
102,48440
222
406,7681
74,42114
59
Total
399,7352
98,40821
351
Female
Total
Std. Deviation
Tabel ini menyajikan statistik deskriptif untuk tiap kombinasi dari faktor-faktor dalam model.
Hal ini mengungkap akibat dari variabel Shopping style, secara rata-rata dua mingguan para
pelanggan membelanjakan $378.52, sedangkan para pelanggan membelanjakan mingguan
$404.55, dan para pelanggan yang sering berbelanja mencerminkan belanja $406.76.
Pengaruh dari Gender juga disajikan, secara rata-rata, orang laki-laki dalam sampel
membelanjakan $430.30 jika dibanding dengan belanja pelanggan perempuan $365.66.
Akibat interaksi antara Gender dan Shopping style terdapat karena perbedaan-perbedaan ratarata dalam jumlah belanja menurut shopping style berubah-ubah antara genders. Para
pelanggan laki-laki membelanjakan dua mingguan cenderung lebih besar daripada pelanggan
laki-laki yang sering berbelanja akan tetapi tren ini berbeda untuk para pelanggan perempuan
yang berbelanja dua mingguan dan sering berbelanja. Kolom N dalam tabel itu mengungkap
ukuran-ukuran sel adalah berbeda. Kebanyakan pelanggan mengutamakan berbelanja
mingguan. Deviasi standar relatif homogen, walau hal ini memerlukan pengecekan atas
Levenes test spread-versus-level plots untuk meyakinkan.
Pengujian Homogenitas Varians
7
df1
1,157
df2
5
Sig.
345
,330
Tests the null hypothesis that the error variance of the dependent variable is equal across groups.
a. Design: Intercept + gender + style + gender * style
Tabel ini dipakai untuk menguji hipotesis nol bahwa varians dari kesalahan-kesalahan adalah
konstan sepanjang sel-sel yang ditentukan oleh kombinasi factor levels. Nilai signifikansi dari
pengujian ini adalah 0.330, nilai ini adalah lebih besar daripada nilai 0.10, hal ini berarti
bahwa tidak terdapat alasan untuk mempercayai bahwa asumsi mengenai equal variance
mengalami penyimpangan. Perbedaan kecil dalam kelompok dari deviasi standar yang
diobservvasi dalam tabel statistik deskriptif disebabkan oleh variasi acak. Tabel ini menguji
hipotesis nol bahwa varians dari istilah kesalahan adalah konstan di sel ditentukan oleh
kombinasi dari tingkat faktor, karena nilai signifikansi tes, 0.330 , lebih besar dari 0,10 , tidak
ada alasan untuk percaya bahwa asumsi varians yang sama dilanggar . Dengan demikian ,
perbedaan-perbedaan kecil dalam kelompok standar deviasi diamati pada tabel statistik
deskriptif adalah karena variasi acak.
statistik deskriptif . Hal ini memberikan pengujian secara visual dari asumsi varians yang
8
sama , dengan manfaat tambahan yaitu membantu untuk menilai apakah pelanggaran asumsi
adalah karena hubungan antara rata-rata sel dan deviasi standar d. Pola yang jelas dalam plot
ini tidak terdapat, sehingga indikasi hubungan seperti itu juga tidak terdapat di sini .
Multiple Comparisons
Dependent Variable: Amount spent
Tukey HSD
(I) Shopping style
Biweekly; in bulk
Weekly; similar items
Often; what's on sale
Mean
Difference
(I-J)
Sig.
Lower
Bound
Upper Bound
-26,0342
12,61108
0,099
-55,7191
-28,2471
16,25946
0,193
-66,5198
26,0342
12,61108
0,099
-3,6507
-2,213
13,47525
0,985
-33,932
28,2471
16,25946
0,193
-10,0256
2,213
13,47525
0,985
-29,5061
Biweekly; in bulk
Often; what's on sale
Biweekly; in bulk
Weekly; similar items
Pengujian antara - subyek akibat dapat membantu untuk menentukan signifikansi faktor, akan
tetapi mereka tidak menunjukkan bagaimana tingkat faktor itu berbeda. Tes post hoc
menunjukkan perbedaan dalam model yang memprediksi rata-rata bagi setiap pasangan
tingkat-tingkat faktor. Kolom pertama menampilkan tes post hoc yang berbeda. Dua kolom
berikutnya menampilkan sepasang tingkat faktor yang diuji . Nilai signifikansi untuk
perbedaan dalam jumlah yang dibelanjakan untuk sepasang tingkat faktor kurang dari 0,05,
tanda bintang ( * ) dicetak oleh perbedaan.
a,b,c
Subset
Shopping style
Biweekly; in bulk
1
70
378,5210
222
404,5552
59
406,7681
Sig.
,116
Tabel subset homogen meja menyajikan hasil tes post hoc dan menunjukkan mereka dalam
bentuk yang lebih mudah diinterpretasi. Kolom bagian tingkat faktor yang tidak memiliki
akibat yang berbeda secara signifikan akan ditampilkan dalam kolom yang sama. Bagian
pertama, dalam contoh ini, berisi pelanggan " dua mingguan " , " mingguan " , dan " sering ".
Hal ini mencakup semua pelanggan, sehingga tidak ada subset lainnya. Tes post hoc
menunjukkan bahwa upaya menarik pelanggan untuk berbelanja lebih sering dari biasanya
tersisihkan karena mereka tidak akan berbelanja lebih signifikan.
Shopping style
Male
Biweekly; in bulk
413,066
15,551
382,479
443,652
440,965
8,398
424,446
457,483
407,775
16,797
374,738
440,812
Biweekly; in bulk
343,976
15,551
313,390
374,563
361,720
9,109
343,804
379,637
405,727
17,084
372,125
439,329
Female
Mean
Std. Error
Lower Bound
Upper Bound
Tabel ini menampilkan cara model estimasi marjinal dan kesalahan standar Jumlah yqang
dibelanjakan dikombinasi dengan faktor gender dan gaya Shopping . Tabel ini berguna untuk
menjelajahi akibat interaksi yang mungkin antara dua faktor ini. Pelanggan laki-laki yang
melakukan pembelian mingguan, dalam contoh ini, diperkirakan akan membelanjakan sekitar
$ 440.96, sementara satu yang membuat pembelian lebih sering diharapkan untuk
menghabiskan $ 407.77. Pelanggan perempuan yang membuat pembelian mingguan
diperkirakan akan membelanjakan $ 361.72, sementara satu yang membuat pembelian lebih
sering diharapkan untuk membelanjakan $ 405.72. Hal ini mencerminkan bahwa perbedaan
terdapat antara pelanggan " mingguan " dan " sering ", tergantung pada jenis kelamin
pelanggan . Fakta ini menunjukkan akibat interaksi antara gender dan gaya Shopping .
Interaksi itu jika tidak terdapat, maka akan mengharapkan perbedaan antara gaya belanja
untuk tetap konstan untuk pelanggan pria dan wanita. Interaksi dapat diamati lebih mudah
dalam plot profil.
10
Plot profil adalah representasi visual dari tabel rata-rata marjinal. Tingkat faktor gaya belanja
diperlihatkan sepanjang sumbu horisontal. Baris terpisah diproduksi untuk setiap tingkat
Gender. Tingkat faktor gender dapat ditampilkan sepanjang sumbu horisontal , dengan garisgaris yang terpisah diproduksi untuk setiap tingkat gaya berbelanja. Efek interaksi jika tidak
terdapat, maka garis-garis dalam tabel akan paralel. Perbedaan dalam belanja antara
pelanggan " mingguan " dan " sering " lebih besar bagi pelanggan perempuan, sebagai garis
bagi pelanggan lereng laki-laki ke bawah dan untuk pelanggan perempuan lereng atas. Hal ini
merupakan efek interaksi yang kuat dan tidak mungkin karena kebetulan , tetapi hal ini harus
memeriksa tes antara - subyek efek untuk konfirmasi signifikansinya.
Tests of Between-Subjects Effects
Dependent Variable: Amount spent
Source
df
Mean Square
Sig.
93880,599
11,092
,000
,138
39359636,387
39359636,387
4650,274
,000
,931
158037,442
158037,442
18,672
,000
,051
style
33506,210
16753,105
1,979
,140
,011
gender * style
69858,325
34929,163
4,127
,017
,023
Error
2920058,824
345
8463,939
Total
59475118,440
351
3389461,820
350
Corrected Model
Intercept
gender
Corrected Total
469402,996
Pelaksanaan Analisis
11
Analisis ini adalah analisis tabel varians. Setiap unsur dalam model, ditambah model secara
keseluruhan, diuji kemampuannya untuk memperhitungkan variasi dalam variabel dependen.
Label variabel tidak ditampilkan dalam tabel ini. Nilai signifikansi untuk setiap unsur, kecuali
style adalah kurang dari 0,05 Setiap unsur, kecuali style, oleh karena itu, adalah signifikan
secara statistik. Kuadrat parsial eta statistik menganedung penjelasan "praktis" mengenai
peranan penting setiap unsur, berdasarkan rasio variasi (jumlah kuadrat) dicatat dengan
unsur, dengan jumlah dari variasi dicatat dengan unsur dan variasi kiri kesalahan . Nilai yang
lebih besar dari kuadrat parsial eta menunjukkan jumlah yang lebih besar dari variasi dicatat
dengan unsur model, untuk maksimal 1. Persyaratan individu, sementara signifikansi secara
statistik, tidak memiliki efek yang besar pada nilai jumlah berbelanja.
Tes post hoc, dalam contoh ini, tidak mengungkapkan perbedaan dalam pengeluaran antara
pelanggan yang berbelanja dua mingguan dan mereka yang berbelanja lebih sering, akan
tetapi, rata-rata marginal diperkirakan dan plot profil mengungkapkan interaksi antara dua
faktor, menunjukkan bahwa pelanggan laki-laki yang berbelanja seminggu sekali lebih
menguntungkan daripada mereka yang berbelanja lebih sering, sementara pola terbalik untuk
pelanggan wanita. Signifikansi pengaruh interaksi ini dikonfirmasi oleh hasil tabel Anova.
Pemakaian General Linear Model Univariate untuk Melakukan Analisis Kovarian
Para pendukung program pekerjaan pemerintah ingin melihat apakah program itu membantu
orang menjadi pekerjaan yang lebih baik, mengontrol gaji mereka sebelum memasuki
program. Sebuah sampel dari peserta program potensial diikuti, beberapa di antaranya dipilih
secara acak untuk pendaftaran dalam program ini, sementara yang lain tidak. Prosedur GLM
Univariate dipakai untuk melakukan analisis kovarians (Ancova) pada pendapatan setelah
program. Asumsi tambahan Ancova adalah bahwa interaksi yang signifikan tidak terdapat
antara kovariat dan faktor.
Pelaksanaan Analisis
12
Perintah Analyze > General Linear Model > Univariate dipakai. Langkah ini akan
menyajikan kotak dialog Univariate.
Amount spent dipilih sebagai variabel dependen. Who shopping for dan Use coupons dipilih
sebagai fixed factors. Tombol Options ditekan. Lankah ini akan menyajikan kotak dialog
Univaariate : Options sebagai berikut :
13
Estimate of effect size dipilih. Tombol Continue ditekan. Tombol OK ditekan sehingga
perintah sintaksis dicipta sebagai berikut :
UNIANOVA amtspent BY shopfor usecoup
/METHOD=SSTYPE(3)
/INTERCEPT=INCLUDE
/PRINT=ETASQ
/CRITERIA=ALPHA(.05)
/DESIGN=shopfor usecoup shopfor*usecoup.
Prosedur ini mengandung spesifikasi amtspent sebagai variabel target, variabel usecoup dan
shopfor sebagai factors. PRINT membutuhkan estimates of effect size. DESIGN mengandung
spesifikasi usecoup, shopfor, dan shopfor*usecoup sebagai effects dalam model. Semua
peluang lain berdasar atas nilai-nilai sesuai ketentuan.
Tests of Between-Subjects Effects
Dependent Variable: Amount spent
Source
df
Mean Square
Sig.
Corrected Model
1867084,001
11
169734,909
37,796
,000
,551
Intercept
54651422,013
54651422,013
12169,668
,000
,973
shopfor
1329509,066
664754,533
148,026
,000
,466
usecoup
317508,903
105836,301
23,567
,000
,173
shopfor * usecoup
192031,603
32005,267
7,127
,000
,112
Error
1522377,820
339
4490,790
Total
59475118,440
351
3389461,820
350
Corrected Total
14
15
Custom dipilih sebagai model type. Variabel shopfor dan usecoup dipilih dalam Factors dan
Covariates list. Main effects dipilih untuk model. Variabel shopfor dan usecoup dipilih dalam
Factors and Covariates list. Interaction dipilih untuk model. Variabel storeid dalam Factors
dan Covariates list dipilih. Tombol Continue ditekan. Tombol OK ditekan. Langkah-langkah
ini akan mencipta perintah sintaksis sebagai berikut :
UNIANOVA amtspent BY shopfor usecoup storeid
/RANDOM=storeid
/METHOD=SSTYPE(3)
/INTERCEPT=INCLUDE
/PRINT=ETASQ
/CRITERIA=ALPHA(.05)
/DESIGN=shopfor usecoup shopfor*usecoup storeid.
storeid
merupakan suatu random effect. PRINT membutuhkann estimasi dari effect size. DESIGN
mengandung spesifikasi usecoup, shopfor, shopfor*usecoup, dan
dalam model. Semua peluang lain ditentukan sesuai dengan nilai menurut ketentuan.
Tests of Between-Subjects Effects
Dependent Variable: Amount spent
Type III Sum of
Squares
Source
Hypothesis
Intercept
shopfor
usecoup
shopfor *
usecoup
storeid
51402962,48
Error
Hypothesis
Error
479937,374
1109546,714
51402962
7166,027
554773,4
3835,388
84616,87
1073908,578
280
3835,388
138871,544
23145,26
1073908,578
280
3835,388
448469,242
59
7601,174
280
3835,388
Sig.
7173,147
0,991
144,646
0,508
22,062
0,191
6,035
0,115
1,982
0,295
1073908,578
280
Hypothesis
Error
1
66,97
4
2
253850,608
Hypothesis
Error
Mean Square
1073908,578
Hypothesis
Error
df
Penambahan Store ID sebagai suatu random-effects factor mengurangi variabilitas yang tidak
dapat dijelaskan secara keseluruhan, diberi tanda sebagai kesalahan dari 1522377.826 ke
1073908.578.
Hal ini juga mengurangi variasi dijelaskan oleh efek utama , Usecoup dan Shopfor. Ini sangat
alami dan hanya menunjukkan bahwa beberapa variasi awalnya dijelaskan oleh istilah Model
16
ini dapat lebih baik dijelaskan oleh Toko ID . Fakta penting di sini adalah bahwa
pengurangan proporsional dalam variasi dijelaskan oleh masing-masing efek utama adalah
tidak sama besar seperti pengurangan variasi dijelaskan . Dengan demikian, eta parsial
kuadrat meningkat untuk masing-masing efek Model .
Sintaksis Gabungan
Sintaksis gabungan adalah sebagai berikut :
**********************************************************
***** Abdullah M. Jaubah
**********************************************************
GET
FILE='D:\SPSS22\grocery_1month.sav'.
UNIANOVA amtspent BY gender style
/METHOD=SSTYPE(3)
/INTERCEPT=INCLUDE
/POSTHOC=style(TUKEY)
/PLOT=PROFILE(style*gender)
/EMMEANS=TABLES(gender*style)
/PRINT=ETASQ HOMOGENEITY DESCRIPTIVE
/PLOT=SPREADLEVEL
/CRITERIA=ALPHA(.05)
/DESIGN=gender style gender*style.
UNIANOVA amtspent BY shopfor usecoup
/METHOD=SSTYPE(3)
/INTERCEPT=INCLUDE
/PRINT=ETASQ
/CRITERIA=ALPHA(.05)
/DESIGN=shopfor usecoup shopfor*usecoup.
UNIANOVA amtspent BY shopfor usecoup storeid
/RANDOM=storeid
/METHOD=SSTYPE(3)
/INTERCEPT=INCLUDE
/PRINT=ETASQ
/CRITERIA=ALPHA(.05)
/DESIGN=shopfor usecoup shopfor*usecoup storeid.
Sintaksis gabungan dijalankan dengan cara memakai perintah Run>All dari Syntax Editor.
Pelaksanaan sintaksis di atas akan menyajikan hasil secara lengkap sebagai berikut :
**********************************************************
***** Abdullah M. Jaubah
**********************************************************
GET
FILE='D:\SPSS22\grocery_1month.sav'.
UNIANOVA amtspent BY gender style
/METHOD=SSTYPE(3)
/INTERCEPT=INCLUDE
/POSTHOC=style(TUKEY)
/PLOT=PROFILE(style*gender)
/EMMEANS=TABLES(gender*style)
/PRINT=ETASQ HOMOGENEITY DESCRIPTIVE
/PLOT=SPREADLEVEL
/CRITERIA=ALPHA(.05)
17
Between-Subjects Factors
Value Label
Gender
Shopping style
Male
185
Female
166
Biweekly; in bulk
Weekly; similar
70
222
items
3
Often; what's on
59
sale
Descriptive Statistics
Dependent Variable: Amount spent
Gender
Shopping style
Mean
Male
Biweekly; in bulk
413,0657
90,86574
35
440,9647
98,23860
120
407,7747
69,33334
30
Total
430,3043
93,47877
185
Biweekly; in bulk
343,9763
100,47207
35
361,7205
90,46076
102
405,7269
80,57058
29
Total
365,6671
92,64058
166
Biweekly; in bulk
378,5210
101,25839
70
404,5552
102,48440
222
406,7681
74,42114
59
Total
399,7352
98,40821
351
Female
Total
Std. Deviation
df1
1,157
df2
5
Sig.
345
,330
Tests the null hypothesis that the error variance of the dependent variable is equal across groups.
a. Design: Intercept + gender + style + gender * style
Tests of Between-Subjects Effects
Dependent Variable: Amount spent
Type III Sum of
Source
Corrected Model
Squares
469402,996
df
a
Mean Square
5
93880,599
F
11,092
Sig.
,138
18
Intercept
39359636,387
39359636,387
4650,274
,000
,931
158037,442
158037,442
18,672
,000
,051
style
33506,210
16753,105
1,979
,140
,011
gender * style
69858,325
34929,163
4,127
,017
,023
Error
2920058,824
345
8463,939
Total
59475118,440
351
3389461,820
350
gender
Corrected Total
Shopping style
Male
Biweekly; in bulk
413,066
15,551
382,479
443,652
440,965
8,398
424,446
457,483
407,775
16,797
374,738
440,812
Biweekly; in bulk
343,976
15,551
313,390
374,563
361,720
9,109
343,804
379,637
405,727
17,084
372,125
439,329
Female
Mean
Std. Error
Lower Bound
Upper Bound
Biweekly;
in bulk
Std.
Error
Sig.
Lower
Bound
Upper
Bound
-26,0342
12,611
0,099
-55,7191
3,651
-28,2471
16,259
0,193
-66,5198
10,03
26,0342
12,611
0,099
-3,6507
55,72
-2,213
13,475
0,985
-33,932
29,51
28,2471
16,259
0,193
-10,0256
66,52
2,213
13,475
0,985
-29,5061
33,93
Weekly;
Biweekly; in bulk
similar
Often; what's on sale
items
Often;
Biweekly; in bulk
what's on
Weekly; similar items
sale
Based on observed means.
The error term is Mean Square(Error) = 8463,939.
Homogeneous Subsets
Amount spent
Tukey HSD
a,b,c
Shopping style
Subset
19
1
Biweekly; in bulk
70
378,5210
222
404,5552
59
406,7681
Sig.
,116
Spread-versus-Level Plots
20
Profile Plots
21
Use coupons
Self
121
140
90
No
From newspaper
From mailings
From both
101
82
100
68
of Squares
Corrected Model
1867084,001a
11
169734,909
37,796
,000
,551
Intercept
54651422,013
54651422,013
12169,668
,000
,973
shopfor
1329509,066
664754,533
148,026
,000
,466
usecoup
317508,903
105836,301
23,567
,000
,173
shopfor * usecoup
192031,603
32005,267
7,127
,000
,112
Error
1522377,820
339
4490,790
Total
59475118,440
351
3389461,820
350
Corrected Total
df
Mean Square
Sig.
22
Source
Intercept
shopfor
usecoup
shopfor *
usecoup
storeid
Hypothesis
51402962,48
Error
51402962
479937,374
66,974
7166,027
1109546,714
554773,4
1073908,578
280
3835,388
253850,608
84616,87
1073908,578
280
3835,388
138871,544
23145,26
280
Hypothesis
Error
Hypothesis
Error
1073908,578
Hypothesis
Error
Error
Hypothesis
Mean
Square
df
3835,388
448469,242
59
7601,174
1073908,578
280
3835,388b
Sig.
Partial Eta
Squared
7173,147
0,991
144,646
0,508
22,062
0,191
6,035
0,115
1,982
0,295
Var(storeid)
Var(Error)
Quadratic Term
Intercept
5,007
shopfor
,000
usecoup
,000
shopfor * usecoup
,000
storeid
Error
5,661
1,000
,000
1,000
a. For each source, the expected mean square equals the sum of the coefficients in the cells times the variance
components, plus a quadratic term involving effects in the Quadratic Term cell.
b. Expected Mean Squares are based on the Type III Sums of Squares.
Ringkasan
Pembahasan mengenai General Linear Model mencakup empat peluang pilihan yaitu
Univariate, Multivariate, Repeated Measures, dan Variance Components. Tiga peluang tidak
dibahas di sini karena termasuk dalam kelompok Advance Statistics.
Suatu faktor acak ditambahkan pada model untuk meningkatkan varians relatih yang
dijelaskan oleh unsur model lain. Akibat-akibat acak (random effects) adalah sering
merupakan faktor-faktor yang tidak merupakan unsur langsung pada masalah yang sedang
dihadapi. Pemikiran lebih lanjut diperlukan untuk mempertimbangkan variasi toko-ke-toko
23
itu mungkin merupakan model bermanfaat dan akan membutuhkan pemasukan data tersebut
dalam proses pengumpulan data.
Prosedur General Linear Model Univariate bermanfaat untuk pemodelann hubungan linear
antara bariabel dependen berjenis kuantitatif dan satu atau lebih variabel berjenis kategorikal
dan prediktor-prediktor bejenis kuantitatif. Prosedur One Way Anova dipakai jika hanya
terdapat satu faktor saja. Prosedur linear regression dipakai jika hanya terdapat satu kovariat
Sintaksis gabungan disajikan dan disimpan dalam arsip sintaksis. Hasil pelaksanaan sintaksis
gabungan juga disajikan.
Penulis mengharap kritik dari para pembaca.
Daftar Kepustakaan
IBM SPSS Statistics, Inc. 2013. Case Studies
Permata Depok Regency, 12 April 2016
24