You are on page 1of 19

ANALISIS MULTIVARIAT VARIANS (MANOVA) DAN ANALISIS VARIANS (ANOVA)

Analisis multivariat varians (MANOVA) merupakan perluasan dari analisis varians (ANOVA) yang dimana berkaitan dengan lebih dari satu variabel dependen. Ini adalah teknik untuk mengukur perbedaan antara dua atau lebih variabel dependen metrik berdasarkan satu kategoris (nonmetric) variabel yang bertindak sebagai variabel independen. Seperti ANOVA, MANOVA berkaitan dengan perbedaan antara kelompok. ANOVA disebut prosedur univariat karena kita menggunakannya untuk menilai perbedaan kelompok pada variabel dependen satu metrik. MANOVA disebut prosedur multivariat karena kita menggunakannya untuk menilai perbedaan kelompok di beberapa variabel dependen metrik secara bersamaan. Pada MANOVA, perlakuan masing-masing kelompok 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 sesuai dengan distribusi yang diajukan. ANOVA dan MANOVA sangat berguna bila digunakan dalam hubungannya dengan desain eksperimental, yaitu, penelitian desain di mana peneliti 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 (misalnya, apakah perbedaan yang diamati adalah karena efek perlakuannya atau variabilitas random sampling). Namun, MANOVA juga memiliki peran dalam desain noneksperimental (misalnya, survey penelitian) di mana kelompok-kelompok kepentingan (misalnya, jenis kelamin, pembeli / nonpembeli) didefinisikan dan kemudian perbedaan pada sejumlah variabel metrik (misalnya, sikap, kepuasan, tingkat pembelian ) yang dinilai untuk signifikansi statistik. MANOVA: Memperluas Metode univariat Untuk Menilai Perbedaan Grup Banyak teknik multivariat merupakan perluasan dari teknik univariate, seperti dalam kasus regresi berganda, yang diperpanjang regresi sederhana (dengan hanya satu variabel independen) untuk analisis multivariat di mana dua atau lebih variabel independen dapat digunakan. Situasi yang sama ditemukan dalam menganalisis perbedaan kelompok. Prosedur ini diklasifikasikan
1

sebagai univariat bukan karena jumlah variabel dependen. Dalam regresi berganda, istilah univariat dan multivariat mengacu pada jumlah variabel independen, tetapi untuk ANOVA dan MANOVA, terminologi berlaku untuk penggunaan variabel dependen tunggal atau ganda. Kedua teknik ini telah lama dikaitkan dengan analisis desain eksperimental. Teknik-teknik univariat digunakan untuk menganalisis perbedaan kelompok adalah t-test (2group) dan analisis varians (ANOVA) untuk 2 atau lebih kelompok. The t-test dan Hotelling 's T2 digambarkan sebagai kasus khusus bahwa mereka terbatas untuk menilai hanya dua kelompok (kategori) untuk variabel independen, sedangkan ANOVA dan MANOVA juga dapat menangani situasi dua kelompok di mana variabel independen memiliki lebih dari dua kelompok. t-Test t-Test menilai perbedaan signifikansi statistik antara dua sampel independen yaitu variabel dependen tunggal. Analisis Desain. Perbedaan nilai rata-rata kelompok adalah hasil dari pengamatan (misalnya, responden) ke salah satu dari dua kelompok berdasarkan nilai dari variabel nonmetric yang dikenal sebagai suatu faktor. Faktor A adalah variabel nonmetric, berkali-kali digunakan dalam desain eksperimental di mana itu dimanipulasi dengan kategori atau tingkat yang diusulkan untuk mencerminkan perbedaan dalam variabel dependen. Faktor A juga bisa saja menjadi variabel nonmetric, seperti jenis kelamin. Menghitung Statistik t. Ukuran yang digunakan adalah statistik t, didefinisikan dalam hal ini sebagai rasio perbedaan antara sampel yang berarti kesalahan standar mereka. Kesalahan standar estimasi perbedaan antara sarana diharapkan karena kesalahan sampling. Jika perbedaan yang sebenarnya antara sarana kelompok cukup besar dari standar kesalahan, maka kita dapat menyimpulkan bahwa perbedaan ini secara statistik adalah signifikan. Menafsirkan Statistik t. Berapa besar nilai t harus menjadi pertimbangan perbedaan signifikan secara statistik (misalnya, perbedaan itu bukan karena variabilitas sampling, namun merupakan perbedaan yang benar)? Penentuan ini dilakukan dengan membandingkan statistik t dengan nilai

kritis dari statistik t (tcrit). Kami menentukan perbedaan nilai kritis (tcrit) untuk statistik t dan uji signifikansi statistik yang diamati dengan prosedur berikut: 1. Menghitung statistik t sebagai rasio perbedaan antara sarana standar sampel kesalahan mereka. 2. Menentukan tingkat kesalahan tipe I (dilambangkan sebagai alpha, atau tingkat signifikansi), yang menunjukkan tingkat probabilitas. 3. Menentukan nilai kritis (tcrit) dengan mengacu pada distribusi t dengan N1+N2-2 derajat kebebasan dan tingkat tertentu, di mana N1 dan N2 adalah ukuran sampel. Meskipun peneliti dapat menggunakan tabel statistik untuk menemukan nilai yang tepat, nilai-nilai khas beberapa digunakan ketika ukuran sampel total setidaknya lebih besar dari 50. 4. Jika nilai absolut dari statistik t dihitung melebihi tcrit, peneliti dapat menyimpulkan bahwa kedua kelompok melakukan perbedaan dimana berarti ukuran kelompok tergantung dengan kesalahan Tipe I probabilitas alpha. Peneliti kemudian dapat memeriksa penelitian yang sebenarnya dengan nilai rata-rata yang sebenarnya untuk menentukan kelompok mana yang lebih tinggi. The t-test secara luas digunakan karena bekerja dengan ukuran kelompok kecil dan cukup mudah untuk menerapkan dan menafsirkannya. Terdapat pula beberapa keterbatasan: (1) hanya menampung dua kelompok, dan (2) hanya dapat menilai satu variabel independen pada suatu waktu. Untuk menghapus salah satu atau kedua pembatasan, peneliti dapat memanfaatkan analisis varians, yang dapat menguji variabel independen dengan lebih dari dua kelompok serta secara bersamaan menilai dua atau lebih variabel independen. Analisis Desain. ANOVA memberikan fleksibilitas yang lebih jauh dalam pengujian untuk perbedaan kelompok daripada yang ditemukan dalam uji t-. Meskipun t-test dapat dilakukan dengan ANOVA, peneliti juga memiliki kemampuan untuk menguji perbedaan antara lebih dari dua kelompok serta uji lebih dari satu variabel independen. Faktor yang tidak terbatas hanya dua tingkat, tetapi dapat memiliki berbagai tingkatan (kelompok) seperti yang diinginkan. Selain itu, kemampuan untuk menganalisa lebih dari satu variabel independen memungkinkan peneliti lebih analitis hanya pada satu variabel independen.

Pengujian Statistik. Sebagai analisis varians nama menyiratkan, dua perkiraan independen dari varians untuk variabel dependen yang dibandingkan. Yang pertama mencerminkan variabilitas responden umum dalam kelompok (MSW) dan yang kedua merupakan perbedaan antara kelompok disebabkan oleh efek pengobatan (MSB):
1. Dalam kelompok varians (MSW: mean square dalam kelompok): Ini perkiraan variabilitas

responden rata-rata pada variabel dependen dalam kelompok perlakuan didasarkan pada penyimpangan dari nilai individu dari cara masing-masing kelompok. MSW sebanding dengan standar kesalahan antara dua cara yang dihitung dalam uji t karena merupakan variabilitas dalam kelompok. MSW kadang-kadang disebut sebagai kesalahan varians.
2. Antara perkiraan kelompok varians (MSB: mean square antara kelompok-kelompok):

Perkiraan kedua varians adalah variabilitas dari kelompok perlakuan yang berarti terdapat pada variabel dependen. Hal ini didasarkan pada penyimpangan kelompok dimana dari semua nilai mean secara kesuluruhan. Di bawah hipotesis nol tidak ada efek perlakuan, perkiraan ini varians, seperti MSW mencerminkan efek perlakuan, yaitu, perbedaan perlakuan yang berarti meningkatkan nilai diharapkan dari MSB. Menghitung Statistik F. Rasio MSB untuk MSW adalah ukuran dari berapa banyak varians yang disebabkan oleh perlakuan yang berbeda dibandingkan dengan varians yang diharapkan dari random sampling. Rasio MSB ke MSW mirip dalam konsep dengan nilai t, tetapi dalam kasus ini memberikan kita suatu nilai statistik F. Karena perbedaan antara kelompok yang mengembangkan MSB, nilai besar memimpin statistik F untuk penolakan hipotesis nol tidak ada perbedaan berarti pada seluruh kelompok. Jika analisis memiliki beberapa perlakuan yang berbeda (variabel independen), maka perkiraan MSB dihitung untuk setiap perlakuan dan statistik F dihitung juga untuk setiap perlakuan. Pendekatan ini memungkinkan untuk penilaian yang terpisah dari masing-masing perlakuan. Menafsirkan Statistik F. Untuk menentukan apakah statistik F cukup besar untuk mendukung penolakan hipotesis nol (berarti bahwa perbedaan yang hadir antara kelompok), mengikuti proses yang sama dengan uji t:
1. Tentukan nilai kritis untuk statistik F (Fcrit) dengan mengacu pada distribusi F dengan (k-

1) dan (N-k) derajat kebebasan untuk tingkat alpha tertentu

(di mana k = jumlah


4

kelompok). Seperti dengan uji t, seorang peneliti dapat menggunakan nilai F tertentu sebagai pedoman umum ketika ukuran sampel yang relatif besar.
2. Hitung statistik f atau menemukan nilai F yang dihitung oleh program komputer. 3. Jika nilai statistik F dihitung melebihi Fcrit disimpulkan bahwa sarana di semua kelompok

tidak semua sama. Sekali lagi, program komputer memberikan nilai F dan tingkat signifikansi yang terkait, sehingga peneliti langsung dapat menilai apakah memenuhi tingkat yang dapat diterima. Pemeriksaan kelompok berarti memungkinkan peneliti untuk menilai relatif masing-masing kelompok pada ukuran. Meskipun uji statistik F menilai hipotesis nol adalah sarana yang sama, itu tidak menjawab pertanyaan yang berarti berbeda. Misalnya, dalam situasi tiga kelompok, ketiga kelompok dapat berbeda secara signifikan, atau dua mungkin sama tetapi berbeda dari ketiganya. Untuk menilai perbedaan ini, peneliti dapat menggunakan baik perbandingan direncanakan atau posting tes hoc. Kami memeriksa setiap metode tersebut pada bagian selanjutnya. Prosedur Multivariate Untuk Menilai Perbedaan Grup Sebagai prosedur inferensi statistik, baik teknik univariat (t test dan ANOVA) dan ekstensi multivariat mereka (Hotelling T2 ini dan MANOVA) digunakan untuk menilai signifikansi statistik perbedaan antara kelompok. Dalam uji t dan ANOVA, hipotesis nol diuji adalah kesetaraan sarana tunggal variabel dependen seluruh kelompok. Dalam teknik multivariat, hipotesis nol diuji adalah persamaan vektor sarana pada beberapa variabel dependen seluruh kelompok. Perbedaan Antara MANOVA dan Analisis Diskriminan. Kami mencatat sebelumnya bahwa dalam pengujian statistik, MANOVA menggunakan fungsi diskriminan, yang merupakan variate variabel dependen yang memaksimalkan perbedaan antara kelompok. Pertanyaan yang mungkin timbul: Apa perbedaan antara MANOVA dan analisis diskriminan? Variabel dependen dalam MANOVA (satu set variabel metrik) adalah variabel independen dalam analisis diskriminan, dan variabel dependen tunggal nonmetric analisis diskriminan menjadi variabel independen di MANOVA. Selain itu, keduanya menggunakan metode yang sama dalam membentuk dan menilai signifikansi variat statistik antara kelompok.
5

Perbedaannya, bagaimanapun, berpusat sekitar objectivitas dari analisis dan peran variabel nonmetric: 1. Analisis diskriminan mempekerjakan variabel nonmetric tunggal sebagai variabel dependen. Kategori variabel dependen diasumsikan seperti yang diberikan, dan variabel independen yang digunakan untuk membentuk variates yang maksimal berbeda antara kelompok yang dibentuk oleh kategori variabel dependen. 2. MANOVA menggunakan variabel metrik sebagai variabel dependen dan tujuannya menemukan kelompok responden yang menunjukkan perbedaan pada variabel dependen. Kelompok-kelompok responden tidak diklasifikasi, melainkan, peneliti menggunakan satu atau lebih variabel independen (variabel nonmetric) untuk membentuk kelompok. MANOVA, bahkan ketika membentuk kelompok-kelompok ini, masih mempertahankan kemampuan untuk menilai dampak dari masing-masing variabel nonmetric secara terpisah Perbedaan Dari Analisis Diskriminan Meskipun MANOVA mengkonstruksi variate dan menganalisis perbedaan dalam cara yang mirip dengan analisis diskriminan, kedua teknik sangat berbeda dalam bagaimana kelompok dibentuk dan dianalisis. Mari kita gunakan contoh ini untuk menggambarkan perbedaanperbedaan ini: 1. Dengan analisis diskriminan, kita hanya bisa menguji perbedaan antara empat kelompok, tanpa membedakan karakteristik suatu kelompok (jenis produk atau status pelanggan). Peneliti akan dapat menentukan apakah variate signifikan hanya berbeda di seluruh kelompok, tapi tidak bisa menilai mana karakteristik kelompok yang berhubungan dengan perbedaan-perbedaan. 2. Dengan MANOVA, bagaimanapun, peneliti menganalisis perbedaan pada kelompok sementara juga berarti apakah perbedaan adalah karena jenis produk, jenis pelanggan, atau keduanya. Dengan demikian, MANOVA memfokuskan analisis terhadap komposisi kelompok berdasarkan karakteristik mereka (variabel independen). MANOVA memungkinkan peneliti untuk mengajukan rancangan penelitian yang lebih kompleks dengan menggunakan sejumlah variabel nonmetric independen (dalam batas) untuk
6

membentuk kelompok dan kemudian mencari perbedaan yang signifikan dalam variate variabel dependen yang terkait dengan variabel nonmetric tertentu. Tahap 1: Tujuan MANOVA Pemilihan MANOVA didasarkan pada keinginan untuk menganalisis hubungan

ketergantungan yang direpresentasikan sebagai perbedaan dalam satu pasang tindakan yang tergantung di serangkaian kelompok yang dibentuk oleh satu atau lebih tindakan kategoris independen. Dengan demikian, MANOVA merupakan alat analisis yang cocok untuk beragam pertanyaan penelitian. Apakah digunakan dalam situasi aktual atau kuasi-eksperimental (yaitu pengaturan lapangan, atau survei penelitian dimana merupakan tindakan kategorikal independen). Pengendalian Tingkat Kesalahan Experimentwide Penggunaan ANOVA univariat terpisah atau t-tes dapat membuat masalah ketika mencoba untuk mengontrol tingkat kesalahan experimentwide. Sebagai contoh, asumsikan bahwa kita mengevaluasi serangkaian lima variabel dependen dengan ANOVA terpisah, setiap kali menggunakan .05 sebagai tingkat signifikansi. Mengingat ada perbedaan nyata dalam variabel dependen, kita akan diharapkan untuk mengamati dampak yang signifikan pada setiap 5 persen diberikan variabel dependen . Namun, di lima tes terpisah, kemungkinan kesalahan Tipe I terletak di suatu tempat antara 5 persen, jika semua variabel terikat sempurna berkorelasi, dan 23 persen (1-.95), jika semua variabel dependen tidak berkorelasi. Dengan demikian, serangkaian uji statistik yang terpisah menyebabkan tanpa kontrol yang efektif tipe kami secara keseluruhan atau experimentwide tingkat kesalahan I. Jika keinginan peneliti untuk mempertahankan kontrol atas tingkat kesalahan experimentwide dan setidaknya beberapa derajat korelasi hadir antara variabel dependen, maka MANOVA adalah tepat. Perbedaan Antara sSebuah Kombinasi Variabel Dependent Serangkaian tes univariat ANOVA juga mengabaikan kemungkinan bahwa beberapa (kombinasi linear) komposit dari variabel dependen dapat memberikan bukti adanya perbedaan kelompok secara keseluruhan yang mungkin tidak terdeteksi dengan memeriksa setiap variabel terikat secara terpisah. Tes individu mengabaikan korelasi antara variabel dependen dan dalam
7

proses multikolinearitas diantara variabel dependen, MANOVA akan lebih kuat daripada tes univariat terpisah dalam beberapa cara: 1. MANOVA dapat mendeteksi perbedaan gabungan yang tidak ditemukan dalam tes univariat. 2. Jika beberapa variates terbentuk, maka mereka dapat memberikan dimensi perbedaan yang dapat membedakan antara kelompok-kelompok yang lebih baik dari variabel tunggal. 3. Jika jumlah variabel dependen disimpan relatif rendah (5 atau lebih sedikit), kekuatan statistik dari tes MANOVA sama atau melebihi yang diperoleh dengan ANOVA tunggal Beberapa Pertanyaan Univariate Seorang peneliti mempelajari pertanyaan univariat beberapa mengidentifikasi sejumlah variabel dependen yang terpisah (misalnya, usia, pendapatan, pendidikan konsumen) yang akan dianalisis secara terpisah tetapi membutuhkan beberapa kontrol atas tingkat kesalahan experimentwide. Dalam hal ini, MANOVA digunakan untuk menilai apakah perbedaan secara keseluruhan ditemukan antara kelompok-kelompok, dan kemudian tes univariat yang terpisah digunakan untuk mengatasi masalah individu untuk setiap variabel dependen. Tahap 2: Isu Dalam Desain Penelitian MANOVA MANOVA mengikuti semua prinsip-prinsip dasar desain ANOVA, namun dalam beberapa kasus sifat multivariat dari tindakan dependen memerlukan perspektif yang unik. Pada bagian berikut kita akan meninjau prinsip-prinsip dasar desain dan menggambarkan isu-isu yang unik yang timbul dalam analisis MANOVA. Persyaratan Ukuran Sampel Secara Keseluruhan MANOVA, seperti semua teknik multivariat lainnya, dapat sangat dipengaruhi oleh ukuran sampel yang digunakan. Apa yang paling berbeda untuk MANOVA (dan teknik lainnya menilai perbedaan kelompok seperti uji t dan ANOVA) adalah bahwa persyaratan ukuran sampel yang berhubungan dengan ukuran kelompok individu dan bukan total sampel. Sejumlah masalah dasar timbul mengenai ukuran sampel yang dibutuhkan dalam MANOVA: Sebagai minimal, sampel dalam setiap sel (kelompok) harus lebih besar dari jumlah variabel dependen. Meskipun kekhawatiran ini mungkin tampak kecil, masuknya hanya
8

sejumlah kecil variabel dependen dalam analisis menempatkan kendala terkadang mengganggu pada pengumpulan data. Masalah ini sangat lazim dalam eksperimen lapangan atau survei penelitian, dimana peneliti kurang memiliki kendali atas sampel yang dicapai. Sebagai panduan praktis, ukuran minimum yang disarankan adalah 20 sel pengamatan. Sekali lagi, ingatlah jumlah ini per kelompok, yang memerlukan sampel secara keseluruhan cukup besar bahkan untuk analisis yang cukup sederhana. Dalam contoh sebelumnya kami pesan iklan, kami hanya memiliki dua faktor, masing-masing dengan dua tingkat, tetapi analisis ini akan membutuhkan 80 pengamatan untuk analisis yang memadai. Karena adanya jumlah yang meningkat pada variabel dependen, maka ukuran sampel diperlukan untuk mempertahankan peningkatan nilai statistiknya juga. Peneliti harus berusaha untuk mempertahankan ukuran sampel sama atau kira-kira sama per kelompok. Meskipun program komputer dengan mudah dapat mengakomodasi ukuran kelompok yang tidak sama, tujuan, efektivitas analisis ditentukan oleh ukuran kelompok terkecil, sehingga selalu membuat ukuran sampel menjadi perhatian utama. Faktorial Desain Dua atau Lebih Banyak kali peneliti ingin meneliti efek dari beberapa variabel independen atau perlakuan ketimbang hanya menggunakan perlakuan tunggal baik dalam ANOVA atau tes MANOVA. Kemampuan ini adalah perbedaan utama antara MANOVA dan analisis diskriminan untuk dapat menentukan dampak dari beberapa variabel independen dalam membentuk kelompok dengan perbedaan kelompok yang signifikan. Analisis dengan dua atau lebih perlakuan disebut desain cara faktorial. Memilih Perlakuan Penggunaan yang paling umum dari desain faktorial melibatkan pertanyaan penelitian yang berhubungan dua atau lebih variabel independen nonmetric untuk satu pasang variabel dependen. Dalam hal ini, variabel independen yang ditentukan dalam desain percobaan atau termasuk dalam desain eksperimen lapangan atau survey kuesioner. Jenis Perlakuan. Perlakuan atau faktorial adalah variabel independen nonmetric dengan nomor yang ditetapkan sebagai tingkat (kategori). Setiap tingkat mewakili kondisi yang berbeda atau karakteristik yang mempengaruhi variabel dependen. Dalam sebuah percobaan perlakuan ini dan
9

tingkatnya dirancang oleh peneliti dan diberikan dalam rangka percobaan. Dalam penelitian lapangan atau survei, mereka adalah karakteristik responden dikumpulkan oleh peneliti dan kemudian dimasukkan dalam analisis. Penggunaan yang paling umum dari perlakuan tambahan adalah untuk mengendalikan karakteristik yang mempengaruhi variabel dependen, tetapi bukan merupakan bagian dari desain studi. Dalam hal ini peneliti menyadari kondisi (misalnya, metode pengumpulan data) atau karakteristik responden (misalnya, lokasi geografis, jenis kelamin, dll) yang berpotensi menciptakan perbedaan. Cara yang paling langsung untuk menjelaskan efek seperti itu adalah melalui memblokir faktor, yang merupakan karakteristik nonmetric digunakan post hoc untuk segmen para responden. Tujuannya adalah untuk mengelompokkan responden untuk mendapatkan yang lebih besar dalam kelompok homogenitas dan mengurangi sumber MSW varian. Dengan demikian, kemampuan uji statistik untuk mengidentifikasi perbedaan ditingkatkan. Dengan demikian, setiap karakteristik nonmetric dapat dimasukkan langsung ke dalam analisis untuk menjelaskan dampaknya. Namun, jika Anda ingin variabel untuk mengendalikan adalah metrik, mereka dapat dimasukkan sebagai kovariat. Menggunakan Kovariat-ANCOVA dan MANCOVA Penggunaan faktor blocking untuk mengontrol pengaruh pada variabel dependen yang bukan merupakan bagian dari desain penelitian dan belum perlu diperhitungkan dalam analisis. Hal ini memungkinkan peneliti untuk mengendalikan variabel nonmetric, tapi bagaimana variabel metrik? Salah satu pendekatan yang akan mengkonversi variabel metrik menjadi variabel nonmetric (misalnya, median split, dll), tetapi proses ini umumnya dianggap tidak memuaskan karena banyak informasi yang terkandung dalam variabel metrik hilang dalam konversi. Pendekatan kedua adalah untuk memasukkan variabel metrik sebagai kovariat. Variabel ini dapat mengekstrak pengaruh asing dari variabel dependen, sehingga meningkatkan varians dalam kelompok (MSW). Proses dua langkah berikut: 1. Prosedur serupa dengan regresi linier yang digunakan untuk menghilangkan variasi dalam variabel dependen yang terkait dengan satu atau lebih kovariat. 2. Sebuah analisis konvensional dilakukan pada variabel dependen disesuaikan. Dalam pengertian sederhana, itu menjadi analisis residual regresi setelah efek dari kovariat dihapus
10

Ketika digunakan dengan ANOVA, analisis ini disebut analisis kovarians (ANCOVA) dan perpanjangan sederhana dari prinsip-prinsip ANCOVA untuk multivariat (variabel dependen multiple) analisis disebut MANCOVA. Tujuan Analisis Kovarian Tujuan dari kovariat adalah untuk menghilangkan efek yang (1) hanya mempengaruhi sebagian dari responden, atau (2) bervariasi antara responden. Serupa dengan penggunaan faktor blok, kovariat dapat mencapai dua tujuan spesifik: 1. Untuk menghilangkan beberapa kesalahan sistematik di luar kendali peneliti yang dapat bias hasilnya. 2. Untuk menjelaskan perbedaan dalam respon karena karakteristik unik dari responden. Dalam pengaturan eksperimental, bias yang paling sistematis dapat dihilangkan dengan penugasan acak responden untuk berbagai perlakuan. Namun, dalam penelitian nonexperimental, kontrol tersebut tidak mungkin. Sebagai contoh, dalam pengujian iklan, efek mungkin berbeda, tergantung pada waktu hari atau komposisi penonton dan reaksi mereka. Selain itu, perbedaan pribadi, seperti sikap atau pendapat, dapat mempengaruhi tanggapan, tetapi analisis tidak memasukkan mereka sebagai faktor perlakuan. Peneliti menggunakan kovariat untuk mengambil setiap perbedaan karena faktor-faktor ini sebelum efek dari percobaan dihitung. Asumsi Untuk Analisis Kovarian. Dua persyaratan untuk penggunaan analisis kovarians adalah sebagai berikut: 1. Kovariat harus memiliki beberapa hubungan (korelasi) dengan tindakan dependen. 2. Kovariat harus memiliki homogenitas efek regresi, yang berarti bahwa kovariat memiliki efek yang sama pada variabel dependen seluruh kelompok. Dalam hal regresi, itu berarti koefisien yang sama bagi semua kelompok. Uji statistik yang tersedia untuk menilai apakah asumsi ini digunakan. Jika salah satu dari persyaratan tersebut tidak terpenuhi, maka penggunaan kovariat yang tidak pantas. Tahap 3: Asumsi ANOVA Dan MANOVA Prosedur pengujian univariate ANOVA dijelaskan dalam bab ini berlaku (dalam arti statistik) jika diasumsikan bahwa variabel dependen terdistribusi normal, kelompok independen dalam respon mereka terhadap variabel dependen, dan varians adalah sama untuk semua kelompok perlakuan . Beberapa bukti, bagaimanapun, menunjukkan bahwa F tes di ANOVA

11

yang kuat berkaitan dengan asumsi-asumsi kecuali dalam kasus-kasus ekstrim. Untuk prosedur pengujian multivariat MANOVA, terdapat tiga asumsi yang harus dipenuhi: Pengamatan harus independen. Varians-kovarians matriks harus sama untuk semua kelompok perlakuan. Himpunan variabel dependen harus mengikuti distribusi normal multivariat (yaitu, kombinasi linear dari variabel dependen harus mengikuti distribusi normal). Selain asumsi statistik yang ketat, peneliti juga harus mempertimbangkan beberapa isu yang mempengaruhi kemungkinan efek yaitu, linearitas dan multikolinearitas dari variate variabel dependen. Tahap 4: Estimasi Model MANOVA dan Menilai Fit Secara Keseluruhan Setelah analisis MANOVA dirumuskan dan diuji untuk memenuhi asumsi, penilaian perbedaan yang signifikan di antara kelompok-kelompok yang dibentuk oleh perlakuan dapat dilanjutkan. Estimasi prosedur berdasarkan pada model linier umum menjadi lebih umum dan isu-isu dasar akan dibahas. Dengan model estimasi, peneliti kemudian dapat menilai perbedaan berarti berdasarkan pada uji statistik yang paling tepat untuk tujuan studi. Selain itu, dalam situasi apapun, tetapi terutama karena analisis menjadi lebih kompleks, peneliti harus mengevaluasi kekuatan uji statistik untuk memberikan perspektif yang paling informatif pada hasil yang diperoleh. Pengukuran yang disukai adalah salah satu yang paling ampuh untuk menjaga/mencegah dari pelanggaran dari asumsi-asumsi dalam MANOVA. Masing-masing pengukuran digunakan dalam situasi yang berbeda-beda: 1. Pillais criterion atau Wilks lambda lebih baik digunakan ketika pertimbangan dasar desain telah cocok (contoh: kecukupan sampel, pemenuhan asumsi-asumsi) 2. Pillais criterion dipertimbangkan dengan lebih lagi dan harus digunakan jika ukuran sampel mengalami penurunan, asumsi homogenitas kovarian tidak terpenuhi 3. Roys gcr akan lebih baik/kuat digunakan jika peneliti percaya diri dengan semua asumsiasumsinya, dan ketika pengukuran dependen bersifat representatif. Dalam suatu situasi yang luas dan mayoritas, semua pengukuran statistik memberikan kesimpulan yang hampir sama Estimasi dengan Model Linear Umum Cara tradisional menghitung uji statistik untuk ANOVA dan MANOVA didirikan lebih dari 70 tahun yang lalu. Dalam beberapa tahun terakhir, bagaimanapun, model linier umum (GLM)
12

telah menjadi sarana populer memperkirakan ANOVA dan MANOVA model. Prosedur GLM, seperti namanya, adalah model yang masing-masing terdiri dari tiga unsur: Variate. Kombinasi linear dari variabel independen yang ditetapkan oleh peneliti. Setiap variabel independen memiliki berat yang diperkirakan mewakili kontribusi yang variabel terhadap nilai prediksi. Random komponen. Distribusi probabilitas diasumsikan mendasari variabel dependen. Distribusi probabilitas yang khas adalah normal, Poisson, binomial, dan distribusi multinomial. Setiap distribusi dikaitkan dengan jenis variabel respon yang terkait dengan jenis variabel respon (misalnya, variabel kontinyu berhubungan dengan distribusi normal, proporsi yang berhubungan dengan distribusi binomial, dan variabel dikotomis yang terkait dengan distribusi Poisson). Peneliti memilih komponen acak berdasarkan pada jenis variabel respon. Tautan fungsi. Menyediakan koneksi teoritis antara variate dan komponen acak untuk mengakomodasi formulasi model yang berbeda. Fungsi link menentukan jenis transformasi yang dibutuhkan untuk menentukan model yang diinginkan. Tiga fungsi link yang paling umum adalah identitas, logit, dan link log. Tahap 5: Interpretasi Hasil MANOVA Setelah signifikansi statistik dari setiap perlakuan telah dinilai, peneliti ternyata perhatiannya untuk memeriksa hasil dan memahami bagaimana setiap perlakuan mempengaruhi tindakan dependen. Dengan demikian, serangkaian tiga langkah yang harus diambil: 1. Menginterpretasikan efek kovariat, jika digunakan. 2. Menilai mana variabel dependen yang menunjukkan perbedaan di seluruh perlakuan kelompok masing-masing. 3. Mengidentifikasi apakah kelompok berbeda pada variabel dependen tunggal atau seluruh variate dependen. Ada empat pengukuran yang paling sering digunakan untuk menilai signifikansi statistik antara grup-grup dalam variabel independen: 1. 2. 3. 4. Roys greatest characteristic root Wilks lambda Pillais criterion Hotellings T2

13

Dalam situasi yang sering ditemukan, hasil/kesimpulan dapat masuk dalam keempat pengukuran yang sama, tetapi dalam contoh/kasus khusus, kesimpulan dapat berbeda diantara pengukuran-pengukurannya. Untuk mandapatkan/menjaga kecukupan statistik yang baik sangat susah, karena: Nilai skala 0.80 dalam nilai alfa yang dipilih dapat diterima Ketika pengaruh ukurannya kecil, peneliti harus menggunakan ukuran sampel per grup yang lebih besar, untuk menjaga ketepatan/kekuatan statistik. GLM (general linear model) telah banyak digunakan dalam menguji model ANOVA maupun MANOVA.

Mengevaluasi Kovariat Kovariat dapat memainkan peran penting dengan memasukkan variabel metrik ke dalam desain MANOVA atau ANOVA. Namun, karena tindakan kovariat sebagai ukuran kontrol pada variate dependen, mereka harus dinilai sebelum perlakuan diperiksa. Setelah memenuhi asumsi untuk menerapkan kovariat, peneliti dapat menafsirkan efek sebenarnya dari kovariat pada variate dependen dan dampaknya terhadap uji statistik yang sebenarnya dari perlakuan. Menilai Efek Pada Variate Dependent Dengan dampaknya, jika ada, dari kovariat diperhitungkan dalam analisis, langkah berikutnya adalah untuk menguji dampak dari setiap perlakuan (variabel independen) terhadap variabel dependen. Dengan demikian, pertama-tama kita akan membahas bagaimana menilai perbedaan yang timbul pada setiap perlakuan. Dengan efek perlakuannya, kita kemudian akan menilai apakah efek-efek yang independen dalam kasus dua atau lebih perlakuan. Akhirnya, kita akan memeriksa apakah efek dari perlakuan memperpanjang ke set dari seluruh tindakan dependen atau tercermin dalam hanya sebagian dari langkah-langkah. Tahap 6: Validasi Hasil Analisis teknik varians (ANOVA dan MANOVA) dikembangkan dalam tradisi eksperimen, dengan replikasi sebagai sarana utama dari validasi. Kekhususan peerlakuan eksperimental memungkinkan untuk digunakan secara luas dari percobaan yang sama pada populasi ganda untuk menilai hasil generalisasi. Meskipun merupakan prinsip utama dari metode ilmiah, dalam ilmu sosial dan penelitian bisnis, eksperimen yang benar adalah berkali-kali diganti dengan uji statistik dalam situasi nonexperimental seperti survey penelitian. Kemampuan untuk memvalidasi hasil dalam situasi ini didasarkan pada peniruan dari perlakuan. Dalam banyak kasus, karakteristik demografi seperti usia, jenis kelamin, pendapatan, dan sejenisnya digunakan
14

sebagai perlakuan. Perlakuan ini mungkin tampak untuk memenuhi kebutuhan komparatif, namun peneliti harus memastikan bahwa elemen tambahan tugas acak ke sel juga bertemu, namun berkali-kali dalam keacakan penelitian survei belum sepenuhnya tercapai. Jadi peneliti harus sangat mempertimbangkan penggunaan kovariat untuk mengontrol fitur lain yang mungkin karakteristik dari kelompok usia atau jenis kelamin yang dapat mempengaruhi variabel dependen tetapi tidak dimasukkan dalam analisis.

ANOVA adalah singkatan dari Analysis of Variance. Latar belakang dikembangkan metoda ini karena ingin dilakukan testing terhadap rata-rata populasi yg mengalami perlakuan yg berbeda-beda. Pertanyaannya : apakah perbedaan rata-rata antara berbagai grup yg mengalami perlakuan berbeda tsb signifikan atau tidak. Analisis of variance atau ANOVA merupakan salah satu teknik analisis multivariate yang berfungsi untuk membedakan rerata lebih dari dua kelompok data dengan cara membandingkan variansinya. Analisis varian termasuk dalam kategori statistik parametric. Sebagai alat statistika parametric, maka untuk dapat menggunakan rumus ANOVA harus terlebih dahulu perlu dilakukan uji asumsi meliputi normalitas, heterokedastisitas dan random sampling Analisis varian dapat dilakukan untuk menganalisis data yang berasal dari berbagai macam jenis dan desain penelitian. Analisis varian banyak dipergunakan pada penelitian-penelitian yang banyak melibatkan pengujian komparatif yaitu menguji variabel terikat dengan cara membandingkannya pada kelompok-kelompok sampel independen yang diamati. Analisis varian saat ini banyak digunakan dalam penelitian survey dan penelitian eksperimen Asumsi untuk ujia ANOVA adalah: 1. Populasi semuanya normal 2. Standard deviasi populasi sama 3. Populasi independen

15

CONTOH KASUS SPSS

Hasil olah spss


Betw e e n-Subjects Factors X5 - Dis tribution System 0 Value Label Indirect through broker Direc t to customer N 57 43

Des criptive Statis tics X5 - Dis tribution Sys tem Indirect through broker Direc t to customer Total X20 - Likely to Indirect through broker Recommend Direc t to customer Total X21 - Likely to Purchas e Indirect through broker Direc t to customer Total X19 - Satisf action

Pada tampilan disamping menyajikan kriteria sistem distribusi perusahaan, yang dibagi kedalam dua grup/kelompok : yaitu sistem distribusi tidak langsung (indirect) yang diberi angka 0 dan sistem distribusi langsung (direct) yang diberi angka 1. Sedangkan jumlah sistem distribusi tidak langsung maupun langsung masing-masing sebanyak 57 dan 43
Std. Deviation .9855 1.0716 1.1918 .9677 .9526 1.0433 .9145 .7485 .9361 N 57 43 100 57 43 100 57 43 100

Mean 6.382 7.628 6.918 6.660 7.498 7.020 7.361 8.179 7.713

Pada tampilan diatas, menyajikan rata-rata dan standar deviasi untuk setiap variabel dependen. Secara sekilas terlihat bahwa rata-rata dan standar deviasi variabel satisfaction, likely to recommend dan likely to purchase untuk sistem distribusi langsung maupun tidak langsung terlihat berbeda. Sehingga kita bisa menyimpulkan sementara bahwa sistem distribusi mempengaruhi variabel-variabel independen (purchase outcome)

16

a Box's Te st of Equality of Covariance Matr ices

Box's M 4.096 F .659 df 1 6 df 2 56739.498 Sig. .683 Tests the null hypothesis that the obs erved covariance matric es of the dependent variables are equal ac ross groups. a. Design: Intercept+x 5

Tampilan selanjutnya pada Boxs test merupakan uji normalitas multivariat dengan uji Boxs M. uji tersebut menunjukkan tidak signifikan sehingga mengindikasikan bahwa matriks kovarian variabel dependen adalah sama pada sistem distribusi langsung dan tidak langsung. Hal ini berarti bahwa asumsi normalitas multivariat terpenuhi.

a Bartlett's Te st of Sphe ricity

Likelihood Ratio Approx. Chi-Square df Sig.

.000 136.644 5 .000

Tests the null hypothesis that the residual covariance matrix is proportional to an identity matrix. a. Design: Intercept+x 5

b Multivariate Te sts

Ef f ect Intercept

x5

Pillai's Trace Wilks ' Lambda Hotelling's Trac e Roy's Larges t Root Pillai's Trace Wilks ' Lambda Hotelling's Trac e Roy's Larges t Root

V alue .989 .011 88.025 88.025 .277 .723 .384 .384

F Hypothes is df a 2816.798 3.000 2816.798a 3.000 2816.798a 3.000 a 2816.798 3.000 12.277 a 3.000 a 12.277 3.000 12.277 a 3.000 12.277 a 3.000

Error df 96.000 96.000 96.000 96.000 96.000 96.000 96.000 96.000

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

Partial Eta Squared .989 .989 .989 .989 .277 .277 .277 .277

a. Ex ac t statis tic b. Design: Intercept+x5

17

a Levene's Te st of Equality of Error V ariance s

X19 - Satisf action X20 - Likely to Recommend X21 - Likely to Purchas e

F .184 .459 2.670

df 1 1 1 1

df 2 98 98 98

Sig. .669 .500 .105

Tests the null hypothes is that the error varianc e of the dependent variable is equal across groups. a. Design: Intercept+x5

Tes ts of Betw ee n-Subjects Effe cts Sourc e Correc ted Model Dependent Variable X19 - Satisf ac tion X20 - Likely to Recommend X21 - Likely to Purchase X19 - Satisf ac tion X20 - Likely to Recommend X21 - Likely to Purchase X19 - Satisf ac tion X20 - Likely to Recommend X21 - Likely to Purchase X19 - Satisf ac tion X20 - Likely to Recommend X21 - Likely to Purchase X19 - Satisf ac tion X20 - Likely to Recommend X21 - Likely to Purchase X19 - Satisf ac tion X20 - Likely to Recommend X21 - Likely to Purchase Ty pe III Sum of Squares 38.019 a 17.213
b c

df 1 1 1 1 1 1 1 1 1 98 98 98 100 100 100 99 99 99

Mean Square 38.019 17.213 16.387 4811.075 4912.535 5919.320 38.019 17.213 16.387 1.047 .924 .718

F 36.311 18.630 22.822 4594.972 5316.892 8243.914 36.311 18.630 22.822

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

Partial Eta Squared .270 .160 .189 .979 .982 .988 .270 .160 .189

Intercept

16.387 4811.075 4912.535 5919.320 38.019 17.213 16.387 102.609 90.547 70.366 4926.500 5035.800 6035.790 140.628 107.760 86.753

x5

Error

Total

Correc ted Total

a. R Squared = .270 (A djusted R Squared = .263) b. R Squared = .160 (A djusted R Squared = .151) c. R Squared = .189 (A djusted R Squared = .181)

Pada kolom source diatas, ada beberapa informasi untuk uji ini. Analisis manova terletak pada apakah variabel independen mempengaruhi variabel dependen. Informasi ini terdapat pada corrected model dan X5. Keduanya menghasilkan informasi uji F yang sama karena keduanya merupakan uji apakah variabel independen mempengaruhi variabel dependen. Uji univariat F pada X5 menunjukkan signifikan pada =5%, dengan demikian sistem distribusi mempengaruhi ketiga variabel dependen dalam penelitian (satisfaction, likely to recommend, dan likely to purchase).

18

X5 - Distribution Syste m 95% Conf idence Interval Low er Bound Upper Bound 6.113 6.651 7.318 7.938 6.407 6.912 7.207 7.139 7.923 7.789 7.584 8.436

Dependent V ariable X19 - Satisf action X20 - Likely to Recommend

X5 - Dis tribution Sys tem Indirect through broker Direc t to customer Indirect through broker Direc t to customer

Mean 6.382 7.628 6.660 7.498 7.361 8.179

Std. Error .136 .156 .127 .147 .112 .129

X21 - Likely to Purc has e Indirect through broker Direc t to customer

Selanjutnya untuk melihat secara detail pengaruh sistem distribusi terhadap satisfaction, likely to recommend, dan likely to purchase, bisa dianalisis melalui rata-rata (mean) masingmasing kelompok dependent variable. Sistem distribusi langsung mempengaruhi lebih tinggi (7.628) dari pada saluran distribusi tidak langsung (6.382) pada variabel satisfaction (kepuasan pelanggan). Begitu juga pada variabel likely to recommend (peluang untuk memberikan rekomendasi) memiliki nilai mean sistem distribusi langsung sebesar 7.498, lebih besar dari pada sistem distribusi tidak langsung yang hanya sebesar 6.660. begitupun pada variabel likely to purchase (peluang untuk membayar secara cash) memiliki mean sistem distribusi langsung yang lebih besar daripada sistem distribusi tidak langsung.

19