Analisis Variansi II

Oleh
Suryo Guritno

 Y ~ N ,

2 Y ~ N , , => i

i.i.d

i = 1, 2, ..., N

ambil s.r.s berukuran n

2 jika 2 diket. , = > Y ~ N n

Y - s n ~ t n -1
jika 2 tak diket.

=> Inferensi statistika untuk parameter dapat dilakukan

Yj ~ N j , j ,

j = 1, 2
i.i.d

2 ambil s.r.s => => Yij ~ N j , j berukuran nj i = 1, 2, ..., n j dari masing2 populasi j = 1,2

2 1 2 2 => Y1 Y2 ~ N 1 2 , + n n 2 1

jika 12 dan 2 2 diket.

Y1 Y2 1 2 sp 1 1 + n1 n 2

~ t n1 + n 2 2 ,

sp

2 2 ( ) ( ) n1 1 s1 + n 2 1 s 2 =

n1 + n 2 2
2

2 jika 1 = 2 = tak diket.

=> Inferensi statistika untuk parameter 1- 2 dapat dilakukan

Y ~ N ( , )
j j 2

, j = 1, 2, ... , k
( k>2 )

2 ambil s.r.s => => Yij ~ N j , j berukuran nj i = 1, 2, ..., n j dari masing2 populasi j = 1,2

i.i.d

=> Inferensi statistika untuk membandingkan j ???

 SST = SSA + SSW

??

(Y
j=1 i =1
k

nj

ij

Y..

Y.j Y.j
=>

{(Y
j=1 i =1
k nj

nj

ij

Y.j + Y.j Y..

) (
k

)}

=>

(Y
j=1 i =1

ij

Y.j

) + (Y
2 j=1 i =1

nj

ij

Y..

n (Y
j j=1

||

.j

Y..

=> SSA + SSW MSA ~ ?? MSW ~ ??

MSA => MSW

~ ??

 Yij = j + ij ,

ij ~ 0, 2

i.i.d

i = 1,2,..., n j ; j = 1,2,..., k
untuk keperluan inferensi statistika diperlukan persyaratan distri busi dari ij atau Yij

=> diasumsikan berdistribusi normal => ij ~ N 0,

i.i.d

i.i.d

)
2

2 Y ~ N , => ij j

i.i.d

2 , => Yij ~ N j nj

2 ~ X (n 1) j j

1 2
1 2

(Y
i j

ij Y.j

(
j

n j Y.j Y..

~ ??

 Teorema Cochran :
2 2 Y ~ N , ( ) Y Y dan dapat di Jika i i i dekomposikan menjadi k jumlah kuadrat SSj masingmasing dengan derajat bebas dbj, j = 1, 2, , k, maka

i.i.d

2 SS j ~ X db jika j

i.d

db
j

= n 1

=> SST = SSA + SSW db : n j 1 = (k 1) + ( n j k )

2 => SSA 2 ~ X (k 1) 2 SSW 2 ~ X ( n j k )

dan SSW 2 dan SSW 2 salingind

MSA ~ Fk 1; n j k => F = MSW

1 (MSA) = k -1
karena maka

(Y
j=1 i =1

nj

.j

Y..

Yij = j + ij

, ij ~ 0, 2

i.i.d

Y.j Y.. = .j + j (.. + . )

= .j .. + j .

) (

1 => (MSA) = k -1
1 = k -1

n (
j j=1

.j

..

) + n (
2 j j=1

j=1

2 n j .j

2 n .. ..

+ 1 k -1

(
j=1 k

n j j .

1 k 2 2 = n j E .j n .. E .. k -1 j=1

( )

( )

1 + k -1
k

(
j=1

n j j .

1 k 2 2 1 n . n = + j .. k -1 nj n .. j=1 k -1

(
j=1

n j j .

 1 (MSW) = n .. k
=>

(Y
j i

ij

Y.j

Yij Y.j = ij + j .j + j
= ij .j

) (
k

1 => (MSW) = n .. k

(
j=1

nj ij .j i =1

 Yij = j + ij ,

ij ~ 0, 2

i.i.d

j = ?? ,
Y11 = 1 + 11 Y 21 = 1 + 21

2 =

??

Yn11 = 1 + n11

Y12 = 2 +12

Y22 = 2 + 22

Yn2 2 = 2 +n2 2
Y1k = k +1k Y2k = k + 2k Yn k k = k + n k k

= X + <=> Y ~ ~ ~

 = (1 2 ... k )
~

1 0 0 ... 0 X = 1 0 0 ... 0 1 0 0 0 0 0 0 0 1 1 1 0 0 0 0 ... ... ... ... 0 0 0 0 1 1 1

n1 n2 nk

0 0 ... 0 0 ... 0 0 ...

=> untuk mencari estimator dapat digunakan : MM MKM MKT

 MKT : Cari harga parameter yang meminimumkan jumlah

2 2 => S = ij = (Yij j ) i j i j

kuadrat galat

j adalah j yang menentukan Smin =>

= Y X X => S = Y ~ ~ ~ ~ ~ ~ 1 ( ) = X X X Y => ~
~

j = =>

Y
i =1

nj

ij

nj

= Y.j , j = 1,2, .. , k

2 = ?? =>
ditentukan dari

(
i j

Yij Y ij ...

)= sehinga E (

!!!

(Y
n i =1

Y i

Y Y Y = Y ~ ~ ~ ~
= ~ I X( X X)

X ~

I X( X X) karena : Y Y ~ ~
I X( X X)

X sim. & idemp.

X ~

TH : X ~ N( o , I) dan A simetri ~ ~
2 bhb A idempoten dengan r(A)=k A X ~ Y => X k ~ ~

=>

1 2 2 ~ ( o , I) ~ ( o , I) sehingga karena ~ maka ~ ~ ~ 1 n 2 ~Y 2 Y Y i i (n k 1) 2 i =1

(
n

= =>

(Y
i =1

Y i

n k 1
2

2) = karena E(

 mean efek model :

Y ij = j + ij , ij ~ (0, 2 )
i = 1, 2, , nj ; j = 1, 2, , k (> 2)

i.i.d

faktor efek model :

Y ij = + j + ij , ij ~ (0, 2 )
i = 1, 2, , nj ; j = 1, 2, , k (> 2)

i.i.d

MKT : cari harga parameter yang meminimumkan jumlah

kuadrat galat

Y ij = j + ij
j adalah j yang meminimumkan =>
S=

i j

2 ij

MKM : cari harga parameter yang memaksimumkan fungsi kemungkinan

j adalah j yang memaksimumkan f (y11 ,..., y n =>

=> apakah hasilnya sama ??

kk

 Setelah Ho di tolak ???

inferensi untuk :

i j

a
i =1 k

i i

a
i =1

i=

0 : kontras

a
i =1

Uji komposisi ganda :

Fisher (=least sign.Diff.) LSD Tukey (=hon.sign.diff.) HSD Student.Newman-Keuls-SNK Duncan new mult.range Scheff Bonferroni

H o = i = j vs H1 = i j , i j
Fisher LSD : Ho ditolak jika :

Y i Y j > LSD

LSD = t
2

; (n k)

1 1 , + MSE ni n j

i j,

n =

n
i =1

 Tukey HSD : Ho ditolak jika :

Y i. Y j. > HSD
HSD = q ; k, (n k)
HSD
*

MSE n
MSE n* j

, equal s.s.

= q ; k, (n k)

, equal s.s.
n* j s.s. terkecil

HSD

**

= q ; k, (n k)

1 i MSE + ni n j

2 , T - Kram

 Student Newman Keuls (=SNK) Ho ditolak jika :

Y i. Y j. > SNK
SNK = q ; r, (n k) MSE n

r = banyaknya langkah yang memisahkan (i) dan (j)

 Duncan new mult.range (=DMR) Ho ditolak jika :

Y i. Y j. > DMR
DMR = q ; r, (n k) MSE n ,

r = banyaknya langkah yang memisahkan (i) dan (j)

(1 ) r 1 = protection level 1 - (1 ) r 1 = error rate

H o = = 0 vs H1 = 0, =
Scheff mult.comp. : Ho ditolak jika :

a
i

i i

>S j
S= MSE

i =1

a i2 (k 1) F; (k 1), (n k) ni

lebih konservatif (kurang sensitif) untuk menguji pair

 Bonferroni mult.comp. : Ho ditolak jika :

>B j
B = t MSE

2q; (n k)

i =1

a i2 , ni

q = banyaknya j yang diuji j = 1, 2, , q

 Cell means model

Yijk = ij + ijk

, ijk ~ (0, 2 )

i = 1, 2, , a ; j = 1, 2, , b k = 1, 2, , n

Factor effects model :

ij = + i + j ij = + i + j + ( ) ij
estimasi parameter ?? partisipasi jumlah kuadrat ?? - ekspektasi rerata juml. kuadrat ?? - distribusi

 dengan MLS

* Yijk = ij + ijk
1 => ij = Yij . = n

Y
k =1

ijk

* Yij = + i + j
= Y.. => i = Yi. Y..

=Y Y j .j ..
syaratnya ??

* Yijk = + i + j + ( ) ij = Y.. => =Y Y i = Yi. Y.. , j i. ..

( )ij = Yij. Yi.. Y.j. Y...

syaratnya ??
deviasi total deviasi penduga mean treatment sekitar overall mean deviasi sekitar penduga mean treatment

Yijk Y... =

- Y...

+ Yijk

(Y
(Y

ijk

Y... = Yij. Y... + Yijk Yij.

Y...

) (
2

) (

)
)]
ijk

ijk

) = [(Y
2

ij.

Y... + Yijk Yij.

2

) (

(Y
i, j, k

ijk

Y...

) = (Y
i, j, k

ij.

Y...

) + (Y
i, j, k

Yij.

???

 (Y
i, j, k

ij.

Y... Yijk Yij. = 0

)(

??

(
i, j

Yij. Y...

) (Y
k

ijk

Yij. = 0 , i, j