ANOVA vs ANCOVA ANOVA and ANCOVA are both statistical models that have different features: ANOVA Analysis

of variance (ANOVA) is a collection of statistical models and their procedures which are used to observe differences between the means of three or more variables in a population basing on the sample presented. It is very useful in comparing three or more means. It is a statistical tool that has been used in several sectors such as agriculture, psychology, and different industries. It assumes that each observation is independent, that the measurement level intervals between the DV and CV, and that the underlying populations must be distributed normally and must have the same variance. ANOVA models: 1. Fixed-effects models which assume that data from normal populations that differ in their means allows the estimation of the range of response that any treatments towards them will generate. 2. Random-effects models which assume that data from a constrained hierarchy of different populations are sampled with different factor levels. 3. Mixed-effects models which describe the situations where both fixed and random effects are present. Although a nonlinear model can also be used, all approaches to the analysis of variance use a linear model to create the assumption of the response�s probable distribution. It assumes that the case is independent and that the model simplifies the statistical analysis. It also assumes the normal distribution of the residuals and the equality of variances and that the variance must always be constant. Types of ANOVA: � One-way ANOVA, is used to test for differences among two or more independent groups. � Factorial ANOVA, is used in the study of the interaction effects among treatments. � Repeated measures ANOVA, is used when the same subject is used for each treatment. � Multivariate analysis of variance (MANOVA), is used when there is more than one response variable ANCOVA ANCOVA is an ANOVA model that has a general linear model with a continuous outcome variable (quantitative, scaled) and two or more predictor variables, where at least one is continuous and at least one is categorical (nominal, non-scaled).

ANCOVA assumes that covariates must be linearly related to the dependent variables and that they must have homogeneity of regression effect.differencebetween.net/miscellaneous/difference-between-anova-andancova/#ixzz1QUqwcJ4l . and multivariate ANCOVA designs. It evaluates whether population means that has been adjusted for differences on covariates differ on the levels of dependent variables. Summary 1. Its interpretation depends on certain assumptions about the data entered into the model. ANCOVA has a covariate while ANOVA does not. ANOVA uses both linear and non linear models while ANCOVA uses a general linear model.It is a merger of ANOVA and regressions for continuous variables and has a covariate. The effects of a third variable are statistically controlled out in ANCOVA and any number of independent variables and CVs can be used to create one-way. two-way. 3. Read more: Difference Between ANOVA and ANCOVA | Difference Between | ANOVA vs ANCOVA http://www. ANOVA are statistical models and techniques used to observe the difference between variables while ANCOVA is an ANOVA model. 2. The relationship between the dependent and independent variables must be linear in parameters. It assumes that the covariates should be unrelated to the independent variables and they should not be overly correlated with one another.

Pembahasan diakhiri dengan menyebutkan software-software statistic yang dapat digunakan. ada baiknya jika pembaca memahami beberapa istilah yang sering digunakan dalam statistika. Analisis Klaster. Pendahuluan Sebelum mempelajari teknik-teknik analisis multivariate terkini. Pada umumnya dalam jurnal-jurnal terbitan luar negeri. Univariate analysis adalah analisis yang hanya melibatkan satu variable. Pada makalah ini akan diuraikan secara singkat tentang teknik-teknik analisis multivariate terkini. Analisis Diskriminan. Analisis Faktor. seperti: Anova. Ancova. dan Analisis korespondensi. Mutivariate analysis adalah analisis yang melibatkan banyak variable atau variable .TEKNIK-TEKNIK ANALISIS MULTIVARIAT TERKINI YANG SERING DIGUNAKAN DALAM PENELITIAN Oleh: Bambang Avip Priatna M Jurusan Pendidikan Matematika FPMIPA UPI ABSTRAK Pada saat ini banyak masalah yang dihadapi oleh mahasiswa S2 dan S3 pada saat akan menulis tesis atau disertasinya berkaitan dengan bagaimana cara mengolah data untuk menjawab permasalahan penelitian yang tepat. Analisis Konjoin. Manova. Bivariate analysis adalah analisis yang melibatkan dua variable. Regresi berganda. A. Penskalaan Multidimensi. metode analisis data yang digunakan untuk memecahkan masalah penelitian didasarkan pada analisis mutivariat. Mancova. Korelasi Kanonik.

5) Sampel adalah sebagian dari populasi. Ukuran sampel n adalah banyaknya elemen sampel. disebabkan karena penelitian dilakukan berdasarkan sampel. alangkah baiknya jika pembaca juga mengetahui beberapa istilah-sitilah berikut: 1) Elemen/ unit analisis/unit sampling/kasus adalah sesuatu yang menjadi objek penelitian. Alat ukur/ instrument dikatakan reliable (andal/konsisten) jika digunakan berkali-kali dengan kondisi yang sama akan memberikan hasil pengukuran yang sama atau sedikit berbeda (bervariasi). hasilnya merupakan perkiraan atau estimator (statistic = ciri dari sampel). hasilnya merupakan data sebenarnya yang disebut parameter. Selain istilah-istilah tersebut di atas. Penelitian dengan sensus dapat dibuat kesimpulan yang umum mengenai karakteristik populasi dan pasti karena didasarkan pada parameter sebagai data sebenarnya. sedangkan penelitian dengan sampling kesimpulannya bias secara umum akan tetapi tidak pasti (uncentrain) karena didasarkan pada data perkiraan hasil penelitian pada sampel yang mengandung kesalahan sampling. 3) Variabel adalah sesuatu yang nilainya berubah-ubah menurut waktu atau beda menurut elemen/tempat. 7) Sampling adalah cara pengumpulan data bila hanya elemen sampel yang diteliti. Ukuran populasi N adalah banyaknya elemen populasi. 8) Sampling error atau kesalahan sampling adalah kesalahan yang terjadi pada data perkiraan. 6) Sensus adalah cara pengumpulan data bila seluruh elemen populasi diteliti satu persatu. Kegunaannya untuk mengukur tingkat ketelitian (level of occuracy) data perkiraan. . 2) Karakteristik/atribut adalah sifat/cirri/hal-hal yang dimiliki elemen (seluruh keterangan mengenai elemen. Pengukuran adalah pemberian nilai/angka dengan aturan tertentu pada atribut/karakteristik suatu elemen. Instrumen/alat ukur dikatakan valid jika dapat mengukur apa yang seharusnya diukur.ganda. Sedangkan penskalaan (scalling) adalah penempatan nilai ddalam suatu continum (garis lurus) untuk memudahkan melakukan perbandingan. 4) Populasi adalah kumpulan yang lengkap dari seluruh elemen yang sejenis akan tetapi dapat dibedakan karena karakteristiknya.

Koefisien korelasi r atau adalah suatu nilai untuk mengukur kuatnya hubungan antara X dan Y. Jika X dan Y data nonmetrik (kualitatif. Contoh: laki-laki = 1. operasi matematika juga tidak berlaku. SMP = 2. lebih tinggi. artinya jika nilai X naik maka nilai Y juga naik atau sebaliknya. koefisien Lambda. ordinal. Koefisien determinasi r2 atau . Bentuk hubungan antara X dan Y ada tiga. berlaku operasi matematika. lebih disukai dll. merupakan identitas. Contoh: ukuran suhu 200 300 atau 350 450 mempunyai jarak yang sama akan tetapi panasnya tidak sama. Kendall tau.Skala pengukuran ada empat. dan 4) Rasio adalah angka yang selain berfungsi sebagai nominal. yaitu: 1) Nominal adalah angka yang berfungsi hanya untuk memberdakan. perempuan = 0. jarak antar angka tidak sama. Contoh: SD = 1. 2) Ordinal adalah angka yang selain berfungsi sebagai Semnas mat upi 2007 Page 1 nominal juga menunjukkan urutan bahwa sesuatu lebih baik. nominal atau ordinal) maka ukuran kuatnya hubungan antara X dan Y disebut dengan asosiasi. Jika X dan Y data metric (kuantitatif. maka r disebut koefisien korelasi atau korelasi produk momen atau koefisien korelasi Pearson. panjang. artinya jika nilai X naik maka nilai Y turun atau sebaliknya. interval atau rasio). koefisien kontingensi. tinggi. dan mempunyai angka nol mutlak. Cramer s V. artinya setiap perubahan pada nilai X tidak memberikan dampak pada nilai Y. dan interval juga menunjukkan perbandingan. urutan tidak berlaku. 3) Interval adalah angka yang selain berfungsi sebagai nominal dan ordinal juga menunjukkan jarak yang sama. SMA = 4. Contoh: angka yang menunjukkan berat. akan tetapi tidak mempunyai titik nol yang mutlak. koefisien Phi. Perhitungan tingkat asosiasi dapat dilakukan dengan menggunakan Rho Spearman. yaitu: 1) Positif. dan 3) Nol. PT = 4. 2) Negatif.

yaitu cara menghitung nilai a dan b sebagai perkiraan dari . Nilai a. dan 3) Uji keberartian koefisien korelasi. e masing-masing adalah perkiraan (estimator) untuk . 2) Uji koefisien arah regresi. yaitu kesalahan yang terjadi pada perkiraan/ramalan Y yang disebabkan oleh karena masih ada faktor lain selain X yang mempengaruhi Y tetapi tidak diperhitungkan (tidak dimasukan kedalam persamaan). Persamaan regresi dengan nilai beta yang lebih besar. diperoleh variable yang standard dan koefisien regresinya disebut koefisien beta. yaitu dikurangi dengan rata-ratanya kemudian dibagi dengan standar deviasinya. dapat dilakukan dengan tiga cara. sedangkan untuk sampel berbentuk : Y = a + bX + e. Analisis Regresi Linear Sederhana untuk populasi : Y = + X + . . sedemikian sehingga Koefisien regresi yang dibakukan (Beta Koefisien) terjadi jika nilai X dan Y masing-masing dibakukan. menunjukkan pengaruh yang lebih besar atau perubahan Y yang lebih besar untuk kenaikan X yang sama. Nilai a dan b dihitung berdasarkan metode kuadrat terkecil (least square method). yaitu: 1)Uji F untuk keberartian koefisien determinasi. Teknik-Teknik Analisis Multivariat Terkini . dan . Tingkat variasi ditentukan oleh besarnya nilai varians Y. Pengujian hipotesis untuk mengetahui apakah hubungan antara variable X dan Y linear. b. B. yaitu sebesar 1 unit. Epsilon adalah kesalahan pengganggu (disturbance s error).2 menunjukkan besarnya sumbangan/kontribusi dari variable bebas X terhadap variasi (naikturunnya) Y atau mengukur proporsi variasi dari X terhadap Y atau sebaliknya. Koefisien beta dari Y terhadap X akan sama dengan koefisien dari X terhadap Y dan akan sama dengan koefisien korelasi ryx. Koefisien beta berguna untuk membandingkan membandingkan koefisien regresi dari persamaan lainnya dengan satuan (unit) yang berbeda.

3) Semnas mat upi 2007 n n ei2 i1 i1 . dimana variable dikelompokkan menjadi variable bebas yang mempengaruhi dan variable tak bebas yang dipengaruhi.Analisis multivariate dikelompokkan menjadi dua. yaitu: 1) kelompok dependensi. B. Jika hanya ada satu variable tak bebas. akan tetapi setiap variable mempunyai tingkat yang sama. dimana variable tidak dibedakan menjadi variable bebas dan variable tak bebas.1 Analisis Multivariat dengan Menggunakan Metoda Dependensi Analisis multivariate dengan menggunakan metode dependensi bertujuannya untuk mengetahui pengaruh atau meramalkan nilai variable tak bebas berdasarkan lebih dari satu variable bebas yang mempengaruhi. 2) Ancova (Analysis of covariance). dan 2) kelompok interdependensi. dapat dilakukan dengan menggunakan: 1) Anova (Analysis of variance).

1 Anova (Analysis of variance) Bertujuan untuk mengetahui dampak dari beberapa variable bebas yang berskala nominal/ordinal (berupa kelompok) yang disebut perlakuan (treatment) terhadap variable tak bebas yang datanya berskala interval/rasio (kuantitatif). dapat dilakukan dengan menggunakan: 1) Monova (Multy analysis of variance). 2) Moncova (Multy analysis of covariace). 4) Analisis diskriminan.1. Page 2 Regresi berganda. Jika variable tak bebasnya lebih dari satu. . atau 3) Korelasi Kanonikal.2 Ancova (Analysis of covariance) Bertujuan untuk mengetahui perbedaan tentang nilai rata-rata dari variable tak bebas terkait dengan pengaruh dari variable bebas terkontrol. atau 5) Analisis Konjoin. B.2 Yi Y nilainya minimum. Variabel bebas yang kategori (nonmetrik: nominal dan ordinal) disebut faktor sedangkan variable bebas yang metric (interval atau rasio) disebut kovariat.1. Analisis varians dilakukan berdasarkan nilai atau score yang disesuaikan. B.

mahasiswa.3 Regresi berganda Adalah metode yang tepat dipergunakan untuk masalah penelitian yang melibatkan satu variable tak bebas Y yang datanya berbentuk skala interval/rasio (kuantitatif) yang mempengaruhi atau terkait dengan lebih dari satu variable bebas X yang skala pengukurannya nominal/ordinal (kualitatif) maupun interval/rasio (kuantitatif).4 Analisis Diskriminan Bertujuan untuk memahami perbedaan kelompok (group differences) dan meramalkan peluang bahwa suatu objek penelitian (pelanggan. Variasi pada variable takbebas disebabkan oleh adanya kovariat disingkirkan melalui suatu penyesuaian (adjustment) terhadap nilai rata-rata variable tak bebas di dalam setiap kondisi treatment atau perlakuan (kategori/level). Koefisien untuk kovariat memberikan pendalaman (provide insights) tentang efek atau pengaruh yang kovariat digunakan (exert) pada variable tak bebas Y.Penggunaan kovariat untuk menyingkirkan (to remove) variasi yang tidak ada hubungannya (extraneous variation) dengan variable tak bebas oleh karena pengaruh (efek) dari faktor yang dianggap lebih penting. jika semua variable bebas diketahui nilainya. Persamaan regresi linear berganda dibentuk dengan menggunakan metode kuadrat terkecil (least square method). Analisis kovarian merupakan analisis yang paling tepat untuk faktor / variable bebasnya berbentuk kategori atau data nonmetrik. yaitu data beskala nominal atau ordina. Tujuannya untuk memperkirakan/meramalkan nilai Y. B. B. Selain itu juga untuk mengetahui besarnya pengaruh dari setiap variable bebas yang terdapat dalam persamaan.1. Signifikansi efek baik gabungan dari kovariat maupun efek dari setiap kovariat sebagai individu. diuji dengan criteria F yang tepat. barang) akan masuk/menjadi anggota kelompok tertentu berdasarkan pada beberapa variable bebas yang . karyawan.1.

misalnya laki-laki dan perempuan) atau multi dikotomus (lebih dari dua kelompok).6 Monova (Multy analysis of variance) Sama dengan Anova. Dalam analisis conjoin. Peneliti harus mencari fungsi diskriminan yang dapat membedakan objek tertentu masuk kelompok yang mana berdasarkan banyaknya atribut atau variable bebas. hanya variable tak bebasnya lebih dari satu.1.7 Moncova (Multy analysis of variance) . Jadi pelanggan memberikan informasi yang berguna dan sangat sensitive. Kelompok (group) merupakan variable tak bebas datanya beskala nominal/ordinal. Semnas mat upi 2007 Page 3 B. atribut mana yang harus dikorbandkan. bisa dikotomus (dua kelompok. Analisis diskriminan cocok dipergunakan jika variable tak bebasnya berupa kelompok. B.1. Sedangkan yang diramalkan adalah keberadaan suatu objek tertentu temasuk pada kelompok yang mana.datanya berskala interval/rasio (kuantitatif).1. Apakah suatu feature yang diinginkan pantas untuk mengorbankan feature lainnya? Kalau harus mengorbankan suatu atribut. pelanggan diminta untuk membuat trade off judgements. B.5 Analisis Konjoin Memberikan suatu ukuran kuantitatif mengenai kepentingan relative (relative importance) suatu atribut terhadap atribut yang lain dari suatu produk (barang/jasa).

2 Analisis Multivariat dengan Menggunakan Metoda Interdependensi Analisis multivariate dengan menggunakan metode interdipendensi/saling ketergantungan. akan dicari suatu kelompok timbangan (weight) untuk variable tak bebas Y dan variable bebas X yang dapat menghasilkan korelasi sederhana yang maksimum (sekuat mungkin) antara kelompok variable bebas dengan kelompok variable bebas.1. B. bedanya terletak pada banyaknya variable tak bebas yang lebih dari satu. Prinsip dari korelasi kanonikal adalah mengembangkan suatu kombinasi linear dari setiap kelompok variable (baik variable bebas X maupun variable tak bebas Y) sedemikian hingga memaksimumkan korelasi dari dua kelompok variable X dan Y. peneliti ingin mengetahui sesuatu yang belum tahu yang . B. Dengan kata lain. dalam korelasi kanonikal ada beberapa variable tak bebas Y yang akan dikorelasikan dengan variable bebas X.Adalah analisis yang mirip dengan Moncova. Dalam hal ini. untuk mencari faktor penyebab timbulnya masalah atau membantu mencari informasi yang diinginkan.8 Analisis Kanonikal (Analisis korelasi kanonikal) Adalah perluasan dari analisis regresi berganda. Jika regresi linear berganda hanya ada satu variable tak bebas Y dengan beberapa variable bebas X. Tujuannya untuk .mengkorelasikan secara simultan (bersama-sama) beberapa variable tak bebas Y dengan beberapa variable bebas X.

Analisis faktor terdiri dari: 1) Principal-component analysis. dengan variable-variabel bebas yang tidak lagi saling multikolinear yang merupakan syarat dari analisis regresi linear berganda. dipergunakan untuk melakukan analisis regresi linear berganda. Dalam proses mereduksi banyaknya variable. Variabel baru tersebut harus memuat sebanyak mungkin informasi yang terkandung dalam variable asli.2 Analisis Klaster .merupakan masalah. maka metode interdependensi yang digunakan adalah analisis faktor. Jika peneliti focus pada variable. sedangkan jika peneliti focus pada objek. adalah analisis untuk menentukan variable baru yang disebut faktor yang jumlahnya lebih sedikit dibandingkan dengan banyaknya variable asli dimana faktor-faktor tersebut tidak berkorelasi satu dengan yang lain (multikolonearitas). Jadi metode interdependensi dilakukan untuk pengelompokkan atau mereduksi variable yang banyak sekali menjadi variable baru yang lebih sedikit.2. B. B. dan 2) Common factor analysis. atau 3) Analisis kanonikal.1 Analisis Faktor Analisis faktor. informasi yang hilang harus seminimal mungkin. maka metode interdependensi yang digunakan adalah: 1) Analisis klaster. Semnas mat upi 2007 Page 4 Variabel baru yang disebut faktor. tetapi tidak mengurangi informasi yang terkandung dalam variable asli. Tujuannya untuk memberikan arti (meaning) kepada sekelompok variable atau mengelompokkan sekumpulan variable menjadi kelompok yang lebih sedikit jumlahnya dan masing-masing kelompok membentuk variable baru yang disebut faktor (mereduksi banyaknya variable). 2) Penskalaan multidimensi.2.

2.Adalah analisis untuk mengelompokkan elemen yang mirip sebagai objek penelitian menjadi kelompok (cluster) yang berbeda dan saling asing (mutually exclusive). dan b) hubungan non linear. Jika objek A dan B dinilai pelanggan sebagai pasangan objek yang paling mirip dibandingkan dengan pasangan lain. karena memerlukan teknik-teknik perhitungan matematis yang rumit yang melibatkan . teknik penskalaan multidimensional akan memposisikan objek A dan B sedemikian rupa sehingga jarak antar objek dalam ruang multidimensional akan lebih pendek/kecil dibandingkan dengan jarak pasangan objek yang lainnya. yaitu table silang (crosstab) dari dua variable kategori. C. kemudian suatu fungsi diskriminan dipergunakan untuk menentuakan suatu elemen (objek) harus masuk kelompok yang mana. kelompok (claster) dibentuk berdasarkan criteria tertentu dengan memperhatikan data yang ada yang ditunjukkan oleh bilai banyak variable. Berbeda dengan analisis diskriminan dimana kelompok sudah ditentukan.2. Software-software yang Tersedia untuk Analisis Multivariate Melakukan pengolahan data analisis multivariate secara manual bukanlah pekerjaan mudah. nominal dan ordinal) menjadi data metric (kuantitatif. sebaliknya analisis klaster. B. interval dan rasio) dan melakukan reduksi dimensional (mirip dengan analisis faktor) dan perceptual mapping (mirip dengan analisis multidimensional). Kemudian mengubah data nonmetrik (kualitatif.3 Analisis Korespondensi Digunakan untuk mengakomodasi dua hal. nominal dan ordinal).3 Penskalaan Multidimensi Bertujuan untuk membentuk pertimbangan atau penilaian pelanggan mengenai kemiripan (similarity) atau preferensi (perasaan lebih suka) kedalam jarak (distances) yang diwakili dalam ruang multidimensional. B. Dalam analisis korespondensi digunakan suatu table kontingensi. yaitu: a) data non metric (kualitatif.

Chicago: SPSS Inc. (1999). Analisis Multivariat. Amos 7. SPSS. 2nd Edition. Complete Business Statistics. (2004). Boston: Mc Graw Hill. D. D. Penutup Penulis menyadari bahwa tulisan ini belumlah sempurna. Software-software program statistic terkini yang ada dan relative mudah diperoleh di pasaran adalah: SPSS versi 15. E.Soft. Statistica for Windows (Volume III): Staitistics I. SAS. Minitab 14.0 User s Guide. L.banyak variable dengan ukuran data masing-masing variable yang besar. (2006). J.Inc. (1995). Kepustakaan Aczel. Statistica. maupun bagi para pembaca pada umumnya. Tulsa USA: Stat. Supranto. Jakarta: Rineka Cipta. Eview. Chicago: SPSS Inc. seperti SPSS. StatSoft. LISRELL. Splus. Amos 7. akan sangat bijaksana dan sangat membantu kita dalam pengolahan data jika digunakan softwaresoftware program statistic yang sudah ada dipasaran. SPSS Base 14.0 User s Guide. (2005). A. J. Arbuckle. Semnas mat upi 2007 Page 5 . akan tetapi besar harapan penulis semoga tulisan ini dapat bermanfaat bagi diri penulis sendiri khususnya. AMOS. Oleh karena itu. atau MINITAB.

.

" where Y is a vector of the variable you want to compare (in the example. Despite these names. That is. By Peter Flom. .D. after controlling for height. The variables you are controlling for can be numeric (such as height) or categorical (such as ethnic group) or you can control for some of each. ANCOVA stands for Analysis of Covariance. For example. 2011 y y y y Print this article ANOVA stands for Analysis of Variance.Difference Between ANOVA & ANCOVA X Peter Flom Peter Flom is a statistician and a learning-disabled adult. Adding to the potential for confusion. which is another statistical method for comparing means. X is a matrix of the variables you are using to predict Y. you can skip this if you like) all three are written as. you might want to compare the weights of men and women. which also includes regression. What Are ANOVA and ANCOVA? o ANOVA and ANCOVA are methods of comparing groups of subjects on some numerical measure. epidemiology and others. 1. drug addiction. In matrix algebra (which you don't need to understand to understand these methods. They are also identical to linear regression. He has been writing for many years and has been published in many academic journals in fields such as psychology. He holds a Ph. eHow Contributor updated June 04. in psychometrics from Fordham University. "Y = XB + e. you might want to see if men and women of the same height differ in weight. How Are ANOVA and ANCOVA the Same? o From a mathematical point of view. weight). both are statistical methods of comparing means of groups of subjects on some numerical variable. these two methods are identical. both of these techniques are part of what is known as the general linear model. while potentially controlling for the effects of other variables.

ANCOVA is used when there are some categorical and some continuous variables. How Did This Get So Confused? o Although these three methods are identical. How Do ANOVA and ANCOVA (and Regression) Differ? o The difference is lexical. and regression is used when there are only continuous variables.html#ixzz1QV3ubDVA . rather than mathematical. sex.whether categorical or continuous (in the example. where people were averaging different measurements of the Earth to try to find its true size. Read more: Difference Between ANOVA & ANCOVA | eHow.ehow.com/info_8541229_difference-between-anova-ancova. mathematically.com http://www. ANOVA is the term usually used when there are no categorical variables. height and ethnic group) and e is a vector of error terms. Regression developed in geography. where people were interested in whether different fertilizers and other treatments affected crop yields. ANOVA and ANCOVA were developed in agriculture. they were developed separately.