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).

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

dan Analisis korespondensi. Bivariate analysis adalah analisis yang melibatkan dua variable. Pada umumnya dalam jurnal-jurnal terbitan luar negeri. Pendahuluan Sebelum mempelajari teknik-teknik analisis multivariate terkini. A. Manova. metode analisis data yang digunakan untuk memecahkan masalah penelitian didasarkan pada analisis mutivariat. Pada makalah ini akan diuraikan secara singkat tentang teknik-teknik analisis multivariate terkini. ada baiknya jika pembaca memahami beberapa istilah yang sering digunakan dalam statistika. Korelasi Kanonik. Analisis Diskriminan. seperti: Anova.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. Regresi berganda. Mutivariate analysis adalah analisis yang melibatkan banyak variable atau variable . Analisis Faktor. Univariate analysis adalah analisis yang hanya melibatkan satu variable. Ancova. Analisis Konjoin. Mancova. Penskalaan Multidimensi. Pembahasan diakhiri dengan menyebutkan software-software statistic yang dapat digunakan. Analisis Klaster.

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

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

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

Analisis multivariate dikelompokkan menjadi dua. dimana variable tidak dibedakan menjadi variable bebas dan variable tak bebas. akan tetapi setiap variable mempunyai tingkat yang sama. 2) Ancova (Analysis of covariance). yaitu: 1) kelompok dependensi. dan 2) kelompok interdependensi. B. 3) Semnas mat upi 2007 n n ei2 i1 i1 . dimana variable dikelompokkan menjadi variable bebas yang mempengaruhi dan variable tak bebas yang dipengaruhi.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. dapat dilakukan dengan menggunakan: 1) Anova (Analysis of variance). Jika hanya ada satu variable tak bebas.

B.2 Yi Y nilainya minimum.2 Ancova (Analysis of covariance) Bertujuan untuk mengetahui perbedaan tentang nilai rata-rata dari variable tak bebas terkait dengan pengaruh dari variable bebas terkontrol. B. 4) Analisis diskriminan. Jika variable tak bebasnya lebih dari satu. dapat dilakukan dengan menggunakan: 1) Monova (Multy analysis of variance). . Page 2 Regresi berganda.1. Variabel bebas yang kategori (nonmetrik: nominal dan ordinal) disebut faktor sedangkan variable bebas yang metric (interval atau rasio) disebut kovariat.1.1 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). atau 3) Korelasi Kanonikal. Analisis varians dilakukan berdasarkan nilai atau score yang disesuaikan. 2) Moncova (Multy analysis of covariace). atau 5) Analisis Konjoin.

diuji dengan criteria F yang tepat. yaitu data beskala nominal atau ordina.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. mahasiswa. B.1. 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). Analisis kovarian merupakan analisis yang paling tepat untuk faktor / variable bebasnya berbentuk kategori atau data nonmetrik. Signifikansi efek baik gabungan dari kovariat maupun efek dari setiap kovariat sebagai individu.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).1. Selain itu juga untuk mengetahui besarnya pengaruh dari setiap variable bebas yang terdapat dalam persamaan. Tujuannya untuk memperkirakan/meramalkan nilai Y. Persamaan regresi linear berganda dibentuk dengan menggunakan metode kuadrat terkecil (least square method).4 Analisis Diskriminan Bertujuan untuk memahami perbedaan kelompok (group differences) dan meramalkan peluang bahwa suatu objek penelitian (pelanggan. Koefisien untuk kovariat memberikan pendalaman (provide insights) tentang efek atau pengaruh yang kovariat digunakan (exert) pada variable tak bebas Y. karyawan. barang) akan masuk/menjadi anggota kelompok tertentu berdasarkan pada beberapa variable bebas yang . B.

pelanggan diminta untuk membuat trade off judgements. Dalam analisis conjoin.1. misalnya laki-laki dan perempuan) atau multi dikotomus (lebih dari dua kelompok). bisa dikotomus (dua kelompok. Sedangkan yang diramalkan adalah keberadaan suatu objek tertentu temasuk pada kelompok yang mana.6 Monova (Multy analysis of variance) Sama dengan Anova. Kelompok (group) merupakan variable tak bebas datanya beskala nominal/ordinal. Semnas mat upi 2007 Page 3 B. atribut mana yang harus dikorbandkan. Analisis diskriminan cocok dipergunakan jika variable tak bebasnya berupa kelompok.7 Moncova (Multy analysis of variance) .1. Apakah suatu feature yang diinginkan pantas untuk mengorbankan feature lainnya? Kalau harus mengorbankan suatu atribut.5 Analisis Konjoin Memberikan suatu ukuran kuantitatif mengenai kepentingan relative (relative importance) suatu atribut terhadap atribut yang lain dari suatu produk (barang/jasa). Peneliti harus mencari fungsi diskriminan yang dapat membedakan objek tertentu masuk kelompok yang mana berdasarkan banyaknya atribut atau variable bebas.1. B. Jadi pelanggan memberikan informasi yang berguna dan sangat sensitive. hanya variable tak bebasnya lebih dari satu.datanya berskala interval/rasio (kuantitatif). B.

Dalam hal ini. 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. 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.2 Analisis Multivariat dengan Menggunakan Metoda Interdependensi Analisis multivariate dengan menggunakan metode interdipendensi/saling ketergantungan. B. bedanya terletak pada banyaknya variable tak bebas yang lebih dari satu. B. dalam korelasi kanonikal ada beberapa variable tak bebas Y yang akan dikorelasikan dengan variable bebas X.Adalah analisis yang mirip dengan Moncova. untuk mencari faktor penyebab timbulnya masalah atau membantu mencari informasi yang diinginkan. Dengan kata lain. Jika regresi linear berganda hanya ada satu variable tak bebas Y dengan beberapa variable bebas X. peneliti ingin mengetahui sesuatu yang belum tahu yang .mengkorelasikan secara simultan (bersama-sama) beberapa variable tak bebas Y dengan beberapa variable bebas X. Tujuannya untuk .8 Analisis Kanonikal (Analisis korelasi kanonikal) Adalah perluasan dari analisis regresi berganda.

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

kemudian suatu fungsi diskriminan dipergunakan untuk menentuakan suatu elemen (objek) harus masuk kelompok yang mana.Adalah analisis untuk mengelompokkan elemen yang mirip sebagai objek penelitian menjadi kelompok (cluster) yang berbeda dan saling asing (mutually exclusive). yaitu table silang (crosstab) dari dua variable kategori.2. Dalam analisis korespondensi digunakan suatu table kontingensi. nominal dan ordinal) menjadi data metric (kuantitatif. nominal dan ordinal). Jika objek A dan B dinilai pelanggan sebagai pasangan objek yang paling mirip dibandingkan dengan pasangan lain. yaitu: a) data non metric (kualitatif. 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.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. Software-software yang Tersedia untuk Analisis Multivariate Melakukan pengolahan data analisis multivariate secara manual bukanlah pekerjaan mudah. B. sebaliknya analisis klaster. dan b) hubungan non linear.2. karena memerlukan teknik-teknik perhitungan matematis yang rumit yang melibatkan . Berbeda dengan analisis diskriminan dimana kelompok sudah ditentukan.3 Analisis Korespondensi Digunakan untuk mengakomodasi dua hal. Kemudian mengubah data nonmetrik (kualitatif. interval dan rasio) dan melakukan reduksi dimensional (mirip dengan analisis faktor) dan perceptual mapping (mirip dengan analisis multidimensional). B. C. kelompok (claster) dibentuk berdasarkan criteria tertentu dengan memperhatikan data yang ada yang ditunjukkan oleh bilai banyak variable.

Boston: Mc Graw Hill. SPSS Base 14. Semnas mat upi 2007 Page 5 . (1999).Inc. LISRELL. Amos 7. L. Penutup Penulis menyadari bahwa tulisan ini belumlah sempurna. (2004). Statistica. (2006). akan tetapi besar harapan penulis semoga tulisan ini dapat bermanfaat bagi diri penulis sendiri khususnya. Supranto. Tulsa USA: Stat. Splus. akan sangat bijaksana dan sangat membantu kita dalam pengolahan data jika digunakan softwaresoftware program statistic yang sudah ada dipasaran. Amos 7. AMOS. maupun bagi para pembaca pada umumnya. Jakarta: Rineka Cipta. D.Soft. atau MINITAB. (2005). Eview. A. Chicago: SPSS Inc. Analisis Multivariat. 2nd Edition.banyak variable dengan ukuran data masing-masing variable yang besar. Complete Business Statistics. SPSS. (1995). E. Chicago: SPSS Inc. Oleh karena itu. D. StatSoft. Kepustakaan Aczel. seperti SPSS. Software-software program statistic terkini yang ada dan relative mudah diperoleh di pasaran adalah: SPSS versi 15. Arbuckle. SAS. Minitab 14. J.0 User s Guide. Statistica for Windows (Volume III): Staitistics I. J.0 User s Guide.

.

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

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

Sign up to vote on this title
UsefulNot useful