P. 1
ANOVA vs ANCOVA

ANOVA vs ANCOVA

|Views: 1,205|Likes:
Published by freddyindra

More info:

Published by: freddyindra on Jul 08, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

05/18/2013

pdf

text

original

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

A. Analisis Konjoin. Pendahuluan Sebelum mempelajari teknik-teknik analisis multivariate terkini. Analisis Faktor. dan Analisis korespondensi. 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. Manova. Pada umumnya dalam jurnal-jurnal terbitan luar negeri. Analisis Diskriminan. Ancova. Regresi berganda. Univariate analysis adalah analisis yang hanya melibatkan satu variable. 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. metode analisis data yang digunakan untuk memecahkan masalah penelitian didasarkan pada analisis mutivariat. Mancova. Pembahasan diakhiri dengan menyebutkan software-software statistic yang dapat digunakan. Analisis Klaster. Mutivariate analysis adalah analisis yang melibatkan banyak variable atau variable . Penskalaan Multidimensi. Bivariate analysis adalah analisis yang melibatkan dua variable. Korelasi Kanonik.

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

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

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

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

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

jika semua variable bebas diketahui nilainya. B.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. mahasiswa. B. Koefisien untuk kovariat memberikan pendalaman (provide insights) tentang efek atau pengaruh yang kovariat digunakan (exert) pada variable tak bebas Y. Selain itu juga untuk mengetahui besarnya pengaruh dari setiap variable bebas yang terdapat dalam persamaan. Signifikansi efek baik gabungan dari kovariat maupun efek dari setiap kovariat sebagai individu. Tujuannya untuk memperkirakan/meramalkan nilai Y. diuji dengan criteria F yang tepat.1. Persamaan regresi linear berganda dibentuk dengan menggunakan metode kuadrat terkecil (least square method). barang) akan masuk/menjadi anggota kelompok tertentu berdasarkan pada beberapa variable bebas yang .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. karyawan. 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. yaitu data beskala nominal atau ordina.1.

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

mengkorelasikan secara simultan (bersama-sama) beberapa variable tak bebas Y dengan beberapa variable bebas X.8 Analisis Kanonikal (Analisis korelasi kanonikal) Adalah perluasan dari analisis regresi berganda. Dengan kata lain. Tujuannya untuk . B.1.2 Analisis Multivariat dengan Menggunakan Metoda Interdependensi Analisis multivariate dengan menggunakan metode interdipendensi/saling ketergantungan.Adalah analisis yang mirip dengan Moncova. 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. peneliti ingin mengetahui sesuatu yang belum tahu yang . Jika regresi linear berganda hanya ada satu variable tak bebas Y dengan beberapa variable bebas X. bedanya terletak pada banyaknya variable tak bebas yang lebih dari satu. dalam korelasi kanonikal ada beberapa variable tak bebas Y yang akan dikorelasikan dengan variable bebas X. B. untuk mencari faktor penyebab timbulnya masalah atau membantu mencari informasi yang diinginkan. Dalam hal ini. 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) Penskalaan multidimensi. Jadi metode interdependensi dilakukan untuk pengelompokkan atau mereduksi variable yang banyak sekali menjadi variable baru yang lebih sedikit. Variabel baru tersebut harus memuat sebanyak mungkin informasi yang terkandung dalam variable asli. maka metode interdependensi yang digunakan adalah: 1) Analisis klaster. Jika peneliti focus pada variable. B.merupakan masalah. dipergunakan untuk melakukan analisis regresi linear berganda. Analisis faktor terdiri dari: 1) Principal-component analysis.1 Analisis Faktor Analisis faktor. B.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).2. sedangkan jika peneliti focus pada objek. Dalam proses mereduksi banyaknya variable. informasi yang hilang harus seminimal mungkin. Semnas mat upi 2007 Page 4 Variabel baru yang disebut faktor. maka metode interdependensi yang digunakan adalah analisis faktor. atau 3) Analisis kanonikal.2. tetapi tidak mengurangi informasi yang terkandung dalam variable asli. 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). dengan variable-variabel bebas yang tidak lagi saling multikolinear yang merupakan syarat dari analisis regresi linear berganda. dan 2) Common factor analysis.

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

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

.

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

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->