Analisis Variansi dan Statistik Matematika Yang Terkait

http://oc.its.ac.id/jurusan.php?fid=1&jid=3
Wiwiek Setya Winahju
wiwiek@statistika.its.ac.id

Analisis Variansi merupakan alat yang digunakan n

untuk mengevaluasi kebaikan model regresi. Model  (Yˆ

i 1
i  Y )(Yi  Yˆi )  0
regresi yang baik, salah satunya ditandai oleh ting-
ginya koefisien determinasi, dinotasikan R2 atau
2
Radj , yang dapat dihasilkan oleh Tabel Analisis Bukti :
Va-riansi. Review b0 dan b1 :
n

Apabila terdapat himpunan data random yang saling  (X

i 1
i  X )(Yi  Y )
S XY
independen, dan tidak ada faktor yang mempenga- b1  n
 , maka S XY  b1 S XX
S XX
ruhi, maka data tersebut akan bervariasi terhadap  (X i  X )2
meannya. Pada data random yang dipengaruhi oleh i 1

suatu faktor, variasi terhadap pengaruh faktor ikut b0  Y  b1 X

berkontribusi.

Secara geometri kedudukan titik pengamatan ke i , Yˆi  Y  b0  b1 X i  Y  Y  b1 X  b1 X i  Y  b1 ( X i  X )

yaitu Yi (digambarkan oleh titik bulatan hitam), du- Yi  Yˆi  Yi  Y  b1 ( X i  X )
gaan model regresi (digambarkan oleh garis biru),
sumbu X dan sumbu Y dinyatakan pada Gambar 1.
n n

 (Yˆ
i 1
i  Y )(Yi  Yˆi )   b1 ( X i  X ){(Yi  Y )  b1 ( X i  X )}
i 1
n n
Yi
Yi  Yˆi
 (Yˆ
i 1
i  Y )(Yi  Yˆi )   b1 ( X i  X ){(Yi  Y )  b1 ( X i  X )}
i 1

Yˆi n
  {b1 ( X i  X )(Yi  Y )  b12 ( X i  X ) 2 }
Y Yˆi  Y
i 1
Y
Yˆ  b0  b1 X
n n
  b1 ( X i  X )(Yi  Y )   b12 ( X i  X ) 2
i 1 i 1
n n
Gambar 1. Kedudukan Titik Pengamatan Dan Dugaan  b1  ( X i  X )(Yi  Y )  b12  ( X i  X ) 2
Model Regresi i 1 i 1

 b1 S XY  b S XX  b1b1 S XX  b12 S XX  0
2
Berdasarkan kedudukan titik pengamatan dan duga- 1

an model regresi dapat disusun persamaan berikut :

n
(Yi  Y )  (Yˆi  Y )  (Yi  Yˆi )  (Y
i 1
i  Y ) 2 : Jumlah Kuadrat Sekitar Rataan,
n n n n

 (Yi  Y )   (Yˆi  Y ) 2   (Yi  Yˆi ) 2  2 (Yˆi  Y )(Yi  Yˆi )

i 1
2

i 1 i 1 i 1 n
Sum of Square Total, SST

 (Yˆ  Y )
i 1
i
2
: Jumlah Kuadrat Karena Regresi

Sum of Square Regressionl, SSR

n

 (Y
i 1
i  Yˆi ) 2 : Jumlah Kuadrat Sekitar Regresi,

atau Error, Sum of Square Error, SSE

SST = SSR + SSE

Tiga suku di atas akan menjadi komponen Tabel A-
nalisis Variansi (ANOVA) sebagai berikut :

Tabel ANOVA
Kuadrat
Derajat Jumlah
Sumber tengah
Bebas Kuadrat
Variasi (KT) =
(db) (JK)
(Source) JK/db
(df) (SS)
(MS)
n
Regresi 1  (Yˆ  Y )
i 1
i
2
KTRegresi

1
 n JK 1
 (Yi  Yˆi ) 2 s2   n 
Error atau
Residual
n-2
i 1
n2 

 (Yi  Y ) 2 
 = 2
rX2 ,Y  b12  i 1  b1
n
(Xi  X ) 
n
Total,
 (Y  Y ) 2 2
n-1
terkoreksi i 1
i i
 i 1 
Keterangan : Judul yang ditulis miring, yaitu : Source, df,
 n 2
  ( X i  X ) 
SS, dan MS, merupakan istilah yang lazim
digunakan pada program MINITAB. i 1
 n 
  (Yi  Y ) 2 
Koefisien Determinasi, R2  i 1 
Koefisien ini dinyatakan dalam %, yang menyata-
kan kontribusi regresi, secara fisik adalah akibat n n
prediktor, terhadap variasi total variabel respon, yai-
tu Y. Makin besar nilai R2, makin besar pula kontri-
 (Yˆ
i 1
i  Y )2  (bi 1
0  b1 X i  Y ) 2
busi atau peranan prediktor terhadap variasi respon. R2  n
 n
Biasanya model regresi dengan nilai R2 sebesar 70%  (Yi  Y ) 2  (Y i  Y )2
atau lebih dianggap cukup baik, meskipun tidak se- i 1 i 1
lalu. Rumus koefisien determinasi adalah sebagai n

berikut :  (Y  b X  b X
i 1
1 1 i  Y )2
n

JK Regresi  (Yˆi  Y )2  (Y
n
 Y )2
R 2
 i 1
n i 1
i

JK Total
 (Yi  Y )2 n n
i 1  (b1 ( X i  X )) 2
i 1
b
i 1
1
2
(X i  X )2
 n
 n
Hubungan antara prediktor X dengan respon Y, sela-
in dapat dinyatakan oleh koefisien regresi, yaitu b1,  (Y
i 1
i  Y )2  (Y
i 1
i  Y )2
dapat pula dinyatakan dengan koefisien korelasi,
n n
yang dinotasikan rX,Y. Bedanya, koefisien regresi
dapat digunakan untuk memprediksi nilai respon,
b 1
2
(X i  X) 2
(X i  X )2
sedang pada koefisien korelasi tidak dapat. Persa- R2  i 1
n
 b12 i 1
n
maan yang menyatakan hubungan ini adalah :  (Y  Y )
i 1
i
2
 (Y  Y )
i 1
i
2

1/ 2
 n
2 
  (Yi  Y ) 
b1 =  ni 1  rX ,Y
n

( Xi  X ) 2  (Yˆ  Yˆ )(Y  Y ) i i

 i 1  rYˆ ,Y  i 1
n n
Buktikanlah !  (Yˆi  Yˆ )2
i 1
 (Y  Y )
i 1
i
2

Rumus R2 ini juga menyatakan kuadrat koefisien n

korelasi antara Yˆ dengan Y, sehingga bila dikaitkan  (b

i 1
0  b1 X i  Y )(Yi  Y )
dengan rX,Y terdapat hubungan sebagai berikut : = n n

r 2
R r 2 2  (Yˆi  Yˆ )2
i 1
 (Y  Y )
i 1
i
2

X ,Y Y , Yˆ

n
Bukti :  (Y  b X  b X
i 1
1 1 i  Y )(Yi  Y )
1 / 2
= n n
 n
  (Yi  Y ) 2 

 (Yˆi  Yˆ )2
i 1
 (Y  Y )
i 1
i
2

rX ,Y = b1  ni 1 
(Xi  X )  2 n
 i 1  b (X
i 1
1 i  Y )(Yi  Y )
= n n

b (X
i 1
1
2
i  Y )2  (Y  Y )
i 1
i
2

2
 lack of fit artinya pengujian untuk mendeteksi apa-
n kah model linier order pertama tepat. Bila lack of fit
b1  ( X i  Y )(Yi  Y ) tidak bermakna maka model linier order pertama te-
i 1
 rX ,Y pat, sedang bila lack of fit bermakna maka model li-
= n n nier order pertama tidak tepat, perlu dikembangkan
b1 (X
i 1
i Y ) 2
 (Y  Y )
i 1
i
2
menjadi model linier kuadratik atau model nonlini-
er. Pengujian lack of fit ini diperlukan bila terdapat
pengamatan berulang, yaitu satu nilai prediktor a-
tau satu kombinasi nilai prediktor (bila digunakan
rY ,Yˆ  rX ,Y , maka rY2,Yˆ  rX2 ,Y  R 2 beberapa prediktor) yang berpasangan dengan bebe-
rapa nilai respon.
Berikut ini akan ditampilkan organisasi data hasil
Lack of Fit pengamatan berulang pada eksperimen dengan satu
dan dua prediktor.
Lack of fit artinya penyimpangan atau ketidak tepat-
an terhadap model linier order pertama. Pengujian

Organisasi Data Untuk Perhitungan Jumlah Kuadrat Error Murni

Mean Jumlah Kuadrat Penyimpangan

Respon Terhadap Mean Respon,
Yj nj
Nilai Derajat
Prediktor
Nilai-nilai Respon
Yju
Pengulangan
ni
 (Y
u 1
ju  Y j )2 = Bebas
Xj nj
db
Y
u 1
2
ju  n jY j 2
n1
Y1  (Y
u 1
1u  Y1 ) 2 =
X1 Y11 , Y12 , . . . , Y1n1 n1 n1
n1 – 1
Y
u 1
2
1u  n1Y1 2
n2
Y2  (Y
u 1
2u  Y2 ) 2 =
X2 Y21 , Y22 , . . . , Y2n2 n2 n2
n2 – 1
Y
u 1
2
2u nY 2 2
2


nm
Ym  (Y
u 1
mu  Ym ) 2 =
Xm Y11 , Y12 , . . . , Ynnm nn nm
nm – 1
Y
u 1
2
mu  nmYm2
Total Jumlah Kuadrat Penyimpang-
an Terhadap Mean Respon, disebut:
Error Murni, Galat Murni, Pure Error

Contoh 1:
Berikut ini data hasil eksperimen :

Eksperimen Eksperimen Eksperimen

Y X Y X Y X
ke ke ke
1 2,3 1,3 9 1,7 3,7 17 3,5 5,3
2 1,8 1,3 10 2,8 4 18 2,8 5,3
3 2,8 2,0 11 2,8 4 19 2,1 5,3
4 1,5 2,0 12 2,2 4 20 3,4 5,7

3
 5 2,2 2,7 13 5,4 4,7 21 3,2 6
6 3,8 3,3 14 3,2 4,7 22 3 6
7 1,8 3,3 15 1,9 4,7 23 3 6,3
8 3,7 3,7 16 1,8 5 24 5,9 6,3
Sumber : Applied Regression Analysis, Second Edition, Norman Draper dan Harry Smith, halaman 38.

Untuk mempermudah, data disusun ke bentuk berikut :

Nilai Pre- Mean Derajat
diktor yg Nilai-nilai Respon, Respon, Pengulangan, Jumlah Kuadrat Penyimpangan
diulang,
Bebas
Yju Yj
nj Terhadap Mean Respon
Xj db
1,3 2,3 1,8 2,05 2 0,125 1
2 2,8 1,5 2,07 2 0,845 1
3,3 3,8 1,8 ... 2 2,000 1
3,7 3,7 1,7 ... 2 2,000 1
4 2,8 2,8 2,2 ... 3 0,240 2
4,7 5,4 3,2 1,9 ... 3 6,260 2
5,3 3,5 2,8 2,1 ... 3 0,980 2
6 3,2 3,0 ... 2 0,020 1

12,470 11

Pengujian kemaknaan lack of fit dilakukan dengan Error 11 12,470 1,134 KTerror murni)
cara memecah Jumlah Kuadrat Error menjadi dua, Murni
Total,
yaitu Jumlah Kuadrat Error Murni dan Jumlah Kua- terkoreksi
23 27,518
drat Lack of Fit. Perhitungan jumlah kuadrat error Keterangan : L of F = Lack of Fit
murni dilakukan seperti yang ditampilan pada tabel
di atas, sedang Jumlah Kuadrat Lack of Fit merupa- Penggunaan Tabel Anova ada dua, pertama untuk
kan selisih antara Jumlah Kuadrat Error dengan menguji kemaknaan pengaruh variabel bebas (Tabel
Jumlah Kuadrat Error Murni. Tabel ANOVA men- ANOVA 1), dan ke dua untuk menguji kemaknaan
jadi seperti berikut : Lack of Fit (Tabel ANOVA 2). Statistik uji yang
Tabel ANOVA 1
digunakan adalah F.
Sumber Derajat Jumlah Kuadrat
Variasi Bebas Kuadrat tengah F
Pengujian secara cepat, yaitu dengan memanfaatkan
(db) (JK) (KT) = JK/db KT Reg / hasil atau keluaran MINITAB. Tabel ANOVA yang
KT Error memuat Lack of Fit ditampilkan dengan cara meng-
(Source) (df) (SS) (MS) klik Pure Error pada Window Option.
Regresi 1 6,326 6,326 6,569

Error 22 21,192 s 2  0,963

atau
Residual
Total,
23 27,518
terkoreksi

Pada tabel di bawah ini ditambahkan baris ke tiga

yang berisikan Kuadrat Tengah Error atau MSE
yang dipecah menjadi dua, yaitu Kuadrat Tengah
Lack of Fit dan Kuadrat Tengah Error Murni.

Tabel ANOVA 2
Kuadrat
Data pada contoh 1 bila diolah menggunakan MINI-
Sumber Derajat Jumlah tengah TAB tanpa memperhatikan lack of fit menghasilkan
Variasi Bebas Kuadrat (KT) = Tabel ANOVA 1 berikut :
(db) (JK) JK/db F
Analysis of Variance 1
(Source) (df) (SS) (MS) Source DF SS MS F P
Regression 1 6,3247 6,3247 6,57 0,018
Regresi 1 6,326 6,326 6,569 Residual Error 22 21,1937 0,9633
(KTRegresi Total 23 27,5183
Error atau 22 21,192 s 2  0,963 dibagi
Residual KTerror) Apabila pengolahan dilakukan dengan memperhati-
Lack of 11 8,722 0,793
kan lack of fit, didapatkan hasil keluaran berikut :
0,699
Fit (KTL of F Analysis of Variance 2
dibagi

4
 0,718 83,6 -0,04137 0,759367
Source DF SS MS F P
Regression 1 6,3247 6,3247 6,57 0,018 0,642 99,5 -0,0712 0,713201
Residual Error 22 21,1937 0,9633 0,658 111,2 -0,02123 0,67923
Lack of Fit 11 8,7237 0,7931 0,70 0,718
Pure Error 11 12,4700 1,1336
Total 23 27,5183 Sebagai langkah awal adalah memplot Y terhadap
X. Dihasilkan plot berikut :
Cara cepat menyimpulkan hasil pengujian, yaitu
Scatterplot of Y vs X
dengan memanfaatkan hasil MINITAB dapat dila-
1,0
kukan dengan melihat nilai P. Nilai P sebesar
0,018, yang kurang dari 0,05 pada Analysis Vari-
0,9
ansi 1, menandakan prediktor berpengaruh pada res-
pon. Pada Analysis Variansi 2, didapatkan nilai P
Lack of Fit sebesar 0,718 yang lebih dari 0,05, 0,8

Y
sehingga disimpulkan Lack of Fit tidak bermakna;
ini berarti model linier order pertama sudah sesuai. 0,7

Cara lain mendeteksi lack of fit dengan mengguna- 0,6

0 20 40 60 80 100 120
kan statistik uji F = (MS Lack of Fit)/(MS Pure X

Error). Bila F < 1, maka Lack of Fit tidak

bermakna, sementara kalau F>1 belum tentu Lack Hasil plot Y terhadap X di atas menunjukkan bahwa
of Fit ber-makna. model regresi cukup baik, ditandai dengan titik-titik
pengamatan yang merata disekitar garis regresi. Be-
Kalau diterapkan pada soal contoh 1 di atas, nilai F berapa hasil perhitungan ditampilkan sebagai beri-
sebesar 0,7931/1,1336; nilai ini kurang dari satu. kut :
Jadi Lack of Fit tidak bermakna. Hasil melalui F ini
tidak bertentangan dengan hasil melalui P. Kedua MTB > let k1=sum(X)
tolok ukur ini menghasilkan kesimpulan yang sama, MTB > let k2=sum(Y)
yaitu Lack of fit tidak bermakna. MTB > let k3=sum(X**2)
MTB > let k4=sum(Y**2)
MTB > let k5=sum(X*Y)
Contoh 2, Soal K MTB > print k1-k5

Data Display
Y X RESI1 FITS1 n n
0,971
0,979
3
4,7
-0,02239
-0,00945
0,99339
0,988454
 Xi
i 1
= K1 = 1244,50 Y
i 1
i
2
= K4 =

0,982 8,3 0,003999 0,978001 27,5736

0,971 9,3 -0,0041 0,975098 n n

0,957 9,9 -0,01636 0,973356  Yi

i 1
= K2 = 30,4580  XY
i 1
= K5 =
0,961 11 -0,00916 0,970162
1032,49
0,956 12,3 -0,01039 0,966387 n
0,972
0,889
12,5
12,6
0,006193
-0,07652
0,965807
0,965516
X
i 1
i
2
= K3 = 73920,1

0,961 15,9 0,005065 0,955935

0,982 16,7 0,028388 0,953612 Dengan menggunakan command regresi didapatkan
0,975 18,8 0,027485 0,947515 model regresi berikut :
0,942 18,8 -0,00551 0,947515
0,932 18,9 -0,01522 0,947224 MTB > Name c3 "RESI1" c4 "FITS1"
MTB > Regress 'Y' 1 'X';
0,908 21,7 -0,03109 0,939094 SUBC> Residuals 'RESI1';
0,97 21,9 0,031486 0,938514 SUBC> Fits 'FITS1';
0,985 22,8 0,0491 0,935901 SUBC> Constant;
0,933 24,2 0,001164 0,931836 SUBC> Brief 1.
0,858 25,8 -0,06919 0,92719
Regression Analysis: Y versus X
0,987 30,6 0,073747 0,913253 The regression equation is
0,958 36,2 0,061007 0,896993 Y = 1,00 - 0,00290 X
0,909 39,8 0,022459 0,886541
Predictor Coef SE Coef T P
0,859 44,3 -0,01448 0,873475 Constant 1,00210 0,01089 92,04 0,000
0,863 46,8 -0,00322 0,866216 X -0,0029035 0,0002335 -12,43 0,000
0,811 46,8 -0,05522 0,866216
S = 0,0393282 R-Sq = 82,9% R-Sq(adj) = 82,3%
0,877 58,1 0,043593 0,833407 Analysis of Variance
0,798 62,3 -0,02321 0,821212 Source DF SS MS F P
0,855 70,6 0,057887 0,797113 Regression 1 0,23915 0,23915 154,62 0,000
0,788 71,1 -0,00766 0,795661 Residual Error 32 0,04949 0,00155
0,821 71,3 0,02592 0,79508 Total 33 0,28864
0,83 83,2 0,069472 0,760528

5
Kesimpulannya model cukup baik, berdasarkan Probability Plot of C1
pada : Normal - 95% CI
99
- Plot Y terhadap X menunjukkan model Mean
StDev
-1,47059E-07
0,03873

linier order pertama yang baik. 95

90
N
AD
34
0,390
P-Value 0,364
- Variabel bebas berbeda dengan nol se- 80

cara bermakana, ditandai dengan nilai 70

Percent
60

P yang kurang dari 0,05, jadi X 50

40

berpenga-ruh pada Y.
30
20

- Nilai R2 = 82%, menunjukan variasi Y 10

karena pengaruh X tinggi. 5

- Empat plot residual tampak baik, seper- 1

-0,10 -0,05 0,00 0,05 0,10
ti yang ditampilkan pada gambar di ba- C1

wah ini.

Residual Plots for Y Contoh 3, Soal L

Normal Probability Plot of the Residuals
99 2
Residuals Versus the Fitted Values
Pada soal K di atas, tampak terdapat nilai-nilai pre-
Standardized Residual

90 1 diktor yang sangat dekat, sehingga pantas dianggap

ulangan, dinamai ulangan hampiran.
Percent

50 0

-1
10
-2
1
-2 -1 0 1
Standardized Residual
2 0,7 0,8
Fitted Value
0,9 1,0 Data ulangan hampiran berdasarkan data soal K:
Histogram of the Residuals Residuals Versus the Order of the Data
X = 9,3 9,9
10,0 2 X = 12,3 12,5 12,6
Standardized Residual

7,5 1
X = 18,8 18,8 18,9
Frequency

0
5,0

-1
X = 21,7 21,9
2,5

0,0
-2 X = 46,8 46,8
-2 -1 0 1
Standardized Residual
2 1 5 10 15 20
Observation Order
25 30
X = 70,6 71,1 71,3
X = 83,2 83,6

Dengan dihimpunnya data ulangan hampiran ini

maka dapat dideteksi kemaknaan lack of fit. Namun
demikian, perhitungan tidak dapat dilakukan meng-
gunakan program paket, harus secara manual.
Untuk mempermudah, data disusun ke bentuk berikut :
Nilai Prediktor
yg diulang, atau Mean Respon, Jumlah Kuadrat Derajat
Nilai-nilai Respon, Pengulangan,
ulangan Penyimpangan Terhadap Bebas
hampiran (Yju) (Yj ) (nj)
Mean Respon (db)
(Xj )
9,3 9,9 0,971 0,957 9,6 2 ... 1
12,3 12,5 12,6 0,956 0,972 0,889 12,5 3 ... 2
18,8 18,8 18,9 0,975 0,942 0,932 18,83 3 ... 2
21,7 21,9 0,908 0,970 21,8 2 ... 1
46,8 46,8 0,863 0,811 46,8 2 ... 1
70,6 71,1 71,3 0,855 0,788 0,821 71 3 ... 2
83,2 83,6 0,830 0,718 ... 2 ... 1
0,01678 10

Lengkapilah perhitungan dan isikan pada tabel di atas. Selanjutnya, lengkapilah pula tabel ANOVA berikut :

Analysis of Variance

Source DF SS MS F P
Regression 1 0,23915 0,23915 154,62 0,000
Residual Error 32 0,04949 0,00155

Lack of Fit ... ... ... ... ...

Pure Error 10 0,01678 ...
Total 33 0,28864

Lakukanlah evaluasi, apakah lack of fit bermakna ? Lakukan analisis kebaikan model.

Bandingkan dengan hasil analisis model di soal K.

6
 Statistik Matematika Pada ANOVA
variansi mean setiap perlakuan ter-
Yang akan diuraikan pada topik Statistik Matema- hadap mean keseluruhan.
tika pada ANOVA ini adalah :
- Distribusi setiap komponen Tabel Ana- Bila dinyatakan dengan persamaan:
lisis Variansi k ni k ni k ni

- Hubungan antara komponen  ( yij  y )2  ( yij  yi )2   ( yi.  y )2

i 1 j 1 i 1 j 1 i 1 j 1
- Ekspektasi setiap komponen
suku 1 suku 2 suku 3
Untuk mengingat kembali, akan ditampilkan lagi
Tabel ANOVA berikut ini. Penalaran suku 1,
Diasumsikan : Yij~N(,2)
Tabel ANOVA Yij  
Kuadrat Yij ~ N (  ,  2 ), maka ~ N (0,1),
Derajat Jumlah 
Sumber tengah
Bebas Kuadrat  Yij  
2 2
Variasi (KT) =  k
 Yij   
ni

(Source)
(db) (JK)
JK/db
  ~ 12 , maka    ~ 2k
(df) (SS)    i 1 j 1     ni
(MS) i 1

n 2
 Yij  Y 
 (Yˆi  Y ) 2  
k ni k ni
  ~ 2k 2
Regresi 1
i 1
KTRegresi
   
,  Yij  Y
 ni 1 i 1 j 1
~ 2k
 ni 1
2
i 1 j 1
  i 1 i 1
n JK
Error atau n-2  (Yi  Yˆi ) 2
i 1
s2 
n2
Didapatkan hasil :
Residual

 Y 
k ni 2
n
Y ~ 2k  2
Total,
terkoreksi
n-1  (Yi  Yi )
i 1
2
i 1 j 1
ij
 ni 1
i 1

Keterangan : Judul yang ditulis miring, yaitu : Source, df,

SS, dan MS, merupakan istilah yang lazim Penalaran suku 2,
digunakan pada program MINITAB. Diasumsikan : Yij~N(i,2)

Distribusi Komponen Tabel ANOVA Yij  i

Yij ~ N ( i , 2 ), maka ~ N (0,1),
Yang akan dibahas adalah distribusi : Jumlah Kua- 
2 2
drat Regresi, Jumlah Kuadrat Residual, dan Jumlah  Yij  i  ni
 Yij  i 
Kuadrat Total.   ~ 12 , maka    ~  n2i ,
   j 1   
2 2
Review ANOVA searah : ni
 Yij  Yi  k  Yij  Yi
ni

Organisasi Data :
 
 
j 1 
 ~ n2i 1 ,
  
 
 ~ 2k

 ni  k
 i 1 j 1   i 1
i
1 k ni
1 2 ... k
2  ij
 Y  Yi  ~ 2k
2

y11 y21 ... yk1  i 1 j 1  ni  k

i 1
y12 y22 ... yk2
Didapatkan hasil :
. . ... .
. . ... . k ni k
.
y1n1
.
y2n 2
... .
ykn k
 ( y
i 1 j 1
ij  yi ) 2   ni (Yi.  Y ) 2 ~  k21 2
i 1

y1 y2 yk y

Model ANOVA,Yij=i+ij, i=1,2,...k,

j=1,2,...,ni

1 ni n y i i
yi.   yij y i
k
ni j 1
n i
i

Variasi total respon merupakan

jumlahan dari variasi respon ter-
hadap mean setiap perlakuan dengan

7
 ni
Y ~ N (  ,  2 ),   E (Y ),  2  var(Y )
 Y  Yi  ~ 2k
k
2
ij 2 Y  E (Y ) Y 
i 1 j 1  ni  k  ~ N (0,1)
i 1
(var(Y ))1/ 2

Penalaran suku 3,
2 Yi .  
Yi . ~ N (  , ), 1/ 2
~ N (0,1) Kembali ke Regresi
ni  2 
 
 n  n

 (Yˆ  Y )
i 2
Penalaran distribusi i ,
(Yi .   ) 2 k (Yi .   ) 2


i 1
~ 12 ~  k2
  2
i 1  2

   
 n i   ni 
k n (Y   ) 2 k
ni (Yi.  Y ) 2

i 1
i i.

2
~  k2 
i 1 2
~  k21

Hasil Keseluruhan :

 Y 
k ni
2
ij Y ~ 2k  2
i 1 j 1  ni 1
i 1

ni

 Y  Yi  ~ 2k
k
2
ij
i 1 j 1  ni  k
i 1

k ni k

 (Yi.  Y ) 2   ni (Yi.  Y ) 2 ~  k21 2

i 1 j 1 i 1

Perlu diingat :

8
9