Skip to content
Kembali ke hasil pencarian

Analisis Varians (ANOVA)

Diperkenalkan oleh
Ronald A. Fisher
Tahun
1925
Jenis
Method
Keluarga
parametric-hypothesis-testing

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

ANOVA adalah metode statistik parametrik yang dikembangkan oleh Ronald A. Fisher pada tahun 1925 yang menguji apakah rerata berbeda secara signifikan di antara tiga atau lebih kelompok independen.

Dengan mempartisi varians total menjadi komponen antar-kelompok dan dalam-kelompok, ANOVA menentukan apakah perbedaan yang diamati kemungkinan disebabkan oleh efek perlakuan atau variasi acak, menjadikannya fundamental untuk penelitian komparatif di bidang kedokteran, psikologi, pertanian, dan teknik.

Intuisi di balik metode

ANOVA memperluas uji-t (yang membandingkan dua kelompok) ke banyak kelompok dengan memeriksa rasio varians yang dijelaskan oleh keanggotaan kelompok terhadap varians yang tidak dijelaskan. Jika kelompok benar-benar berbeda dalam rerata dasarnya, varians antar-kelompok akan jauh lebih besar daripada varians dalam-kelompok (kesalahan acak). Statistik F mengukur rasio ini: F besar menunjukkan perbedaan kelompok yang asli, sedangkan F kecil menunjukkan kelompok serupa. Logika ini mendasari banyak desain eksperimental dan perbandingan kelompok observasional.

Sejarah

Ronald A. Fisher mengembangkan ANOVA pada tahun 1925 saat menganalisis uji coba lapangan pertanian di Rothamsted Experimental Station, mencari cara untuk menguji apakah hasil panen berbeda di antara perlakuan pupuk. Inovasinya mempartisi varians dan memperkenalkan distribusi F (dinamai menurut namanya), merevolusi statistik komparatif. Kruskal dan Wallis (1952) mengembangkan padanan nonparametriknya (uji Kruskal-Wallis). Metode ini menjadi standar dalam psikologi, kedokteran, dan ilmu sosial sepanjang abad ke-20. Perluasan modern termasuk ANOVA pengukuran berulang (Mauchly, 1940), ANOVA faktorial (Yates, 1937), dan varian yang kuat (F Welch, estimator James-Stein).

Kapan digunakan

Gunakan ANOVA ketika membandingkan rerata tiga atau lebih kelompok independen pada hasil kontinu. Skenario umum: menguji efektivitas beberapa kondisi perlakuan (pendidikan, kedokteran), membandingkan hasil di antara kategori demografis (kelompok usia, wilayah geografis), atau mengevaluasi beberapa lengan intervensi dalam uji acak. ANOVA ideal ketika data kira-kira terdistribusi normal dan varians kelompok kira-kira sama. Untuk data non-normal, pertimbangkan Kruskal-Wallis (alternatif nonparametrik). Untuk pengukuran berulang (subjek yang sama diukur berkali-kali), gunakan ANOVA pengukuran berulang. Untuk data bersarang (siswa di dalam sekolah), gunakan pemodelan multilevel.

Batasan dan pertimbangan

  • Mengasumsikan residual terdistribusi normal; sensitif terhadap penyimpangan dari normalitas dengan ukuran efek besar atau ukuran kelompok yang tidak sama.
  • Asumsi homogenitas varians: varians yang tidak sama di antara kelompok meningkatkan kesalahan Tipe I. F Welch adalah alternatif yang lebih kuat.
  • Uji omnibus: nilai p yang signifikan menunjukkan setidaknya dua rerata berbeda, tetapi tidak menentukan pasangan mana; pengujian post-hoc menambah kompleksitas dan penalti perbandingan berganda.
  • Sensitif terhadap outlier: beberapa observasi ekstrem dapat meningkatkan varians dalam-kelompok dan mengurangi kekuatan statistik.
  • Memerlukan observasi independen; melanggar asumsi jika data berkelompok (misalnya, siswa bersarang di kelas) tanpa penyesuaian yang sesuai.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Kuat untuk mendeteksi perbedaan kelompok yang sebenarnya ketika asumsi terpenuhi; mempertahankan tingkat kesalahan Tipe I yang lebih rendah daripada beberapa uji-t.
  • Parsimonius: menguji efek kelompok keseluruhan dalam satu model daripada melakukan banyak perbandingan berpasangan.
  • Menyediakan ukuran efek (eta-squared) yang mengukur besarnya perbedaan kelompok relatif terhadap variasi keseluruhan.
  • Tersedia luas di perangkat lunak statistik; praktik standar dalam penelitian lintas disiplin; hasil mudah dikomunikasikan.
  • Dapat diperluas: dasar untuk ANOVA faktorial (beberapa faktor), ANOVA multivariat (MANOVA), desain pengukuran berulang, dan model campuran.

Penerapan

  • Uji klinis: membandingkan efikasi beberapa dosis obat atau perlakuan bersaing terhadap hasil pasien (misalnya, pengurangan nyeri di antara tiga lengan perlakuan).
  • Penelitian pendidikan: menguji apakah pencapaian siswa berbeda berdasarkan metode pengajaran, jenis sekolah, atau latar belakang sosial ekonomi.
  • Pertanian dan ilmu lingkungan: menganalisis hasil panen, tingkat pertumbuhan, atau tingkat kontaminan di antara kondisi lapangan, jenis pupuk, atau wilayah geografis.
  • Manufaktur dan kontrol kualitas: mengevaluasi apakah metrik kualitas produk bervariasi berdasarkan lini produksi, batch, atau pemasok.
  • Psikologi dan neurosains: membandingkan kinerja kognitif, aktivasi saraf, atau ukuran perilaku di antara kondisi eksperimental atau kelompok diagnostik.

Cara kerjanya

Cara kerjanya

1

Lakukan ANOVA ketika Anda memiliki variabel hasil kontinu dan satu atau lebih variabel pengelompokan kategorikal (faktor). Pengumpulan data memerlukan observasi independen dari setiap kelompok dan ukuran sampel yang memadai (biasanya 5–10+ per kelompok). Tetapkan partisipan ke kelompok baik secara eksperimental (penugasan acak) atau observasional (pengelompokan alami). Catat skor hasil untuk semua partisipan. Periksa asumsi sebelum melanjutkan: (1) independensi observasi (tidak ada kontaminasi klaster atau pengukuran berulang), (2) normalitas residual dalam setiap kelompok (periksa plot Q-Q atau jalankan uji Shapiro-Wilk), (3) homogenitas varians di seluruh kelompok (uji Levene; p > 0,05 menunjukkan varians yang sama).

2

Hitung statistik F ANOVA dengan mempartisi jumlah kuadrat total (SS_total) menjadi jumlah kuadrat antar-kelompok (SS_between) dan jumlah kuadrat dalam-kelompok (SS_within). Hitung: (1) Rerata grand (rerata keseluruhan di semua observasi), (2) SS_between = Σ n_i(M_i − M_grand)² di mana n_i adalah ukuran kelompok dan M_i adalah rerata kelompok, (3) SS_within = Σ Σ (x_ij − M_i)² dijumlahkan di seluruh kelompok dan observasi, (4) Mean Square Between (MS_between) = SS_between / (k − 1) di mana k adalah jumlah kelompok, (5) Mean Square Within (MS_within) = SS_within / (N − k) di mana N adalah ukuran sampel total, (6) Statistik F = MS_between / MS_within. F mengikuti distribusi F dengan (k−1) dan (N−k) derajat kebebasan di bawah hipotesis nol.

3

Bandingkan F yang dihitung dengan nilai kritis dari tabel distribusi F atau gunakan perangkat lunak untuk mendapatkan nilai p. Jika p < α (biasanya 0,05), tolak hipotesis nol: setidaknya dua kelompok berbeda secara signifikan. ANOVA tidak mengidentifikasi kelompok mana yang berbeda; gunakan uji post-hoc (Tukey HSD, Bonferroni, Scheffé) untuk perbandingan berpasangan. Laporkan ukuran efek (η², omega-squared) untuk menunjukkan signifikansi praktis: η² = SS_between / SS_total; kira-kira 0,01=kecil, 0,06=sedang, 0,14=besar. Omega-squared kurang bias untuk sampel kecil. Nilai p yang tidak signifikan menunjukkan bukti yang tidak cukup tentang perbedaan kelompok; jangan menyimpulkan kelompok sama—tidak adanya bukti bukanlah bukti tidak adanya.

Kesalahan umum

  • Melakukan ANOVA tanpa memeriksa asumsi, terutama normalitas dan homogenitas varians; selalu periksa plot residual.
  • Melakukan beberapa uji-t berpasangan alih-alih ANOVA lalu uji post-hoc; meningkatkan kesalahan Tipe I keluarga dan membuang kekuatan.
  • Salah menafsirkan ANOVA yang tidak signifikan sebagai bukti kelompok sama; kurangnya signifikansi hanya menunjukkan bukti yang tidak cukup untuk menolak nol.
  • Menggunakan ANOVA pada data hasil ordinal atau kategorikal (gunakan chi-square sebagai gantinya); ANOVA memerlukan hasil kontinu.
  • Gagal melaporkan ukuran efek (eta-squared, omega-squared) bersama dengan nilai p; signifikansi statistik saja tidak mengkomunikasikan pentingnya praktis.
  • Mengabaikan ukuran kelompok yang tidak sama dalam perbandingan post-hoc; beberapa uji (misalnya, Tukey) mengasumsikan n yang sama.

Pertanyaan yang sering diajukan

Apa perbedaan antara ANOVA one-way, two-way, dan repeated measures?

ANOVA one-way menguji satu variabel independen (faktor) dengan beberapa level (misalnya, tiga kelompok perlakuan). ANOVA two-way mencakup dua variabel independen dan menguji efek utama serta interaksinya (misalnya, efek perlakuan dan jenis kelamin terhadap hasil). ANOVA repeated measures berlaku untuk desain dalam-subjek di mana individu yang sama diukur berkali-kali (misalnya, sebelum, selama, setelah perlakuan); ini memperhitungkan korelasi antara observasi berulang. Pilihan tergantung pada desain studi dan pertanyaan penelitian.

Kapan saya harus menggunakan uji post-hoc, dan mana yang terbaik?

Gunakan uji post-hoc hanya setelah ANOVA omnibus yang signifikan untuk mengidentifikasi pasangan kelompok mana yang berbeda. Tukey HSD (Honestly Significant Difference) adalah standar untuk ukuran kelompok yang sama dan perbandingan berpasangan yang direncanakan, mengontrol kesalahan keluarga. Bonferroni bersifat konservatif (lebih ketat, lebih sedikit positif palsu) untuk beberapa perbandingan. Scheffé paling fleksibel, memungkinkan kontras yang kompleks. Uji Dunnett terbaik untuk membandingkan beberapa kelompok perlakuan dengan satu kontrol. Selalu tentukan uji post-hoc di muka; pemilihan berdasarkan data meningkatkan kesalahan Tipe I.

Bagaimana cara menangani ukuran sampel yang tidak sama di antara kelompok?

n yang tidak sama bukanlah pelanggaran jika data yang hilang hilang sepenuhnya secara acak (MCAR). Kontrol kesalahan Tipe I kuat di bawah n yang tidak sama. Namun, uji post-hoc mengasumsikan ukuran kelompok yang sama; gunakan nilai kritis yang dimodifikasi atau uji alternatif (misalnya, Games-Howell) untuk menyesuaikan varians dan ukuran sampel yang tidak sama. Laporkan ukuran kelompok secara eksplisit. Jika kehilangan data terkait dengan variabel yang diminati, pertimbangkan imputasi ganda atau model campuran untuk menangani data yang hilang dengan tepat.

Apa itu eta-squared (η²) dan bagaimana perbedaannya dengan omega-squared (ω²)?

Keduanya mengukur ukuran efek: proporsi varians total yang dijelaskan oleh keanggotaan kelompok. Eta-squared (η² = SS_between / SS_total) lebih mudah dihitung tetapi bias ke atas, terutama dengan sampel kecil. Omega-squared (ω² = (SS_between − (k−1)MS_within) / (SS_total + MS_within)) memperbaiki bias ini dan memberikan perkiraan ukuran efek populasi yang kurang meningkat. Untuk publikasi, laporkan omega-squared untuk akurasi. Patokan kasar: 0,01 = kecil, 0,06 = sedang, 0,14 = besar efek.

Metode terkait

Sumber

  1. Fisher, R. A. (1925). Statistical Methods for Research Workers. Oliver and Boyd.

    Buka referensi publikasi
    Disalin.
  2. Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621.

    Buka referensi DOI
    Disalin.