Upload
cordova-ulin-nuha-kamila
View
526
Download
66
Embed Size (px)
Citation preview
Model Log 3 dimensi
Dalam kehidupan sehari-hari, sering dijumpai data yang dikelompokkan ke dalam suatu
kategori tertentu. Data yang memuat beberapa kategori tersebut disebut data kategorik. Data
kategorik lebih mudah dianalisis jika data tersebut disajikan dalam bentuk tabel kontingensi.
Berikut akan dijelaskan mengenai model log tiga dimensi beserta tabel kontingensi tiga
dimensi.
1. Tabel kontingensi tiga dimensi
Tabel kontingensi merupakan suatu tabel yang memperlihatkan tingkat dari masing-
masing variabel kategorik berdasarkan frekuensi pengamatannya.
Uji independensi dan uji homogenitas juga berlaku pada tabel kontingensi tiga dimensi.
a. Uji independensi / kebebasan
Hipotesis:
H 0 : p ijk=pi++¿ . p+ j+¿ . p++k¿¿
H 1: p ijk≠ pi++¿ . p+ j+¿ .p++ k¿¿
Statistik uji:
χ2=∑i=1
I
∑j=1
J
∑k=1
K (nijk−mijk )2
mijk
Keterangan :
nijk=¿ frekuensi pengamatan sel ke-ijk
mijk=¿ frekuensi harapan sel ke-ijk
Frekuensi harapan dalam tabel kontingensi 3 dimensi dihitung dengan menggunakan
rumus
mijk=¿¿
Taraf signifikansi : umumnya digunakan 𝛼=0,05 Kesimpulan:
Tolak H 0 pada taraf signifikansi α , jika χhitung2 ≥ χ tabel
2
dengan derajat bebas=(I−1)(J−1)(K−1).
2. Model Log Linear Untuk Tabel 3 Dimensi
Model log linear merupakan salah satu cara menganalisis data kategorik jika variabel
yang diperhatikan dalam suatu data kategorik tersebut berbentuk variabel kategorik. Ada dua
model log linear untuk tabel kontingensi yaitu model bebas dan model lengkap.
2.1 Model Bebas (Independen)
1
Diketahui probabilitas dari sel kategori 3 dimensi yang saling bebas sehingga
pijk=p i++¿ . p+ j+¿ . p++k ¿¿
dalam bentuk logaritma diperoleh persamaan
log ( p¿¿ ijk )=log ¿¿¿
dan jika diketahui mijk=n . pijk
mi++¿=n . pi++¿ ¿¿
m+ j+¿=n . p+ j+¿¿ ¿
m++k=n. p++k
maka
mijk
n=¿
mijk=¿¿
sehingga
log (mijk)=log ¿
log (mijk)=log mi++¿+ logm+ j+¿+ logm+ +k−2 logn¿¿
dan bila variabel baris dilambangkan dengan A, variabel kolom dengan B dan variabel layer
dengan C, maka
log (mijk )=μ+λ iA+λiB+λ iC
Keterangan :
mijk=¿frekuensi harapan dalam sel-ij
μ=¿ parameter rata-rata keseluruhan
λ iA=¿parameter pengaruh tingkat ifaktor A
λ iB=¿ parameter pengaruh tingkat jfaktor B
λ iC=¿parameter pengaruh tingkat kfaktor C
Untuk mencari nilai parameter dari μ , λiA , λ i
B , dan λiC
μ=∑i=1
I
∑j=1
J
∑k=1
K
log (mijk )
IJ K
λ iA=
∑j=1
J
∑k=1
K
log (mijk )
JK−μ
2
λ iB=
∑I=1
I
∑k=1
K
log (mijk )
IK−μ
λ iC=
∑i=1
I
∑j=1
J
log (mijk )
IJ−μ
Dengan syarat
∑i=1
I
λiA=∑
j=1
J
λiB=∑
k=1
K
λiC=0
2.2 Model Lengkap (saturated)
Apabila terdapat interaksi pada setiap variabelnya, maka Model Log Linear lengkapnya
adalah
log (mijk )=μ+λ iA+λ jB+λkC+ λijAB+λ ikAC+λ jkBC+λ ijkABC
keterangan :
mijk=¿frekuensi harapan dalam sel-ij
μ=¿ parameter rata-rata keseluruhan
λ iA=¿parameter pengaruh tingkat ifaktor A
λ iB=¿ parameter pengaruh tingkat jfaktor B
λ iC=¿parameter pengaruh tingkat kfaktor C
λ iAB=¿parameter pengaruh faktor interaksi sel – ij
λ iAC=¿parameter pengaruh faktor interaksi sel – ik
λ iBC=¿parameter pengaruh faktor interaksi sel – jk
λ iABC=¿ parameter pengaruh faktor interaksi sel – ijk
dimana,
μ=∑i=1
I
∑j=1
J
∑k=1
K
log (mijk )
IJK
λ iA=
∑j=1
J
∑k=1
K
log (mijk )
JK−μ
λ iB=
∑I=1
I
∑k=1
K
log (mijk )
IK−μ
3
λ iC=
∑i=1
I
∑j=1
J
log (mijk )
IJ−μ
λ ijAB=
∑k=1
K
log (mijk )
K−∑j=1
J
∑k=1
K
log (mijk )
JK−∑I=1
I
∑k=1
K
log (mijk )
IK−μ
λ iBC=
∑j=1
J
log (mijk )
J−∑j=1
J
∑k=1
K
log (mijk )
JK−∑i=1
I
∑j=1
J
log (mijk )
IJ−μ
λ iAC=
∑i=1
I
log (mijk )
I−∑I=1
I
∑k=1
K
log (mijk )
IK−∑i=1
I
∑j=1
J
log (mijk )
IJ−μ
λ iABC=log (mijk )−
∑i=1
I
log (mijk )
I−∑j=1
J
log (mijk )
J−∑k=1
K
log (mijk )
K
+∑i=1
I
∑j=1
J
log (mijk )
IJ+∑I=1
I
∑k=1
K
log (mijk )
IK+∑j=1
J
∑k=1
K
log (mijk )
JK
Dengan syarat
∑i=1
I
λiA=∑
j=1
J
λiB=∑
k=1
K
λiC=∑
i=1
I
λijAB=∑
j=1
J
λijAC=…=∑
i=1
I
∑j=1
j
∑k=1
K
λiC=0
3. Analisis Model Log Linear
Model Log Linear merupakan suatu model khusus yang dipergunakan untuk melakukan
analisis data kategorik berskala nominal. Model Log Linear pada dasarnya merupakan model
linier univariat yang dipergunakan untuk melakukan analisis varians dengan variabel tak bebas
atau respons adalah logaritma dari frekuensi yang diharapkan dalam tiap-tiap sel tabel silang yang
diperhatikan. Jika mijkmenyatakan frekuensi ekspektasi dalam sel-(i,j,k) dari tabel silang
berdimensi tiga, maka model Log Linear yang diperhatikan mempunyai variabel respons log (mijk )Analisis Log Linear dapat digunakan untuk menganalisis pola hubungan antar sekelompok
variabel kategori yang mencakup asosiasi dua variabel, asosiasi tiga variabel atau lebih. Pola
hubungan antar variabel dapat dilihat dari interaksi antar variabel itu sendiri. Analisis Log Linear
tidak membedakan antara variabel penjelas dan variabel respons.
Pada analisis data kategorik, untuk mencari model yang paling sesuai terlebih dahulu harus
diketahui statistik cukup dan statistik cukup minimal.
Definisi 3.1
4
Misalkan X 1 , X 2, X 3 , ... , X nsampel random dari fungsi probabilitas f (x ;θ). Statistik
W=h(X1 , X 2 , X3 , ... , X n)dikatakan cukup (sufficient) untuk θapabila semua θdan semua hasil
yang mungkin, fungsi probabilitas X 1 , X 2, X 3 , ... , X njika diketahui w tidak tergantung pada θ,
baik dalam fungsi itu sendiri atau dalam wilayah fungsi itu. (Soejoeti, 1990).
Menurut Bain dan Engelhardt (1991:337), suatu himpunan statistik dikatakan sebagai
himpunan statistik cukup minimal jika anggota-anggotanya adalah statistik cukup gabungan
untuk parameter dan jika statistik-statistik tersebut merupakan fungsi dari himpunan statistik
cukup gabungan yang lain.
5
Langkah-langkah mencari model yang sesuai: 1. Kecukupan dan Likelihood
a. Statistik Cukup Minimal
Diasumsikan sebuah sampel (n ijk )untuk klasifikasi silang dari variabel-variabel A, B dan C.
Diasumsikan variabel A, B dan C adalah variabel random Poisson dengan nilai harapanmijk.
Fungsi kepadatan probabilitas Poissonbersama dari nijkadalah
Π iΠ jΠ k=e−mijk (mijk )
nijk
mijk !
Dengan
mijk : frekuensi harapan
Π iΠ jΠ k : hasil kali seluruh frekuensi sel dalam tabel
nijk : frekuensi pengamatan pada baris ke-i, kolom ke-jdan layer ke-k
Dalam bentuk logaritma, persamaan tersebut dapat ditulis
log (mijk )=μ+λ iA+λiB+λ iC+ λiAB+λ iAC+λ iBC+λ iABC
Model log linear untuk tabel 3 dimensi secara umum dapat disajikan dalam persamaan yaitu
mij k=exp (μ+λiA+λi
B+λiC+ λi
AB+λiAC+λ i
BC+λiABC )
Kemudian diperoleh LogLikekihoodsebagai berikut
L (m )=nμ+∑i
ni++¿ λ iA+∑
j
n+ j+¿ λ jB+∑
k
n++k λkC+¿∑
i∑j
nij+¿λijAB ¿¿
¿¿
∑i∑k
nik+¿ λikAC+¿∑
j∑k
ni+k λ jkBC+¿∑
i∑j∑k
nijk λ ijkABC−¿¿¿¿¿
∑i∑j∑k
exp(μ+ λiA+ λ j
B+ λkC+λij
AB+ λikAC+λ jk
BC+ λij kABC)
Dengan λ adalah parameter dalam model.
Tabel 4 Tabel Statistik Cukup MinimalMODEL Statistik cukup minimal
(A,B,C) ¿
(AB,C) ¿
(AC,B) {n i+k } ,¿(BC,A) {n+ jk } ,¿
(AB, BC) ¿
(AC,BC) {n i+k } , {n+ jk }(AB,AC) ¿
(AB,AC,BC) ¿
(ABC) {n ijk }
Keterangan:
6
• Model (A,B,C) yaitu model yang ketiga faktornya tidak ada interaksi.
• Model (AB,C) yaitu model yang hanya terdapat satu interaksi (interaksi antar faktor A dan
faktor B).
Begitu juga dengan model-model yang lainnya.
b. Persamaan Likelihood
Estimasi maksimum Likelihooddiperoleh dari derivatif persamaan Log Likelihood
L (m )=nμ+∑i
ni++¿ λ iA+∑
j
n+ j+¿ λ jB+∑
k
n++k λkC+¿∑
i∑j
nij+¿λijAB ¿¿
¿¿
∑i∑k
nik+¿ λikAC+¿∑
j∑k
ni+k λ jkBC+¿∑
i∑j∑k
nijk λ ijkABC−¿¿¿¿¿
∑i∑j∑k
exp(μ+ λiA+ λ j
B+ λkC+λij
AB+ λikAC+λ jk
BC+ λijkABC)
Derivatif terhadap parameter-parameternya diperoleh estimasi maksimum Likelihoodberikut:
1) Derivatif terhadap 𝜇diperoleh
m̂++¿=n¿(frekuensi harapan total = frekuensi pengamatan total)
2) Derivatif terhadap λ iAdiperoleh
m̂i++¿ ¿=𝑛𝑖++ dengan i= 1,2,3,...,I
3) Derivatif terhadap λ jBdiperoleh
m̂+ j+¿¿=𝑛+j+ dengan j= 1,2,3,...,J
4) Derivatif terhadapλ iCdiperoleh
m̂++k=𝑛++kdengan k= 1,2,3,...,K
5) Derivatif terhadap λ ijABdiperoleh
m̂ij+¿¿=n ij+¿ dengan i= 1,2,3,...,I ; j= 1,2,3,...,J
6) Derivatif terhadap λ ikACdiperoleh
m̂i+ k=𝑛i+kdengan i= 1,2,3,...,I ; k= 1,2,3,...,K
7) Derivatif terhadap λ jkBCdiperoleh
m̂+ jk=𝑛+jkdengan j= 1,2,3,...,J ; k= 1,2,3,...,K
Penyelesaian tunggal untuk m̂ijkpada model sesuai dengan data sampel dalam statistik cukup
minimalnya, sehingga merupakan penyelesaian maksimum Likelihoodnya.
2. Estimasi frekuensi harapan
Misal diasumsikan sebuah model (AC, BC) dengan A dan B adalah variabel bebas dan C adalah
variabel terikat memenuhi:
pijk=pi+k p+ jk
p++ k,untuk semua i, jdan k
7
Menurut Bishop (2007), untuk sampel berdistribusi Poissondigunakan rumus yang berkaitan
dengan frekuensi harapan
mijk=δijkmi+km+ jk
m++k
dari persamaan tersebut kemudian diperoleh estimasimijk yaitu
m̂ijk=δijkni+ kn+ jk
n++k
Keterangan
δ ijk=¿0 ,untuk sel kosong1 ,untuk sel yang terisi ¿
3. Uji Godness of Fit
Menurut Suryanto (1988:274), setelah diperoleh estimasi frekuensi harapan, perlu
membandingkan frekuensi-frekuensi hasil pengamatan dengan estimasi frekuensi harapan untuk
mengetahui apakah model log linear yang digunakan cocok dengan keadaan sebenarnya.
Rumusan hipotesisnya adalah sebagai berikut:
H 0 : model Log Linear yang digunakan cocok dengan keadaan sebenarnya
H 1 : model Log Linear yang digunakan tidak cocok dengan keadaan sebenarnya
Untuk menguji hipotesis bahwa estimasi frekuensi harapan populasi memenuhi model yang
diberikan dengan menggunakan statistik chisquare
χ2=Σ¿ (nijk−mijk )2
mijk
Σ¿ menunjukkan bahwa sel yang digunakan hanya sel yang terisi saja (Bishop, 2007), Apabila
χhitung2 ≥ χ tabel
2 dengan taraf signifikansi 𝛼=0,05 maka gagal tolak H 0 yang berarti model Log Linear
yang digunakan sesuai dengan keadaan sebenarnya.
Selain statistik chisquare, dapat juga menggunakan statistik rasio Likelihooddengan rumus
sebagai berikut:
G2=2 Σ¿nijk log(nijk )mijk
Derajat bebas dalam uji GoodnessofFit ini adalah selisih antara jumlah sel yang bebas
dengan model yang ditentukan. Perhitungan derajat bebas pada tabel kontingensi tak sempurna
yaitu derajat bebas pada tabel kontingensi sempurna dikurangi banyaknya sel kosong.
Jika dihitung secara manual, maka derajat bebas pada tabel sempurna dapat dihitung sebagai
berikut:
8
Tabel 5 Tabel Derajat BebasModel Log Linear Derajat bebas (A,B,C) IJK – I – J – K + 2 (AB,C) (IJ - 1) (K - 1) (AC,B) (IK - 1) (J - 1) (BC,A) (JK - 1) (I - 1) (AB,BC) J (I - 1) (K - 1) (AC,BC) K (I - 1) (J - 1) (AB,AC) I (J -1) (K - 1) (AB,AC,BC) (I - 1) (J - 1) (K - 1) (ABC) 0
4. Pemilihan Model
Model dalam hal ini dipilih menurut nilai statistik rasio Likelihood dan derajat bebasnya.
Urutan pertama dipilih model yang mempunyai nilai statistik rasio Likelihood paling besar dan
derajat bebasnya juga yang paling besar. Langkah selanjutnya analog dengan langkah
sebelumnya. Apabila ada dua model atau lebih yang mempunyai derajat sama, maka dipilih
salahsatu saja yaitu model yang mempunyai nilai statistik rasio Likelihoodpaling kecil.
5. Partisi ChiSquared untuk Membandingkan Model
Diberikan dua model parametrik m1dan m1dengan m2merupakan kasus khusus dari m1.
Karena m2lebih sederhana dari m1maka model m2dikatakan bersusun dengan m1.
G2(m1)≤G2(m2)
Secara teoretis, G2(m1)tidak akan pernah melampaui G2 (m2)diasumsikan model m1
ditentukan, pendekatan rasio Likelihooduntuk menguji m2dapat dihitung dengan uji statistik
G2 (m2)=G2 (m1)+G 2 (m1+m2 )
G2 (m1)mendekati distribusi chisquaredengan derajat bebasv1, G2 (m2)mendekati distribusi chi
squaredengan derajat bebas v2,. Oleh sebab itu, diperoleh G2 (m2|m1) mendekati distribusi chi
squaredengan derajat bebasv2−v1.
6. Analisis Residual
Pada dasarnya, uji Goodness of fit hanya memberikan kesimpulan yang umum tentang
bagaimana sebuah model sesuai dengan data. Untuklebih jauhnya, dapat dilihat pada analisis
residu yang dilakukan dalam memilih sebuah model.
Residu adalah frekuensi pengamatan (ni) dikurangi dengan frekuensi harapan (m̂i) dalam
bentuk persamaan diperoleh:
9
ε=ni−m̂i , i=1,2 ,…,n
Tujuan daripada analisis residual ini adalah untuk mengukur sisa variabilitas data
pengamatan yang tidak dapat dijelaskan baik oleh masing-masing variabelnya maupun interaksi
antar variabelnya. Analisis residual juga sering digunakan pada pendeteksian dan penaksiran
derajat perbedaan antara model yang diasumsikan dengan data hasil pengamatan.
Plot yang sederhana antara nilai residual versus nilai estimasi frekuensi harapan sangat
bermanfaat dalam mendeteksi apakah model telah sesuai dengan spesifikasi ataukah ada
penyimpangan terhadap asumsi. Plot residual yang ideal adalah yang menggambarkan titik-titik
yang menyebar di sekitar nol dengan penyimpangan tidak terlalu besar dari titik nol dan tidak
memberikan suatu kecenderungan pola tertentu / berpola acak.
10
MODEL LOG LINEAR UNTUK TABEL KONTINGENSI TAK
SEMPURNA BERDIMENSI TIGA
(Studi Kasus Jumlah Penduduk Kabupaten Sleman Tahun 2008
Menurut Umur, Pendidikan dan Jenis Kelamin)
Berdasarkan dari data BPS Kabupaten Sleman diperoleh tabel yang memuat data 238.275
orang yang diklasifikasikan berdasarkan tiga kategori yaitu pendidikan, jenis kelamin dan
umur sebagai berikut:
Tabel 1. Data Jumlah Penduduk
Umur (Tahun) Pendidikan tertinggi Jenis Kelamin Jumlah
Anak-anak
SDLaki-laki 38587
Perempuan 34365
SMPLaki-laki 2797
Perempuan 3298
Muda
SDLaki-laki 3006
Perempuan 1503
SMPLaki-laki 20201
Perempuan 18750
Sumber : Susenas BPS Kabupaten Sleman Tahun 2008
Keterangan:
Kategori anak-anak umur 7-12 tahun
Kategori muda umur 13-15 tahun
Kategori
Variabel 1: 1 (Anak-Anak)2 (Muda)
Variabel 2: 1 (SD)2 (SMP)
Variabel 3: 1 (Laki-laki)2 (Perempuan)
11
PEMBAHASAN
1. Dengan Software SPSS
Dengan menggunakan software SPSS, didapatkan output untuk estimasi parameter
dan uji efek.
Estimasi parameter
Parameter Estimates
Effect
Parame
ter Estimate Std. Error Z Sig.
95% Confidence Interval
Lower Bound Upper Bound
VAR00001*VAR00002*VAR0
0003
1-.042 .005 -7.927 .000 -.053 -.032
VAR00001*VAR00002 1 1.175 .005 220.480 .000 1.164 1.185
VAR00001*VAR00003 1 -.102 .005 -19.156 .000 -.112 -.092
VAR00002*VAR00003 1 .112 .005 21.096 .000 .102 .123
VAR00001 1 .246 .005 46.147 .000 .235 .256
VAR00002 1 .067 .005 12.657 .000 .057 .078
VAR00003 1 .090 .005 16.863 .000 .079 .100
Dari tabel diperoleh bahwa:
λ1A = 0.246 λ2
A = -0.246
λ1B = 0.067 λ2
B = -0.067
λ1C = 0.090 λ2
C = -0.090
λ11AB = 1.175 λ22
AB = -1.175
λ11AC = -0.102 λ22
AC = 0.102
λ11BC = 0.112 λ11
BC = -0.112
λ111ABC = -0.042
Pengujian Efek
12
K-Way and Higher-Order Effects
K df
Likelihood Ratio Pearson Number of
IterationsChi-Square Sig. Chi-Square Sig.
K-way and Higher Order
Effectsa
1 7 1.093E5 .000 1.034E5 .000 0
2 4 89726.430 .000 81042.468 .000 1
3 1 335.666 .000 328.685 .000 1
K-way Effectsb 1 3 19531.964 .000 22367.272 .000 0
2 3 89390.764 .000 80713.783 .000 0
3 1 335.666 .000 328.685 .000 0
a. Tests that k-way and higher order effects are zero.
b. Tests that k-way effects are zero.
K-way and Higher Order Effect1. Untuk k = 3
H0 : Efek order ke-3 = 0 (log (eijk) = λ + λi A + λj
B + λkC + λij
AB + λik AC + λ jk
BC) H1 : Efek order ke-3 ≠ 0 (log (eijk) = λ +λi
A + λj B + λk
C + λij AB + λik
AC + λ jkBC + λ
ijkABC)
P-value = 0.000 (baik dengan metode likelihood maupun pearson)α = 0.05
P-value < α (0.000 < 0.05) Tolak H0
Kesimpulan: Efek order ke-3 ≠ 0 (log (eijk) = λ +λi A + λj
B + λkC + λij
AB + λik AC + λ jk
BC + λ ijk
ABC)2. Untuk k = 2
H0 : Efek order ke-3 = 0 (log (eijk) = λ + λi A + λj
B + λkC)
H1 : Efek order ke-3 ≠ 0 (log (eijk) = λ +λi A + λj
B + λkC + λij
AB + λik AC + λ jk
BC + λ
ijkABC)
P-value = 0.000 (baik dengan metode likelihood maupun pearson)α = 0.05
P-value < α (0.000 < 0.05) Tolak H0
Kesimpulan: Efek order ke-3 ≠ 0 (log (eijk) = λ +λi A + λj
B + λkC + λij
AB + λik AC + λ jk
BC + λ ijk
ABC)3. Untuk k = 1
H0 : Efek order ke-3 = 0 (log (eijk) = λ) H1 : Efek order ke-3 ≠ 0 (log (eijk) = λ +λi
A + λj B + λk
C + λij AB + λik
AC + λ jkBC + λ
ijkABC)
P-value = 0.000 (baik dengan metode likelihood maupun pearson)α = 0.05
13
P-value < α (0.000 < 0.05) Tolak H0
Kesimpulan: Efek order ke-3 ≠ 0 (log (eijk) = λ +λi A + λj
B + λkC + λij
AB + λik AC + λ jk
BC + λ ijk
ABC)
K-way Effect1. Untuk k = 3
H0 : Efek order ke-3 = 0 (λ ijkABC = 0)
H1 : Efek order ke-3 ≠ 0 (λ ijkABC ≠ 0)
P-value = 0.000 (baik dengan metode likelihood maupun pearson)α = 0.05
P-value < α (0.000 < 0.05) Tolak H0
Kesimpulan: Efek order ke-3 ≠ 0 (λ ijkABC ≠ 0)
2. Untuk k = 2H0 : Efek order ke-2 = 0 (λij
AB = λik AC = λ jk
BC = 0 )H1 : Efek order ke-2 ≠ 0 (min terdapat 1 : λij
AB, λik AC, λ jk
BC ≠ 0 )
P-value = 0.000 (baik dengan metode likelihood maupun pearson)α = 0.05
P-value < α (0.000 < 0.05) Tolak H0
Kesimpulan: Efek order ke-2 ≠ 0 (min terdapat 1 : λij AB, λik
AC, λ jkBC ≠ 0 )
3. Untuk k = 1H0 : Efek order ke-1 = 0 (λi
A = λj B = λk
C = 0)H1 : Efek order ke-1≠ 0 (min terdapat 1 : λi
A, λj B, λk
C ≠ 0
P-value = 0.000 (baik dengan metode likelihood maupun pearson)α = 0.05
P-value < α (0.000 < 0.05) Tolak H0
Kesimpulan: Efek order ke-1≠ 0 (min terdapat 1 : λi A, λj
B, λkC ≠ 0
14
2. Secara Manual
i j k frekuensi ln frek
1 1 1 3858710.560
7
1 1 2 3436510.444
81 2 1 2797 7.9363
1 2 2 32988.1010
7
2 1 1 30068.0083
7
2 1 2 15037.3152
2
2 2 1 202019.9134
9
2 2 2 187509.8389
5
Estimasi parameter
λ1A = ∑j=1
2
∑k=1
2
lnm1 jk
jk−∑i=1
2
∑j=1
2
∑k=1
2
lnmijk
ijk
= 9.260 – 9.014 = 0.2458
λ2A = ∑j=1
2
∑k=1
2
lnm2 jk
jk−∑i=1
2
∑j=1
2
∑k=1
2
lnmijk
ijk
= 8.769 – 9.014 = -0.2458
λ1B = ∑i=1
2
∑k=1
2
lnmi1k
ik−∑i=1
2
∑j=1
2
∑k=1
2
lnmijk
ijk
= 9.082 – 9.014 = 0.0674
λ2B = ∑i=1
2
∑k=1
2
lnmi2k
ik−∑i=1
2
∑j=1
2
∑k=1
2
lnmij k
ijk
= 8.974 – 9.014 = -0.0674
λ1C = ∑i=1
2
∑j=1
2
lnmij1
ij−∑i=1
2
∑j=1
2
∑k=1
2
lnmijk
ijk
= 9.104 – 9.014 = 0.0898
λ2B = ∑i=1
2
∑j=1
2
lnmij2
ij−∑i=1
2
∑j=1
2
∑k=1
2
lnmijk
ijk
= 8.974 – 9.014 = -0.0898
λ11AB = ∑k=1
2
lnm11k+∑k=1
2
lnm22 k
ij−∑i=1
2
∑j=1
2
∑k=1
2
lnmijk
ijk
= 10.189– 9.014 = 1.1746
15
λ22AB = ∑k=1
2
lnm12k+∑k=1
2
lnm21k
ij−∑i=1
2
∑j=1
2
∑k=1
2
lnmijk
ijk
= 7.840– 9.014 = -1.1746
λ11BC = ∑i=1
2
lnmi11+∑i=1
2
lnmi22
jk−∑i=1
2
∑j=1
2
∑k=1
2
lnmijk
ijk
= 9.127– 9.014 = 0.112
λ22BC = ∑i=1
2
lnmi12+∑i=1
2
lnmi21
jk−∑i=1
2
∑j=1
2
∑k=1
2
lnmijk
ijk
= 8.902-9.014 = -0.112
λ11AC = ∑j=1
2
lnm1 j1+∑j=1
2
lnm1 j1
ik−∑i=1
2
∑j=1
2
∑k=1
2
lnmijk
ijk
= 8.912– 9.014 = -0.1020
λ11AC = ∑j=1
2
lnm1 j2+∑j=1
2
lnm2 j1
ik−∑i=1
2
∑j=1
2
∑k=1
2
lnmijk
ijk
= 9.116– 9.014 = 0.1020
λ111ABC = lnm111+ lnm122+ lnm212+ lnm221
ik−∑i=1
2
∑j=1
2
∑k=1
2
lnmijk
ijk
= 8.972– 9.014 = -0.442
Estimasi parameter
K-way and Higher Order Effect1. Untuk k = 3
H0 : Efek order ke-3 = 0 (log (eijk) = λ + λi A + λj
B + λkC + λij
AB + λik AC + λ jk
BC) H1 : Efek order ke-3 ≠ 0 (log (eijk) = λ +λi
A + λj B + λk
C + λij AB + λik
AC + λ jkBC + λ
ijkABC)
Dengan menggunakan iterasi Newton Rhapson dicapai kondisi steady state pada iterasi ke-4 dengan nilai ekspektasi:
iterasi e111 e112 e121 e122 e211 e212 e221 e222
1 36476 36476 3047.5 3047.5 2254.5 2254.519475.
519475.
5
2 38193 347593190.9
62904.0
42407.7
42101.2
620799.
318151.
7
339126.
433823.
33058.9
83040.8
92466.5
8 2044.7 1993919007.
1
439127.
633824.
43056.5
43038.4
62465.3
32043.6
719941.
519009.
5
G2=2∑i=1
2
∑j=1
2
∑k=1
2
mijk ln(mijk
eijk ) = 335.66
16
χ2=∑i=1
2
∑j=1
2
∑k=1
2 (mijk−eijk)2
e ijk = 328.845
P-value = 0.000 (baik dengan metode likelihood maupun pearson)α = 0.05
P-value < α (0.000 < 0.05) Tolak H0
Kesimpulan: Efek order ke-3 ≠ 0 (log (eijk) = λ +λi A + λj
B + λkC + λij
AB + λik AC + λ jk
BC + λ ijk
ABC)
2. Untuk k = 2H0 : Efek order ke-3 = 0 (log (eijk) = λ + λi
A + λj B + λk
C) H1 : Efek order ke-3 ≠ 0 (log (eijk) = λ +λi
A + λj B + λk
C + λij AB + λik
AC + λ jkBC + λ
ijkABC)
Dengan menggunakan rumus ekspektasi e ijk=mi++¿m+1+¿m++i
¿¿¿ ¿¿ diperolehnilai ekspektasi:
e111 e112 e121 e122 e211 e212 e221 e222
26352.3 23629 15324.694 13741 14488.5 12991.2 8425.51 7554.8
G2=2∑i=1
2
∑j=1
2
∑k=1
2
mijk ln(mijk
eijk ) = 89726.43
χ2=∑i=1
2
∑j=1
2
∑k=1
2 (mijk−eijk)2
e ijk = 81042.47
P-value = 0.000 (baik dengan metode likelihood maupun pearson)α = 0.05
P-value < α (0.000 < 0.05) Tolak H0
Kesimpulan: Efek order ke-3 ≠ 0 (log (eijk) = λ +λi A + λj
B + λkC + λij
AB + λik AC + λ jk
BC + λ ijk
ABC)
3. Untuk k = 1H0 : Efek order ke-3 = 0 (log (eijk) = λ) H1 : Efek order ke-3 ≠ 0 (log (eijk) = λ +λi
A + λj B + λk
C + λij AB + λik
AC + λ jkBC + λ
ijkABC)
Dengan rumus ekspektasi e=
∑i=1
2
∑j=1
2
∑k=1
2
mijk
ijk
= 15313.38
G2=2∑i=1
2
∑j=1
2
∑k=1
2
mijk ln(mijk
eijk ) = 109258.4
17
χ2=∑i=1
2
∑j=1
2
∑k=1
2 (mijk−eijk)2
e ijk = 103409.7
P-value = 0.000 (baik dengan metode likelihood maupun pearson)α = 0.05
P-value < α (0.000 < 0.05) Tolak H0
Kesimpulan: Efek order ke-3 ≠ 0 (log (eijk) = λ +λi A + λj
B + λkC + λij
AB + λik AC + λ jk
BC + λ ijk
ABC)
18