3.

9 the random effect model

39.1 a single random factor
Seorang eksperimen sering tertarik pada faktor yang memiliki
kemungkinan level yang besar. Jika eksperimen secara random memilih
level ɑ dari populasi factor level, maka dikatakan bahwa faktornya
random. Karena factor level yang benar-benar digunakan dalam
percobaan dipilih secara acak. Diasumsikan bahwa populasi dari faktor
level atau tingkat adalah ukuran tak terbatas atau cukup besar untuk
dipertimbangkan tak terbatas.
Model statistik linier adalah :

Dimana treatment effect dan adalah random variable. Diasumsikan

treatment effect adalah NID random variable¹ dan error adalah NID
Jadi Persamaan varian :

Dimana dan adalah variance components, dan persamaan diatas disebut

juga components of variance atau Random Effect Model. Pengamatan dalam
random effect model terdistribusi secara normal karena merupakan kombinasi
linear dari dua normal distributed random variable dan .
Analysis of Variance for the Random Model
The basic ANOVA sum of squares identity :

Artinya, pembagian variabilitas total dalam pengamatan menjadi komponen

variasi pengukuran antara treatments (SStreatments) dan komponen yang mengukur
variasi dalam treatments (SSE). Pengujian hipotesis tentang treatment effect
individu tidak terlalu berarti karena mereka dipilih secara random. jadi penulis
menguji hipotesis tentang komponen varians :

Jika , semua treatment identic, tetapi , variabilitas ada diantara

treatment. Seperti sebelumnya sebagai chi-square dengan degree of
freedom .
 dan dibawah hipotesis nol (0), sebagai chi square dengan degree of
freedom . Kedua random variabel bersifat independen. Jadi, di bawah
hipotesis nol .

Ratio didistribusikan sebagai F dengan dan degree of freedom .

Dimana di ganti dengan sebagai , juga persamaan dan
digantikan dengan , dan . Selanjutnya, semua produk yang ada dan
memiliki harapan nol. Ini mengarah ke:

Atau:

Dengan demikian :

Dari persamaan diatas , kita melihat bahwa di bawah H0 baik pembilang dan
penyebut dari uji statistik (Persamaan 3.50) adalah tidak bias dari .sedangkan H1
dibawah nilai yang diharapkan dari pembilang lebih besar dari nilai yang
diharapkan dari penyebut. Oleh karena itu, H0 ditolak untuk nilai F yang terlalu
besar. Ini menyatakan upper tail, one tail critical area, jadi ditolak.
3.9.3 estimating the model parameter
Salah satu prosedur yang sangat sederhana yang dapat kita gunakan untuk
memperkirakan dan disebut analisis metode varians karena
menggunakan analisis tabel varians.
Prosedur ini terdiri dari penyamaan rata-rata mean dengan nilai yang diamati
dalam tabel ANOVA dan penyelesaian untuk komponen varians. Dalam
persamaan mean rata-rata yang diamati dan pada model single factor random
effect model, didapatkan :
dan

Oleh karena itu, perkiraan dari komponen varians adalah:

dan
Sangat mudah untuk menemukan ekspresi yang tepat untuk confident interval
pada rasio . Rasio ini disebut Koefisien Korelasi Intraclass, dan
mencerminkan proporsi varians dari suatu pengamatan ini adalah
hasil dari perbedaan antara teratment. Perhatikan bahwa adalah
random variable independen dan, lebih jauh lagi, dapat ditunjukkan bahwa

Jadi,
Estimasi Keseluruhan Rata-rata .
Dalam banyak eksperimen random effect, eksperimenter tertarik untuk
mengestimasi keseluruhan rata-rata. Dari asumsi model dasar, mudah untuk
melihat bahwa nilai yang diharapkan dari setiap pengamatan hanyalah
keseluruhan rata-rata. Akibatnya, estimator yang tidak bias dari keseluruhan
rata-rata adalah :

Jadi untuk Contoh 3.11, perkiraan keseluruhan kekuatan rata-rata adalah :

Untuk menemukan 95% CI pada keseluruhan rata-rata dalam eksperimen
kekuatan kain dari Contoh 3.11, didapatkan
CI dihitung dari Persamaan sebagai berikut:

Jadi, pada 95 persen keyakinan kekuatan rata-rata kain yang dihasilkan oleh alat
tenun di fasilitas ini adalah antara 92,78 dan 98,10. Ini adalah interval
kepercayaan yang relatif luas karena sebagian kecil alat tenun diambil
sampelnya dan ada perbedaan besar antara alat tenun seperti yang direfleksikan
oleh sebagian besar variabilitas total yang diperhitungkan oleh perbedaan
antara alat tenun.
Maximum Likelihood Estimation of the Variance Components.
Metode Estimator Momen, Teknik statistik matematika umumnya yang jarang
digunakan untuk penentuan parameter karena sering menghasilkan penentuan
parameter yang tidak memiliki sifat statistik yang baik.
Sebagai contoh, dalam model random single factor tidak ada cara sederhana
untuk membuat confidence interval pada , yang tentu saja merupakan
parameter utama untuk eksperimen. Teknik estimasi parameter yang digunakan
disebut method of maximum likelihood.
Maximum likelihood estimators (MLEs) memiliki beberapa properti yang sangat
berguna. Untuk sampel besar tidak bias, dan memiliki normla distribusi .
Selanjutnya, kebalikan dari matriks derivatif kedua dari likelihood function
(dikalikan dengan 1) adalah matriks kovariansi dari MLEs. Ini membuat relatif
mudah untuk memperoleh confidence interval perkiraan pada MLEs.
• Standar varian dari kemungkinan maksimum yang digunakan untuk memperkirakan
komponen varian disebut residual maximum likelihood (REML).
• Karakteristik dasar REML adalah parameter lokasi dalam model memperhitungkan ksaat
memnentukan random efek. Sebagai contoh , akan menentukan mean dan varians dari
normal distribusi menggunakan metode kemungkinan maksimum. Sangat mudah untuk
menunjukkan bahwa MLE adalah:

Perhatikan bahwa MLE bukan standar deviasi sampel yang sudah dikenal. MLE tidak
menentukan tempat parameter .

Penentuan REML akan menjadi REML tidak bias.

3.10 The Regression Approach to the Analysis of Variance
• General regression significant tes, pada dasarnya adalah penetuan dari
pengurangan pada jumlah total kuadrat untuk menyesuaikan model dengan
semua parameter yang disertakan dan pengurangan jumlah kuadrat ketika
model dibatasi pada hipotesis nol.
• Metode ini membutuhkan penentuan kuadrat terkecil dari parameter dalam
analisis model varians.
• Metode ini akan berguna nantinya dalam memahami dasar untuk analisis
statistik dari desain yang lebih kompleks.
3.10.1 Least Squares Estimation of the Model Parameters
• pengembangkan estimator untuk parameter dalam model efek ANOVA model
tunggal adalah:

• menggunakan metode kuadrat terkecil. Untuk menemukan penenetuan dari

kuadrat terkecil , Pertama-tama bentuk jumlah kuadrat dari kesalahan :

• Lalu pilih nilai , . Nilai yang sesuai akan menjadi solusi untuk
persamaan simultan .
• Membedakan Persamaan 3.61 sehubungan dengan dan sama dengan 0,
didapat :

• setelah penyederhanaan, menghasilkan

• Persamaan disebut juga

• least squares normal equations
• Penulis telah mendefinisikan treatment efek sebagai penyimpangan (deviasi)
dari keseluruhan rata-rata, dalam menerapkan Batasan (constraint)

• Dengan menggunakan Batasan (constraint) ini, didapatkan solusi untuk

persamaan normal :

• Fungsi yang khusus ditentukan terlepas dari batasan yang digunakan disebut
estimable of functions.
3.10.2 The General Regression Significance Test
• dasar dari bagian ini adalah untuk membuat model persamaan normal.
• Aturan berikut untuk persamaan normal setiap model desain eksperimental :
Aturan 1. Ada satu persamaan normal untuk setiap parameter dalam model yang
akan ditentukan.
Aturan 2. Sisi kanan dari persamaan normal hanyalah penjumlahan dari semua
pengamatan yang mengandung parameter yang terkait dengan
persamaan normal tertentu. Untuk mengilustrasikan aturan ini,
pertimbangkan single factor model. Persamaan normal pertama adalah
untuk parameter ;Oleh karena itu, sisi kanan adalah karena semua
pengamatan terdapat .
Aturan 3. Sisi kiri dari persamaan normal adalah jumlah semua parameter
model, di mana setiap parameter dikalikan dengan jumlah waktu yang
muncul dalam total di sisi kanan. Parameter ditulis dengan circumflux
untuk menunjukkan bahwa nilai adalah penduga (estimators) dan
bukan nilai parameter yang benar.
• dalam single factor experiment, penurunan (reduction) cocok untuk model
lengkap (full model) adalah.

• Sisa Variabilitas yang tidak ditemukan untuk model didapat dari :

• General regression significant test untuk eksperimen faktor tunggal dan

menunjukkan bahwa ia menghasilkan analisis varian satu arah. Model ini adalah
dan persamman di dapat dari aturan sebagai berikut:
• Rata-rata kesalahan adalah (didapat dari persamaan 3.66)

• Reduced model yaitu, model harus dibatasi pada hipotesis nol .

• Reduced model . Hanya ada satu persamaan untuk model ini
• Dengan demikian, pengurangan jumlah kuadrat yang dihasilkan dari
penggunaan reduced model hanya berisi adalah:

• Perbedaan antara dan dimana:

• Diperoleh statistik yang sesuai untuk pengujian

• Di mana distribusi adalah hypothesis dibwah 0, pada uji

statistik untuk analisis faktor tunggal varians.
3.11 Nonparametric Methods in the Analysis of Variance
3.11.1 The Kruskal–Wallis Test
• Uji Kruskal Wallis digunakan untuk menguji hipotesis nol bahwa treatment
identic terhadap hipotesis alternatif bahwa beberapa treatment menghasilkan
pengamatan yang lebih besar daripada yang lain.
• Tes Kruskal-Wallis adalah alternatif nonparametrik untuk analisis varians.
• Uji statisti adalah:

• Dimana n adalah jumlah dari pengamatan pada treatment , N adalah

keseluruhan jumlah pengamatan, dan
• Harap diingat hanyalah tingkatan dari varian, jika tidak ada
ikatan(keterkaitan) dan uji statistic disederhanakan menjadi :

• Saat jumlah dari ikatan adalah sedang, akan ada sedikit perbedaan antara
Persamaan 3.68 dan 3.69, dan bentuk yang lebih sederhana (Persamaan 3.69)
dapat digunakan.
3.11.2 General Comments on the Rank Transformation
• Rank transformation adalah teknik yang sangat bagus dan bermanfaat secara
luas. Jika kita menerapkan tes F biasa ke peringkat daripada ke data asli, akan
diperoleh :

• Perhatikan bahwa ketika statistik Kruskal-Wallis H meningkat atau menurun, F0

juga meningkat atau menurun, sehingga uji Kruskal-Wallis bias digunakan pada
analysis of variance to the ranks.
• Jika peringkat data dan tes F biasa diterapkan, memiliki hasil perkiraan
prosedur statistik properti yang baik [Conover dan Iman (1976, 1981)].