Cara Membaca Tabel Multivariat Test dan Between Subject Effects pada Manova dengan SPSS
Cara Membaca Tabel Multivariat Test dan Between Subject Effects pada Manova dengan SPSS menjadi kendala teknis yang sering memicu kebingungan bagi peneliti saat berhadapan dengan dua tingkat pengujian yang tampak saling bertentangan. Gejala masalah yang paling sering muncul adalah situasi di mana tabel Multivariate Tests menunjukkan nilai p-value yang signifikan (p < 0,05), namun ketika membaca tabel Tests of Between-Subjects Effects, beberapa variabel terikat justru menunjukkan nilai signifikansi yang tidak signifikan, atau sebaliknya.
Permasalahan menjadi semakin rumit ketika empat statistik uji multivariat utama—yaitu Pillai's Trace, Wilks' Lambda, Hotelling's Trace, dan Roy's Largest Root—memberikan nilai signifikansi yang tidak konsisten akibat pelanggaran asumsi homogenitas matriks varians-kovarians. Pengabaian terhadap urutan hierarki pembacaan luaran SPSS ini dapat menyebabkan bahaya pembengkakan kesalahan Tipe I (Type I error inflation), di mana peneliti tergesa-gesa menilai uji univariat tanpa menerapkan koreksi batas signifikansi yang tepat.
Secara konseptual, analisis varians multivariat (MANOVA) dirancang untuk mengevaluasi apakah kelompok-kelompok independen memiliki perbedaan yang signifikan secara statistik pada kombinasi linier beberapa variabel terikat kontinu. Pendekatan multivariat ini mencegah penumpukan kesalahan acak yang akan terjadi jika peneliti menjalankan beberapa uji ANOVA secara terpisah satu per satu.
Hair et al. (2019) menjelaskan bahwa tabel Multivariate Tests berfungsi sebagai gerbang utama dalam evaluasi hipotesis multivariat. Keberadaan empat statistik uji pada tabel ini mencerminkan perbedaan cara dalam menghitung variansi yang dijelaskan oleh faktor perlakuan pada matriks ragam-peragam variabel terikat.
Tabachnick dan Fidell (2019) menggarisbawahi bahwa statistik Pillai's Trace merupakan opsi paling aman dan paling tangguh (robust) terhadap pelanggaran asumsi homogenitas matriks varians-kovarians atau ketika ukuran sampel antar sel tidak seimbang. Oleh karena itu, ketika uji Box's M menunjukkan hasil yang signifikan, peneliti sangat disarankan untuk merujuk pada statistik ini.
Sebaliknya, Wilks' Lambda menjadi statistik multivariat yang paling banyak digunakan dan sangat ideal apabila data memenuhi seluruh asumsi normalitas multivariat serta homogenitas matriks kovarians (Huberty & Olejnik, 2006). Penjelasan mengenai landasan teori dasar uji MANOVA dan matriks multivariat dapat ditelaah secara lengkap di portal utama statistikian.com.
Stevens (2009) menegaskan bahwa uji univariat pada tabel Tests of Between-Subjects Effects hanya boleh diinterpretasikan jika uji multivariat pada tabel sebelumnya terbukti signifikan secara statistik. Mengisolasi variabel terikat tanpa memverifikasi signifikansi multivariat menyeluruh merupakan pelanggaran asas metodologis analisis multivariat.
Langkah teknis pertama untuk menjalankan analisis MANOVA secara tepat pada SPSS adalah memilih menu Analyze > General Linear Model > Multivariate.
Langkah teknis kedua, pindahkan seluruh variabel terikat kontinu ke dalam kotak Dependent Variables dan variabel independen kategorik ke dalam kotak Fixed Factor(s).
Langkah teknis ketiga, klik tombol Options di panel kanan, lalu centang opsi Descriptive statistics, Estimates of effect size (untuk memperoleh nilai Partial Eta Squared), serta Homogeneity tests.
Langkah teknis keempat, klik Continue lalu tekan OK untuk mengeksekusi analisis dan memunculkan lembar luaran SPSS.
Langkah teknis kelima, mulailah evaluasi dengan memeriksa tabel Box's Test of Equality of Covariance Matrices. Catat nilai signifikansi (Sig.) pada tabel ini.
Langkah teknis keenam, apabila nilai p-value pada Box's M lebih besar dari 0,001, maka asumsi homogenitas matriks kovarians terpenuhi, sehingga Anda dapat menggunakan Wilks' Lambda (Tabachnick & Fidell, 2019).
Langkah teknis ketujuh, jika nilai p-value pada Box's M kurang dari atau sama dengan 0,001, maka asumsi homogenitas terlanggar, sehingga Anda wajib mengalihkan perhatian ke statistik Pillai's Trace pada tabel Multivariate Tests (Field, 2018).
Langkah teknis kedelapan, periksa kolom Sig. pada baris statistik multivariat terpilih (Pillai's Trace atau Wilks' Lambda) untuk variabel independen utama Anda. Jika p-value kurang dari 0,05, simpulkan bahwa terdapat pengaruh multivariat yang signifikan.
Langkah teknis kesembilan, apabila statistik uji multivariat terbukti signifikan, lanjutkan pembacaan ke tabel Tests of Between-Subjects Effects untuk mengidentifikasi variabel terikat mana saja yang berkontribusi secara signifikan terhadap perbedaan antar kelompok.
Langkah teknis kesepuluh, hitung batas signifikansi terbonferroni dengan cara membagi tingkat kesalahan standar (0,05) dengan jumlah total variabel terikat yang diuji (Stevens, 2009).
Langkah teknis kesebelas, bandingkan p-value (kolom Sig.) setiap variabel terikat pada tabel Tests of Between-Subjects Effects dengan batas alfa terbonferroni tersebut. Variabel terikat dinyatakan signifikan hanya jika p-value nya berada di bawah batas alfa baru ini.
Langkah teknis kedua belas, amati kolom Partial Eta Squared pada tabel Tests of Between-Subjects Effects untuk menentukan variabel terikat mana yang memberikan kontribusi besaran efek terbesar (Olejnik & Algina, 2003).
Contoh Tabel/Diagram Output Tests of Between Subjects Effects dan Multivariate Test MANOVA SPSS
Berdasarkan peragaan luaran SPSS pada diagram di atas, interpretasi diawali dari Panel A yang menyajikan tabel Multivariate Tests. Dengan asumsi homogenitas matriks varians-kovarians yang terpenuhi pada uji Box's M, baris statistik Wilks' Lambda dipilih sebagai dasar inferensi multivariat utama. Nilai Wilks' Lambda tercatat sebesar 0,425 dengan nilai F(6, 110) = 9,45 dan p-value = 0,000.
Karena p-value (0,000) jauh lebih kecil dari tingkat signifikansi standar 0,05, peneliti menolak hipotesis nol multivariat dan menyimpulkan bahwa metode perlakuan secara simultan memberikan pengaruh yang signifikan terhadap kombinasi ketiga variabel terikat.
Langkah berikutnya beralih ke Panel B yang menampilkan tabel Tests of Between-Subjects Effects. Sebelum mengevaluasi p-value untuk setiap variabel terikat, peneliti wajib menetapkan batas alfa terbonferroni guna mengontrol tingkat kesalahan keluarga uji. Dengan membagi nilai standar 0,05 dengan 3 (jumlah variabel terikat), diperoleh batas signifikansi terbonferroni baru sebesar 0,0167 (Stevens, 2009).
Pada Variabel Terikat 1, diperoleh nilai F = 18,45 dengan p-value = 0,000. Karena 0,000 < 0,0167, maka variabel ini dinyatakan beda nyata secara signifikan antar kelompok perlakuan dengan besaran efek (Partial Eta Squared) sebesar 0,240 (kategori efek besar).
Pada Variabel Terikat 2, nilai F = 7,20 dengan p-value = 0,008. Karena 0,008 juga berada di bawah ambang batas 0,0167, variabel ini terbukti signifikan secara statistik dengan besaran efek sebesar 0,110.
Sementara itu, pada Variabel Terikat 3, nilai F = 3,12 dengan p-value = 0,082. Walaupun nilai p-value ini tampak lebih kecil dari 0,10, namun karena melampaui batas alfa terbonferroni 0,0167, Variabel Terikat 3 dinyatakan tidak memiliki perbedaan yang signifikan antar kelompok perlakuan.
Pentingnya menerapkan koreksi Bonferroni dalam tahap pengujian univariat lanjutan disatukan oleh Huberty dan Olejnik (2006). Tanpa penyesuaian alfa ini, risiko penarikan kesimpulan positif palsu pada variabel terikat ketiga akan meningkat secara drastis.
Olsen (1974) menunjukkan melalui studi simulasi Monte Carlo bahwa ketika asumsi matriks kovarians tidak homogen, penggunaan Pillai's Trace memberikan tingkat perlindungan terbaik terhadap kesalahan penarikan simpulan multivariat bila dibandingkan dengan statistik lainnya.
Maxwell dan Delaney (2004) menekankan bahwa pelaporan nilai Partial Eta Squared pada tabel Tests of Between-Subjects Effects sangat penting untuk mengukur signifikansi praktis (practical significance), yang menggambarkan proporsi varians variabel terikat yang mampu dijelaskan oleh faktor independen.
Menurut klasifikasi Cohen (1988), nilai Partial Eta Squared sebesar 0,01 dikategorikan sebagai efek kecil, 0,06 sebagai efek sedang, dan 0,14 sebagai efek besar. Dengan demikian, Variabel Terikat 1 dalam luaran di atas terbukti memberikan kontribusi perlakuan yang paling dominan.
Penerapan urutan interpretasi berjenjang yang disiplin ini memastikan bahwa pengujian multivariat MANOVA yang dijalankan pada SPSS mampu menghasilkan kesimpulan ilmiah yang kuat, akurat, dan dapat dipertanggungjawabkan dalam publikasi ilmiah.
Kesimpulan
Cara membaca tabel Multivariate Tests dan Tests of Between Subjects Effects pada MANOVA SPSS membutuhkan ketaatan pada protokol analisis dua tingkat secara hierarkis. Tahap pertama wajib mengevaluasi tabel Multivariate Tests menggunakan statistik yang sesuai dengan kondisi asumsi data (Pillai's Trace untuk data yang melanggar asumsi homogenitas matriks kovarians dan Wilks' Lambda untuk data yang memenuhi asumsi). Jika uji multivariat signifikan, tahap kedua dilakukan dengan menguji tabel Tests of Between Subjects Effects menggunakan koreksi alfa Bonferroni (0,05 dibagi jumlah variabel terikat) untuk mengidentifikasi variabel terikat mana yang benar-benar berbeda secara nyata tanpa terjebak inflasi kesalahan Tipe I.
Daftar Pustaka
- Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
- Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
- Huberty, C. J., & Olejnik, S. (2006). Applied MANOVA and Discriminant Analysis (2nd ed.). John Wiley & Sons.
- Maxwell, S. E., & Delaney, H. D. (2004). Designing Experiments and Analyzing Data: A Model Comparison Perspective (2nd ed.). Lawrence Erlbaum Associates.
- Olejnik, S., & Algina, J. (2003). Generalized eta and omega squared statistics: measures of effect size for some common research designs. Psychological Methods, 8(4), 434-447.
- Olsen, C. L. (1974). Comparative robustness of six tests in multivariate analysis of variance. Journal of the American Statistical Association, 69(348), 894-908.
- Stevens, J. P. (2009). Applied Multivariate Statistics for the Social Sciences (5th ed.). Routledge.
- Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.