Tutorial Multivariat Anova (Manova) pada SPSS Serta Uji Asumsi dan Solusinya
Tutorial Multivariat Anova (Manova) pada SPSS Serta Uji Asumsi dan Solusinya sangat dibutuhkan ketika peneliti menghadapi kendala nilai signifikansi Box's M Test of Equality of Covariance Matrices di bawah 0,05 atau timbul kemencengan statistik pada uji homogenitas Levene untuk salah satu variabel terikat. Permasalahan ini kerap membingungkan karena peneliti tidak tahu apakah hasil uji multivariat pada tabel Multivariate Tests masih dapat dipercaya, atau variabel terikat mana yang memicu pelanggaran matriks varians-kovarians tersebut.
Selain kendala homogenitas matriks kovarians, ketidakpenuhan asumsi normalitas multivariat (multivariate normality) dan keberadaan pencilan multivariat (multivariate outliers) yang dideteksi menggunakan jarak Mahalanobis (Mahalanobis Distance) sering kali menggagalkan uji beda simultan. Kesalahan dalam memilih statistik uji multivariat—seperti memaksakan penggunaan Wilks' Lambda saat matriks kovarians tidak homogen—dapat meningkatkan tingkat kesalahan Tipe I (Type I Error Rate) serta menghasilkan kesimpulan perbedaan kelompok yang bias.
Multivariate Analysis of Variance (MANOVA) merupakan perluasan dari analisis varians univariat (ANOVA) yang dirancang untuk menguji perbedaan vektor rata-rata antara dua atau lebih kelompok populasi pada beberapa variabel terikat kontinu secara simultan (Hotelling, 1931; Wilks, 1932). Keunggulan utama MANOVA dibandingkan pengujian ANOVA univariat terpisah adalah kemampuannya dalam mengontrol tingkat kesalahan eksperimen (experimentwise error rate) serta mendeteksi interaksi linier antar variabel terikat.
Penerapan prosedur parametrik multivariat ini berlandaskan pada sejumlah asumsi ketat, meliputi independensi observasi, normalitas multivariat pada setiap kelompok, linieritas antar pasangan variabel terikat, tidak adanya multikolinieritas ekstrem, serta homogenitas matriks varians-kovarians (Huberty & Olejnik, 2006). Penjelasan mendalam mengenai teori dasar analisis multivariat MANOVA beserta formulasi matriks statistik pembentuknya dapat dibaca pada artikel di website utama statistikian.com.
Empat statistik uji utama yang dihasilkan oleh prosedur MANOVA di SPSS meliputi Pillai's Trace, Wilks' Lambda, Hotelling's Trace, dan Roy's Largest Root (Pillai, 1955; Wilks, 1932). Masing-masing statistik uji memiliki tingkat sensitivitas dan ketangguhan yang berbeda terhadap kondisi struktur data sampel.
Box (1949) merumuskan Box's M Test untuk memverifikasi kesamaan matriks varians-kovarians antar kelompok. Namun, Tabachnick dan Fidell (2019) menggarisbawahi bahwa Box's M sangat sensitif terhadap ketidaknormalan data, sehingga sering kali menghasilkan p-value yang signifikan (p < 0,05) meskipun deviasi homogenitas matriks kovarians tergolong relatif kecil.
Apabila terjadi pelanggaran homogenitas matriks kovarians yang disertai oleh ketidakseimbangan jumlah sampel antar kelompok (unbalanced design), daya uji statistik akan terdistorsi. Dalam kondisi tersebut, Olsen (1976) menyimpulkan bahwa Pillai's Trace merupakan statistik multivariat paling robust dan paling disarankan untuk diinterpretasikan.
Langkah teknis pertama dalam melakukan prosedur analisis di SPSS adalah mengecek keberadaan pencilan multivariat menggunakan nilai Mahalanobis Distance. Buka menu Analyze > Regression > Linear.
Langkah teknis kedua, masukkan variabel identitas subjek atau variabel urutan ke kotak Dependent, lalu masukkan seluruh variabel terikat kontinu ke kotak Block 1 of 1. Klik tombol Save, centang opsi Mahalanobis pada bagian Distances, klik Continue, lalu jalankan perintah.
Langkah teknis ketiga, hitung nilai kritis Chi-Square menggunakan fungsi `1 - CDF.CHISQ(mah_1, df)` pada SPSS Compute Variable, dengan derajat bebas (df) setara jumlah variabel terikat. Hapus atau keluarkan responden yang memiliki p-value Mahalanobis kurang dari 0,001 (Hair et al., 2019).
Langkah teknis keempat, siapkan dataset utama dengan format variabel bebas kategorik (faktor) dan dua atau lebih variabel terikat kontinu.
Langkah teknis kelima, buka menu utama SPSS lalu pilih Analyze > General Linear Model > Multivariate untuk membuka kotak dialog utama.
Langkah teknis keenam, pindahkan seluruh variabel terikat kontinu ke dalam kotak Dependent Variables.
Langkah teknis ketujuh, pindahkan variabel kategorik independen ke dalam kotak Fixed Factor(s).
Langkah teknis kedelapan, klik tombol Options, kemudian centang opsi Descriptive statistics, Observed power, dan Homogeneity tests untuk memunculkan tabel Box's M dan Levene's Test.
Langkah teknis kesembilan, klik tombol Post Hoc jika variabel faktor memiliki lebih dari dua kelompok, masukkan variabel faktor ke kotak Post Hoc Tests for, lalu centang uji tumpang-tindih seperti Bonferroni atau Tukey (Stevens, 2009).
Langkah teknis kesepuluh, klik Continue lalu tekan tombol OK untuk memproses sintaks MANOVA pada SPSS.
Langkah teknis kesebelas, evaluasi tabel output Box's Test of Equality of Covariance Matrices. Apabila nilai signifikansi (Sig.) lebih besar dari 0,05, maka matriks varians-kovarians terkonfirmasi homogen, sehingga baris Wilks' Lambda pada tabel Multivariate Tests aman untuk diinterpretasikan.
Langkah teknis kedua belas, apabila nilai signifikansi Box's M kurang dari atau sama dengan 0,05, abaikan Wilks' Lambda dan beralihlah membaca baris Pillai's Trace karena sifatnya yang sangat tangguh terhadap heterogenitas matriks kovarians.
Langkah teknis ketiga belas, evaluasi tabel Levene's Test of Equality of Error Variances untuk melihat homogenitas varians univariat masing-masing variabel terikat. Jika salah satu variabel terikat melanggar homogenitas Levene (p < 0,05), gunakan penyesuaian uji univariat Welch ANOVA atau penyesuaian alpha Bonferroni pada analisis paska-hoc (Games & Howell, 1976).
Contoh Tabel/Diagram Output Multivariate Tests dan Box's M SPSS
Berdasarkan hasil peragaan output SPSS pada tabel di atas, tahapan pembacaan diawali dengan mengevaluasi tabel Box's Test of Equality of Covariance Matrices. Diperoleh nilai Box's M sebesar 18,420 dengan nilai signifikansi (Sig.) sebesar 0,012. Karena p-value 0,012 lebih kecil dari tingkat signifikansi 0,05, hipotesis nol kesamaan matriks kovarians ditolak, yang menegaskan bahwa matriks varians-kovarians bersifat heterogen.
Pelanggaran homogenitas matriks kovarians ini membatalkan keabsahan penggunaan Wilks' Lambda. Peneliti diharuskan mengalihkan fokus pembacaan pada baris Pillai's Trace yang tercantum pada tabel Multivariate Tests.
Nilai statistik Pillai's Trace yang diperoleh adalah sebesar 0,345 dengan nilai F konversi sebesar 5,820, derajat bebas hipotesis 4,000, derajat bebas galat 114,000, serta nilai signifikansi Sig. sebesar 0,000. Karena nilai p-value 0,000 jauh di bawah 0,05, dapat disimpulkan secara sahih bahwa variabel independen memberikan pengaruh simultan yang signifikan terhadap seluruh variabel terikat secara multivariat.
Olsen (1976) melalui studi simulasi Monte Carlo membuktikan bahwa Pillai's Trace mempertahankan tingkat kesalahan Tipe I mendekati tingkat nominalnya dalam berbagai kondisi heterogenitas kovarians, terutama ketika ukuran sampel antar sel relatif seimbang.
Hand dan Taylor (1987) menambahkan bahwa meskipun Wilks' Lambda merupakan statistik multivariat paling populer dalam keadaan ideal, keunggulannya runtuh saat asumsi varians-kovarians dilanggar. Oleh karena itu, fleksibilitas penggunaan statistik uji alternatif merupakan keharusan metodologis.
Mengenai sensitivitas Box's M Test, Tabachnick dan Fidell (2019) menyarankan bahwa jika jumlah sampel pada setiap kelompok tergolong seimbang (rasio sampel terbesar terhadap sampel terkecil kurang dari 1,5), peneliti dapat memperketat kriteria signifikansi Box's M menjadi 0,001 alih-alih 0,05 sebelum menyatakan asumsi kovarians dilanggar.
Hakstian, Roed, dan Lind (1979) memperingatkan bahwa bahaya terbesar terjadi apabila heterogenitas kovarians berpadu dengan ketidakseimbangan jumlah sampel per sel yang ekstrim. Jika kelompok dengan ukuran sampel kecil memiliki varians yang jauh lebih besar, statistik uji multivariat akan menjadi sangat liberal dan menghasilkan p-value palsu yang tampak signifikan.
Untuk meminimalkan potensi bias tersebut, Hair et al. (2019) merekomendasikan peneliti untuk mengupayakan rancangan penelitian yang seimbang (balanced design) sejak tahap pengumpulan data, atau menerapkan pemotongan sampel secara acak agar ukuran n antar kelompok seragam.
Setelah menemukan adanya perbedaan multivariat yang signifikan, langkah tindak lanjut yang disarankan oleh Huberty dan Olejnik (2006) adalah melakukan analisis ANOVA univariat lanjutan (Follow-up Univariate ANOVAs) atau analisis diskriminan (Discriminant Analysis) untuk mengidentifikasi variabel terikat spesifik mana yang berkontribusi paling kuat terhadap perbedaan antar kelompok.
Untuk mencegah pembengkakan tingkat kesalahan eksperimen saat melakukan pengujian univariat lanjutan pada beberapa variabel terikat, Stevens (2009) menganjurkan penggunaan koreksi Bonferroni, yaitu dengan membagi tingkat signifikansi standar 0,05 dengan jumlah variabel terikat yang diuji.
Kesimpulan
Penggunaan prosedur Multivariate ANOVA (MANOVA) di SPSS memerlukan verifikasi asumsi normalitas multivariat, bebas pencilan Mahalanobis, serta homogenitas matriks varians-kovarians melalui Box's M Test. Pelanggaran pada Box's M (Sig <= 0,05) tidak serta-merta menggagalkan analisis, melainkan menuntut peneliti untuk menggunakan Pillai's Trace sebagai statistik uji utama karena sifatnya yang sangat robust. Pengendalian ukuran sampel agar tetap seimbang antar kelompok serta penerapan koreksi Bonferroni pada pengujian univariat lanjutan menjamin kesimpulan multivariat tetap presisi dan sahih secara metodologis.
Daftar Pustaka
- Box, G. E. P. (1949). A general distribution theory for a class of likelihood criteria. Biometrika, 36(3/4), 317-346.
- Games, P. A., & Howell, J. F. (1976). Pairwise multiple comparison procedures with unequal n's and/or variances: A Monte Carlo study. Journal of Educational Statistics, 1(2), 113-125.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
- Hakstian, A. R., Roed, J. C., & Lind, J. C. (1979). Two-sample T2 procedure and the assumption of homogeneous covariance matrices. Psychological Bulletin, 86(6), 1255-1263.
- Hand, D. J., & Taylor, C. C. (1987). Multivariate Analysis of Variance and Repeated Measures: A Practical Approach for Behavioural Scientists. Chapman and Hall.
- Hotelling, H. (1931). The generalization of Student's ratio. The Annals of Mathematical Statistics, 2(3), 360-378.
- Huberty, C. J., & Olejnik, S. (2006). Applied MANOVA and Discriminant Analysis (2nd ed.). John Wiley & Sons.
- Olsen, C. L. (1976). On choosing a test statistic in multivariate analysis of variance. Psychological Bulletin, 83(4), 579-586.
- Pillai, K. C. S. (1955). Some new test criteria in multivariate analysis. The Annals of Mathematical Statistics, 26(1), 117-121.
- 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.
- Wilks, S. S. (1932). Certain generalizations in the analysis of variance. Biometrika, 24(3/4), 471-494.