Bikin pusing waktu pertama kali nyoba nyelesain operasi matriks invers di Modul 1 sambil mikirin distribusi normal multivariat di Modul 4. Keduanya ternyata bukan cuma soal hafalan, tapi logika yang saling nyambung. Untung ada Soal UT yang ngelatih step-by-stepnya. SATS4421 Metode Statistika Multivariat ini emang butuh ketelitian ekstra, apalagi waktu ngerjain vektor random. Daripada terapung-apung, mending langsung praktek soal.
Banyak temen yang nyangkut di Modul 6 soal uji hipotesis vektor mean populasi, karena rumusnya beda tipis sama inferensi beberapa vektor mean di Modul 7. Satu langkah salah, hasil interpretasi ikut kacau. Prediksi soal UAS Statistika di sini sengaja dikelompokkan per KB biar fokus. Soal UAS UT juga sering ngulang pola di Modul 2 tentang aspek analisis multivariat.
Bank soal UAS UT di bawah ini ngikutin alur materi dari Modul 3 sampai Modul 9, mulai dari sifat geometri sampel sampai korelasi parsial. Setiap nomor dilengkapi kunci jawaban dan pembahasan, jadi nggak asal tebak. Cukup kerjakan soal berikut secara urut, karena satu konsep nyambung ke konsep berikutnya.
Soal UT SATS4421 Metode Statistika Multivariat
Diketahui matriks A = [[1, 2], [3, 4]]. Ordo matriks A adalah …
Matriks A memiliki 2 baris dan 2 kolom, sehingga ordonya adalah 2 x 2.
Elemen baris ke-2, kolom ke-1 dari matriks [[5, 6], [7, 8]] adalah …
Baris ke-2 adalah [7, 8], kolom ke-1 adalah 7.
Jika matriks A = [[1, 2], [3, 4]] dan B = [[5, 6], [7, 8]], maka A + B adalah …
Penjumlahan matriks dilakukan dengan menjumlahkan elemen yang seletak: (1+5)=6, (2+6)=8, (3+7)=10, (4+8)=12.
Hasil perkalian matriks A = [[1, 2], [3, 4]] dengan skalar 2 adalah …
Perkalian skalar mengalikan setiap elemen matriks dengan skalar, sehingga menjadi [[2, 4], [6, 8]].
Matriks A = [[1, 0], [0, 1]] disebut matriks …
Matriks identitas memiliki elemen diagonal utama 1 dan lainnya 0, sesuai dengan bentuk [[1, 0], [0, 1]].
Jika matriks A = [[2, 3], [1, 4]], maka transpose dari A adalah …
Transpose matriks diperoleh dengan mengubah baris menjadi kolom, sehingga A^T = [[2, 1], [3, 4]].
Matriks invers dari matriks identitas berordo 2 x 2 adalah …
Matriks identitas adalah invers dari dirinya sendiri karena I x I = I.
Diketahui matriks A = [[1, 2], [3, 4]]. Determinan dari A adalah …
Determinan A = (1 x 4) – (2 x 3) = 4 – 6 = -2.
Syarat suatu matriks persegi memiliki invers adalah …
Matriks persegi memiliki invers jika dan hanya jika determinannya tidak sama dengan nol, yang berarti matriks non-singular.
Invers dari matriks A = [[1, 0], [0, 2]] adalah …
Invers matriks diagonal adalah dengan membalik elemen diagonal, sehingga invers dari [[1, 0], [0, 2]] adalah [[1, 0], [0, 1/2]].
Jika matriks A = [[2, 9], [1, 5]], maka A^{-1} adalah …
Determinan A = (2 x 5) – (9 x 1) = 10 – 9 = 1. Invers = (1/1) x [[5, -9], [-1, 2]] = [[5, -9], [-1, 2]].
Matriks yang tidak memiliki invers disebut matriks …
Matriks singular adalah matriks yang determinannya nol dan tidak memiliki invers.
Dalam analisis multivariat, data biasanya direpresentasikan sebagai …
Data multivariat direpresentasikan dalam bentuk matriks dengan baris sebagai observasi dan kolom sebagai variabel.
Vektor random adalah …
Vektor random terdiri dari elemen-elemen yang merupakan variabel acak.
Nilai harapan dari vektor random X = [X1, X2] didefinisikan sebagai …
Nilai harapan vektor random adalah vektor dari nilai harapan masing-masing elemen, yaitu [E(X1), E(X2)].
Matriks kovariansi dari vektor random X = [X1, X2] adalah matriks yang elemen diagonalnya adalah …
Elemen diagonal matriks kovariansi adalah variansi dari masing-masing variabel.
Jika X adalah vektor random dengan mean mu dan matriks kovariansi Sigma, maka untuk vektor konstanta a, E(a'X) adalah …
Nilai harapan dari a'X adalah a' E(X) = a' mu.
Dalam analisis multivariat, salah satu aspek penting adalah mempertimbangkan korelasi antar variabel. Manakah dari pernyataan berikut yang paling tepat menggambarkan aspek ini?
Aspek analisis multivariat adalah mempertimbangkan hubungan simultan antar variabel, bukan menganalisis secara terpisah.
Diketahui vektor random X dengan mean mu = [mu1, mu2] dan matriks kovariansi Sigma = [sigma11, sigma12; sigma21, sigma22]. Manakah yang merupakan interpretasi yang benar dari elemen sigma12?
Elemen sigma12 pada matriks kovariansi merepresentasikan kovarians antara variabel X1 dan X2.
Jika matriks random X berukuran n x p memiliki mean E(X) = M, maka nilai harapan dari trace(X) adalah…
Nilai harapan dari trace(X) sama dengan trace dari nilai harapan X yaitu trace(M).
Untuk vektor random X dan matriks konstanta A dan b, manakah pernyataan berikut yang benar tentang E(AX + b)?
Sifat linear dari nilai harapan menyatakan E(AX + b) = A E(X) + b, asalkan ukuran matriks sesuai.
Diketahui matriks kovariansi dari vektor random X adalah Sigma. Jika Y = AX dengan A matriks konstan, maka matriks kovariansi dari Y adalah…
Matriks kovariansi dari Y = AX adalah A Sigma A^T, sesuai dengan sifat transformasi linear.
Pada matriks random, jika setiap elemen Xij independen dengan mean miju, maka matriks mean dari X adalah…
Mean dari matriks random X adalah matriks yang berisi mean dari setiap elemennya, yaitu miju.
Jika vektor random X memiliki matriks kovariansi Sigma, dan didefinisikan Z = CX dengan C matriks konstan, maka matriks kovariansi dari Z adalah…
Matriks kovariansi hasil transformasi linear Z = CX adalah C Sigma C^T sesuai sifat propagasi varians.
Dalam analisis multivariat, vektor random X berdistribusi dengan mean mu dan kovariansi Sigma. Jika kita melakukan transformasi linier Y = AX + b, maka mean dari Y adalah…
Mean dari Y = AX + b adalah A E(X) + b = A mu + b karena sifat linear dari nilai harapan.
Dalam sifat geometri sampel, jika data dipusatkan (mean=0), maka vektor pengamatan akan berada pada…
Pemusatan data hanya menggeser titik-titik sehingga mean menjadi nol, namun ruang geometri tetap sama.
Jarak Euclidean antara dua vektor pengamatan x dan y dalam data multivariat didefinisikan sebagai…
Jarak Euclidean didefinisikan sebagai akar kuadrat dari jumlah kuadrat selisih elemen-elemen vektor.
Dalam analisis multivariat, jika matriks data X berukuran n x p, maka vektor mean sampel berada pada…
Vektor mean sampel adalah rata-rata dari kolom-kolom, sehingga berada pada ruang kolom matriks X.
Jika data multivariat telah dipusatkan, maka matriks data baru (X – mean) memiliki sifat…
Pemusatan data menyebabkan jumlah setiap kolom (mean per variabel) menjadi nol.
Vektor pengamatan x1, x2, …, xn dalam ruang R^p dapat dianggap sebagai titik-titik dalam…
Setiap vektor pengamatan memiliki p elemen, sehingga berada di ruang berdimensi p.
Jika dua vektor pengamatan x dan y memiliki jarak Euclidean nol, maka dapat disimpulkan…
Jarak Euclidean nol hanya terjadi jika semua elemen sama, sehingga x = y.
Statistik sampel seperti mean dan varians termasuk dalam kategori…
Mean dan varians sampel adalah ukuran deskriptif yang meringkas karakteristik data.
Dalam sampel random multivariat, matriks kovariansi sampel S dihitung dengan rumus…
Matriks kovariansi sampel menggunakan pembagi n-1 untuk mendapatkan estimasi tak bias.
Jika data sampel berasal dari populasi dengan mean mu, maka vektor mean sampel adalah estimator tak bias untuk…
Vektor mean sampel adalah estimator tak bias untuk mean populasi mu karena nilai harapannya sama dengan mu.
Diketahui vektor random X = (X1, X2, …, Xp)' dengan matriks varians-kovarians Σ. Jika a adalah vektor konstan, maka varians dari a'X adalah …
Varians dari a'X dihitung sebagai Var(a'X) = a' Cov(X) a = a'Σa, sesuai dengan sifat matriks varians-kovarians dalam statistika multivariat.
Misalkan matriks kovarians sampel S dari suatu data multivariat berukuran n x p. S didefinisikan sebagai …
Matriks kovarians sampel S menggunakan pembagi (n-1) untuk menghasilkan estimasi tak bias dari matriks kovarians populasi, dengan rumus S = (1/(n-1)) Σ (xi – x̄)(xi – x̄)'.
Fungsi densitas normal multivariat untuk vektor random X berdimensi p dengan mean μ dan matriks kovarians Σ (positif definit) adalah …
Fungsi densitas normal multivariat menggunakan faktor (2π)^(p/2) |Σ|^(1/2) sebagai normalisasi dan eksponen -(1/2)(x-μ)' Σ^(-1)(x-μ).
Jika X ~ N_p(μ, Σ), maka jarak Mahalanobis antara x dan μ didefinisikan sebagai …
Jarak Mahalanobis didefinisikan sebagai (x-μ)' Σ^(-1)(x-μ), yang mengukur jarak antara x dan μ dengan mempertimbangkan struktur kovarians.
Untuk distribusi normal multivariat N_p(μ, Σ), daerah yang memiliki probabilitas 0.95 dari X adalah ellipsoid dengan persamaan …
Ellipsoid kepercayaan 95% untuk distribusi normal multivariat didefinisikan oleh (x-μ)' Σ^(-1)(x-μ) ≤ χ^2_p(0.95), di mana χ^2_p(0.95) adalah kuantil ke-95 dari distribusi chi-kuadrat dengan derajat bebas p.
Jika X terdistribusi N_p(μ, Σ) dan C adalah matriks konstan berukuran q x p dengan rank q, maka distribusi dari Y = Cx adalah …
Transformasi linear dari vektor normal multivariat menghasilkan distribusi normal multivariat dengan mean Cμ dan matriks kovarians CΣC', dan dimensi sesuai dengan jumlah baris C yaitu q.
Salah satu sifat distribusi normal multivariat adalah bahwa semua distribusi marginalnya juga normal. Jika X = (X1, X2, …, Xp)' ~ N_p(μ, Σ), maka distribusi dari X1 adalah …
Distribusi marginal dari komponen X1 adalah normal univariat dengan mean μ1 dan varians σ11 (elemen diagonal pertama dari Σ).
Dua vektor random X dan Y dikatakan independen dalam distribusi normal multivariat jika dan hanya jika …
Dalam distribusi normal multivariat, independensi antara dua subvektor terjadi jika dan hanya jika semua kovarians antara keduanya adalah nol, yaitu matriks kovarians antara X dan Y adalah matriks nol.
Jika X ~ N_p(μ, Σ) dan A dan B adalah matriks konstan, maka Cov(AX, BX) = …
Covarians antara dua transformasi linear AX dan BX adalah A Cov(X, X) B' = AΣB', berdasarkan sifat matriks kovarians untuk transformasi linear.
Salah satu sifat penting distribusi normal multivariat adalah bahwa bentuk kuadratik (x-μ)' Σ^(-1)(x-μ) berdistribusi …
Bentuk kuadratik (x-μ)' Σ^(-1)(x-μ) pada distribusi normal multivariat dengan mean μ dan matriks kovarians Σ berdistribusi chi-kuadrat dengan derajat bebas p.
Diketahui vektor random X = (X1, X2, X3)' dengan distribusi N_3(μ, Σ). Jika diketahui bahwa X1 dan X2 berkorelasi nol dengan X3, maka matriks kovarians Σ berbentuk …
Jika X1 dan X2 tidak berkorelasi dengan X3, maka elemen kovarians antara X1 dengan X3 (σ13) dan X2 dengan X3 (σ23) adalah nol, sehingga matriks kovarians memiliki blok diagonal dan nol di luar blok tersebut.
Dalam distribusi normal multivariat, jika matriks kovarians Σ adalah diagonal, maka …
Jika Σ diagonal, maka kovarians antar komponen nol sehingga dalam distribusi normal multivariat, komponen-komponen saling independen.
Jika X1, X2, …, Xn adalah sampel random dari distribusi N_p(μ, Σ), maka distribusi dari vektor mean sampel x̄ adalah …
Vektor mean sampel x̄ dari sampel random berdistribusi normal multivariat dengan mean μ dan matriks kovarians (1/n)Σ, karena Var(x̄) = (1/n)Σ.
Diberikan sampel random X1, X2, …, Xn dari distribusi N_p(μ, Σ), maka distribusi dari (n-1)S adalah … (S adalah matriks kovarians sampel)
Matriks (n-1)S berdistribusi Wishart dengan derajat bebas n-1 dan matriks parameter Σ, yang merupakan generalisasi multivariat dari distribusi chi-kuadrat.
Jika X1, X2, …, Xn adalah sampel random dari N_p(μ, Σ), maka x̄ dan S adalah …
Dalam sampling dari distribusi normal multivariat, vektor mean sampel x̄ dan matriks kovarians sampel S saling independen.
Statistik T^2 Hotelling untuk menguji hipotesis H0: μ = μ0 didefinisikan sebagai …
Statistik T^2 Hotelling didefinisikan sebagai T^2 = n(x̄-μ0)' S^(-1)(x̄-μ0), di mana n adalah ukuran sampel, x̄ adalah vektor mean sampel, dan S adalah matriks kovarians sampel.
Distribusi dari T^2 Hotelling untuk sampel random dari N_p(μ, Σ) dapat ditransformasi menjadi distribusi …
Statistik T^2 Hotelling dapat ditransformasi menjadi distribusi F melalui hubungan ((n-p)/((n-1)p)) T^2 ~ F(p, n-p), sehingga uji hipotesis dapat dilakukan menggunakan distribusi F.
Dalam sampling dari distribusi normal multivariat dengan vektor mean mu dan matriks kovariansi sigma, jika X1, X2, …, Xn adalah sampel random independen, maka distribusi dari vektor X1 adalah
Setiap observasi Xi dari distribusi normal multivariat memiliki distribusi yang sama dengan populasi yaitu N(mu, sigma).
Jika X1, X2, …, Xn adalah sampel random dari distribusi normal multivariat N(mu, sigma), maka vektor mean sampel x bar memiliki distribusi
Vektor mean sampel x bar berdistribusi normal multivariat dengan mean mu dan matriks kovariansi sigma dibagi n.
Misalkan X adalah vektor random berdistribusi normal multivariat N(mu, sigma). Jika A adalah matriks konstan, maka distribusi dari Y = A X adalah
Transformasi linear dari vektor normal multivariat menghasilkan distribusi normal multivariat dengan mean A mu dan matriks kovariansi A sigma A transpose.
Dalam distribusi sampling dari x bar dan S, matriks S (matriks kovariansi sampel) didefinisikan sebagai
Matriks kovariansi sampel S dihitung dengan membagi jumlah kuadrat deviasi dengan n-1.
Jika X1, X2, …, Xn adalah sampel random dari distribusi normal multivariat N(mu, sigma), maka distribusi dari (n-1)S adalah
(n-1)S berdistribusi Wishart dengan derajat bebas n-1 dan matriks parameter sigma, yang merupakan generalisasi dari distribusi chi-kuadrat.
Dalam sampling dari distribusi normal multivariat, x bar dan S bersifat independen jika
Salah satu sifat penting adalah bahwa x bar dan S independen jika sampel berasal dari distribusi normal multivariat.
Misalkan x bar dan S adalah mean dan kovariansi sampel dari sampel random ukuran n dari N(mu, sigma). Variabel T^2 = n(x bar – mu)^T S^{-1} (x bar – mu) berdistribusi
Statistik T^2 Hotelling digunakan untuk inferensi vektor mean dan berdistribusi T^2 dengan parameter p dan n-p.
Jika sampel random berukuran n berasal dari N(mu, sigma), maka distribusi dari akar(n)(x bar – mu) adalah
akar(n)(x bar – mu) berdistribusi normal multivariat dengan mean 0 dan matriks kovariansi sigma.
Misalkan T^2 = n(x bar – mu)^T S^{-1} (x bar – mu) dengan sampel dari N(mu, sigma). Transformasi ke statistik F diberikan oleh
Statistik (n-p)/(p(n-1)) T^2 berdistribusi F dengan derajat bebas p dan n-p.
Dalam uji hipotesis vektor mean populasi dengan H0: mu = mu0, statistik uji yang digunakan jika sigma diketahui adalah
Jika sigma diketahui, statistik uji berbentuk jarak Mahalanobis kuadrat dengan sigma, yaitu n dikali bentuk kuadrat.
Dalam uji hipotesis vektor mean dengan sigma tidak diketahui, statistik uji yang tepat adalah
Ketika sigma tidak diketahui, digunakan statistik T^2 Hotelling yang menggantikan sigma dengan S.
Jika H0: mu = mu0 diuji menggunakan T^2, dan n=30, p=5, maka daerah penolakan pada taraf signifikansi alpha adalah jika T^2 >
Nilai kritis T^2 diperoleh dari distribusi F dengan rumus T^2 > (p(n-1)/(n-p)) F_{alpha; p, n-p}.
Dalam uji hipotesis vektor mean, ukuran sampel n=20 dan p=3. Jika T^2 hitung = 15, dan F_{0.05; 3, 17} = 3.20, maka keputusan uji
Nilai kritis T^2 = (3*19/17)*3.20 = sekitar 10.73, dan 15 > 10.73, sehingga H0 ditolak.
Interval konfidensi simultan untuk vektor mean populasi mu dengan koefisien konfidensi (1-alpha) menggunakan metoda Bonferroni memberikan interval untuk setiap komponen mu_i dengan lebar interval yang
Metoda Bonferroni menggunakan alpha/p untuk setiap interval sehingga lebar interval lebih besar untuk mengontrol overall confidence level.
Interval konfidensi untuk vektor mean populasi mu berbentuk ellipsoid diberikan oleh himpunan mu yang memenuhi n(x bar – mu)^T S^{-1} (x bar – mu) lebih kecil atau sama dengan
Ellipsoid konfidensi untuk mu menggunakan nilai kritis dari distribusi T^2 atau F.
Diketahui n=25, p=4, x bar = (5, 3, 7, 2)^T, dan S. Interval konfidensi simultan Bonferroni untuk mu_1 dengan alpha=0.05 adalah x bar_1 plus minus t_{alpha/(2p), n-1} * akar(s_{11}/n). Nilai t yang digunakan adalah
Bonferroni membagi alpha dengan 2p, yaitu 0.05/(2*4)=0.00625, sehingga digunakan t dengan alpha/2p.
Interval konfidensi untuk vektor mean menggunakan ellipsoid memiliki bentuk yang lebih kompleks dibanding Bonferroni karena
Ellipsoid konfidensi memperhitungkan struktur kovariansi antar variabel, sedangkan Bonferroni hanya menggunakan informasi univariat.
Dalam analisis multivariat, interval konfidensi simultan untuk vektor mean populasi biasanya dibangun menggunakan distribusi apa?
Interval konfidensi simultan untuk vektor mean populasi menggunakan statistik T^2 Hotelling yang mengikuti distribusi T^2.
Jika kita memiliki sampel berukuran n dan ingin membangun interval konfidensi 95% untuk komponen mean ke-i dari vektor mean, metode yang tepat adalah menggunakan?
Untuk komponen mean individu, metode Bonferroni digunakan untuk mengontrol kesalahan tipe I secara simultan.
Dalam perbandingan pasangan vektor mean, jika kita membandingkan dua kelompok independen, statistik uji yang digunakan adalah?
Untuk perbandingan dua kelompok independen dalam konteks multivariat, statistik T^2 Hotelling dua sampel digunakan.
Saat melakukan perbandingan pasangan vektor mean dengan desain berpasangan, kita perlu menghitung selisih antar observasi untuk setiap pasangan. Matriks yang dianalisis adalah?
Dalam desain berpasangan, kita menganalisis selisih antar observasi dan matriks kovariansi dari selisih menjadi fokus.
Jika vektor mean dari dua populasi diuji dengan H0: mu1 = mu2, dan statistik T^2 memiliki nilai besar, apa kesimpulannya?
Nilai T^2 besar menunjukkan penolakan H0, sehingga ada perbedaan signifikan antara dua vektor mean.
Dalam perbandingan beberapa vektor mean, teknik MANOVA digunakan untuk menguji apakah?
MANOVA menguji hipotesis nol bahwa semua vektor mean dari beberapa populasi sama.
Dalam MANOVA satu arah dengan satu faktor, statistik uji yang umum digunakan adalah?
Wilks' Lambda adalah statistik yang sering digunakan dalam MANOVA untuk menguji perbedaan vektor mean.
Jika dalam MANOVA terdapat tiga kelompok dan dua variabel dependen, derajat bebas untuk efek model adalah?
Dengan tiga kelompok, derajat bebas untuk efek model (antar kelompok) adalah 3-1=2.
Setelah MANOVA menolak hipotesis nol, langkah selanjutnya adalah melakukan?
Jika MANOVA signifikan, analisis post-hoc diperlukan untuk mengidentifikasi kelompok mana yang memiliki perbedaan vektor mean.
Dalam perbandingan beberapa vektor mean, asumsi yang harus dipenuhi adalah?
Salah satu asumsi MANOVA adalah matriks kovariansi antar kelompok homogen.
Uji hipotesis untuk satu matriks kovariansi populasi menggunakan statistik uji yang mengikuti distribusi?
Uji untuk satu matriks kovariansi, seperti uji Bartlett, menggunakan statistik yang mendekati distribusi chi-kuadrat.
Untuk menguji kesamaan beberapa matriks kovariansi, statistik uji yang umum digunakan adalah?
Uji Box's M digunakan untuk menguji homogenitas beberapa matriks kovariansi.
Jika uji Box's M menunjukkan hasil signifikan, maka?
Hasil signifikan pada uji Box's M menolak hipotesis nol bahwa matriks kovariansi sama.
Dalam menguji apakah matriks kovariansi memiliki pola tertentu, seperti matriks diagonal, uji yang digunakan adalah?
Uji sphericity Bartlett digunakan untuk menguji apakah matriks kovariansi proporsional dengan matriks identitas atau diagonal.
Untuk menguji independensi antara dua set variabel, kita menguji apakah matriks kovariansi silang sama dengan?
Independensi antara dua set variabel berarti semua kovariansi silang adalah nol, sehingga matriks kovariansi silang adalah matriks nol.
Jika kita memiliki data dari tiga kelompok dan ingin menguji homogenitas matriks kovariansi, berapa jumlah matriks kovariansi yang dibandingkan?
Untuk tiga kelompok, kita membandingkan tiga matriks kovariansi, yaitu satu untuk setiap kelompok.
Dalam uji hipotesis satu matriks kovariansi, statistik uji yang umum digunakan adalah berdasarkan pada perbandingan matriks kovariansi sampel dengan matriks kovariansi hipotesis. Jika statistik uji yang digunakan adalah uji rasio likelihood, maka distribusi dari statistik uji tersebut mendekati distribusi apa?
Uji rasio likelihood untuk matriks kovariansi menghasilkan statistik yang mendekati distribusi chi-kuadrat dengan derajat bebas tertentu, terutama pada sampel besar.
Dalam pengujian matriks kovariansi dengan pola tertentu, misalnya pola simetris atau diagonal, uji yang digunakan sering kali membandingkan matriks kovariansi sampel dengan matriks yang memiliki struktur tertentu. Jika matriks kovariansi diduga memiliki pola diagonal, maka apa yang diuji?
Pola diagonal berarti elemen di luar diagonal (kovariansi) bernilai nol, sehingga uji hipotesis adalah H0: semua kovariansi sama dengan nol.
Uji independensi antara dua himpunan variabel dilakukan dengan memeriksa matriks kovariansi. Jika himpunan pertama memiliki p variabel dan himpunan kedua memiliki q variabel, maka matriks kovariansi total berukuran (p+q)x(p+q). Di bawah H0 bahwa kedua himpunan independen, blok matriks kovariansi mana yang bernilai nol?
Independensi antara dua himpunan variabel berarti kovariansi antara variabel dari himpunan pertama dan himpunan kedua adalah nol, sehingga blok di luar diagonal pada matriks kovariansi harus nol.
Dalam uji matriks kovariansi dengan pola tertentu, uji Box's M digunakan untuk membandingkan matriks kovariansi dari beberapa kelompok. Uji Box's M mendekati distribusi apa?
Uji Box's M mendekati distribusi F setelah transformasi tertentu, meskipun terkadang didekati dengan chi-kuadrat; namun dalam praktik, distribusi F lebih sering digunakan.
Sebuah matriks kovariansi memiliki pola tertentu yaitu matriks yang semua elemen diagonalnya sama dan semua elemen di luar diagonal juga sama. Pola ini dikenal dengan nama matriks kovariansi dengan struktur apa?
Compound symmetry memiliki varians yang sama pada diagonal dan kovariansi yang sama pada off-diagonal, sering digunakan dalam repeated measures.
Dalam uji hipotesis bahwa matriks kovariansi sama dengan matriks tertentu, statistik uji yang sering digunakan adalah uji rasio likelihood. Jika ukuran sampel kecil, distribusi eksak dari statistik uji tersebut sulit, sehingga digunakan aproksimasi dengan distribusi apa?
Untuk sampel besar, distribusi dari -2 log likelihood mendekati chi-kuadrat. Untuk sampel kecil, digunakan aproksimasi chi-kuadrat dengan koreksi.
Korelasi antara dua variabel setelah efek dari satu atau lebih variabel lain dihilangkan disebut sebagai?
Korelasi parsial mengukur hubungan antara dua variabel setelah mengontrol efek variabel lainnya, berbeda dengan korelasi sederhana yang tidak mengontrol.
Jika diketahui korelasi antara X1 dan X2 adalah 0.5, korelasi antara X1 dan X3 adalah 0.3, dan korelasi antara X2 dan X3 adalah 0.4, maka korelasi parsial antara X1 dan X2 dengan mengontrol X3 adalah?
Rumus korelasi parsial r12.3 = (r12 – r13*r23)/akar((1-r13^2)(1-r23^2)) = (0.5 – 0.3*0.4)/akar((1-0.09)(1-0.16)) = (0.5-0.12)/akar(0.91*0.84) = 0.38/akar(0.7644) ≈ 0.38/0.874 = 0.435, dibulatkan menjadi 0.4. Dari opsi, yang paling mendekati adalah 0.4.
Korelasi parsial kuadrat (r^2 parsial) menginterpretasikan?
r^2 parsial menunjukkan proporsi varians dari variabel dependen yang dijelaskan oleh satu variabel independen setelah efek variabel lain dikontrol.
Jika korelasi parsial antara Y dan X1 setelah mengontrol X2 adalah 0.6, dan korelasi sederhana antara Y dan X1 adalah 0.8, maka apa yang dapat disimpulkan tentang hubungan antara Y dan X1?
Korelasi sederhana 0.8 lebih besar dari korelasi parsial 0.6, artinya setelah mengontrol X2, hubungan antara Y dan X1 mengecil, menunjukkan X2 berkontribusi pada hubungan awal.
Dalam analisis korelasi parsial, jika variabel yang dikontrol adalah variabel kategorik, maka metode yang digunakan adalah?
Untuk mengontrol variabel kategorik dalam korelasi, analisis kovariansi (ANCOVA) dapat digunakan, meskipun korelasi parsial lebih umum untuk variabel kontinu.
Korelasi ganda (multiple correlation) R mengukur?
Korelasi ganda R adalah korelasi antara variabel dependen dengan kombinasi linear dari beberapa variabel independen.
Nilai R^2 dalam korelasi ganda sama dengan?
R^2 dalam korelasi ganda menunjukkan proporsi varians dari variabel dependen yang dapat dijelaskan oleh variabel-variabel independen secara bersama-sama.
Korelasi semi parsial antara Y dan X1 setelah mengontrol X2 adalah 0.3. Ini berarti?
Korelasi semi parsial mengontrol variabel lain hanya pada satu variabel, misalnya X1, sehingga efek X2 dihilangkan dari X1 tetapi tidak dari Y.
Dalam analisis regresi dengan dua variabel independen, jika korelasi semi parsial antara Y dan X1 adalah 0.4 dan korelasi semi parsial antara Y dan X2 adalah 0.3, maka variabel mana yang memberikan kontribusi unik lebih besar?
Korelasi semi parsial mengukur kontribusi unik setiap variabel independen terhadap variabel dependen. Semakin besar nilai, semakin besar kontribusi uniknya, sehingga X1 (0.4) lebih besar dari X2 (0.3).
Perbedaan antara korelasi parsial dan korelasi semi parsial adalah?
Korelasi parsial mengontrol efek variabel lain pada kedua variabel yang dikorelasikan, sedangkan korelasi semi parsial hanya mengontrol pada salah satu variabel.
Coba kerjakan soal mulvariate modul 04 sampai 06 dulu, karena itu fondasi buat modul selanjutnya. Di UAS nanti, soal hitungan vektor mean dan matriks kovariansi pasti keluar dalam format UO yang butuh pemahaman konsep, bukan sekadar hafalan rumus. Itu yang paling sering bikin pusing. Kalau masih bingung bedain distribusi sampling x̄ dan S, mending ulang lagi modul 05 dari awal.
Di SATS4421 Metode Statistika Multivariat, soal UTM biasanya langsung ke hitungan matriks, sementara UO lebih ke pemilihan uji yang tepat. Saya lihat banyak yang terkecoh sama soal inferensi beberapa vektor mean karena lupa syarat asumsi distribusi normal multivariat. Ada banyak kumpulan soal UAS UT lain di sini kalau kamu mau lanjut latihan, apalagi soal korelasi parsil dan ganda. Nggak perlu buru-buru, satu konsep dikuasai baru lanjut berikutnya.
