Kovarianssianalyysi (ANCOVA): mitä se on ja miten sitä käytetään tilastoissa

Tilastoalalla käytetään monia tekniikoita, joiden avulla voimme analysoida, hallita ja mukauttaa tutkimuksessa saamiamme tietoja. Yksi niistä on kovarianssianalyysi (ANCOVA).

Tämä tilastollinen tekniikka käyttää puolestaan ​​kahta strategiaa: varianssianalyysiä (ANOVA) ja tilastollista regressiota. Se on osa tekniikoita kokeellisen virheen hallitsemiseksi. Tässä artikkelissa tiedämme, mikä se on ja miten se toimii.

• Aiheeseen liittyvä artikkeli: "Varianssianalyysi (ANOVA): mitä se on ja miten sitä käytetään tilastoissa"

sovelletut tilastot

Tilastot on tiedettä, joka kattaa kaiken tiedon, strategiat ja työkalut, jotka mahdollistavat datasarjan keräämisen, järjestämisen, esittämisen, analysoinnin ja tulkinnan. Sitä käytetään erityisesti tutkimusyhteyksissä.

Psykologiassa sitä opiskellaan yhä enemmän läpi tutkinnon, koska sitä pidetään erittäin mielenkiintoisena välineenä ja erityisen hyödyllisenä, jos haluamme omistautua tutkimukselle.

Tämän tieteen tarkoituksena on kuvata tutkimuksessa saatuja tuloksia

, sekä analysoida niitä tai auttaa meitä tekemään päätöksiä. Psykologiassa sitä käytetään usein erilaisten hoitojen ja terapioiden tutkimiseen ja kehittämiseen.

Tilastotyypit

On olemassa kuvaavia tilastoja (joissa poimitut tiedot koskevat otosta) ja päättelytilastoja (joka poimii tietoa populaatiosta).

Eräs tilastoissa yleisesti käytetty tekniikka on kovarianssianalyysi, jonka avulla voimme eliminoida tuloksiamme muuttavan systemaattisen virheen. Mutta se on hieman monimutkaisempi kuin tämä; Selitämme sen yksityiskohtaisesti koko artikkelin ajan.

Kovarianssianalyysi: mitä se on?

Kovarianssianalyysi (ANCOVA) on tilastoissa käytetty tekniikka ja erityisesti se on parametrinen testi. Tilastojen parametristen testien avulla voit analysoida populaation tekijöitä. Lisäksi niiden avulla voidaan kvantifioida, missä määrin kaksi muuttujaa ovat riippumattomia.

Lyhenne ANCOVA tarkoittaa "ANalysis of COVARiance". Itse asiassa ANCOVA yhdistää kahden tyyppisiä strategioita: Varianssianalyysi (ANOVA) yhdessä regressioanalyysin kanssa.

Tässä meidän on muistettava se ANOVA on toinen tilastollinen tekniikka, joka erottuu tulostemme kokonaisvaihtelusta, virhelähteistä johtuva osa; Siten sen lisäksi, että se on virheenhallintatekniikka, se löytää hoitojen vaikutuksen.

Kovarianssianalyysi on omalta osaltaan myös tilastollinen tekniikka, mutta täydellisempi kuin ANOVA; Hänen tavoin sitä käytetään vähentämään kokeellista virhettä, mutta lisäksi se soveltaa moninkertaista lineaarista regressiota (tilastollinen regressio) tuloksiin.

• Saatat olla kiinnostunut: "Chi-neliö (χ²) -testi: mikä se on ja miten sitä käytetään tilastoissa"

Virheenhallintatekniikka

Tutkimuksessa on erittäin tärkeää hallita kokeellisten virheiden lähteitä (jotka ilmenevät johtuen outoja muuttujia), koska ne voivat muuttaa tuloksia ja siirtää meidät pois todellisista muutoksista, joita olemme etsiminen. Siten kokeellinen virhe sisältää ne tulosten poikkeamat suhteessa tutkittavan suuruuden todelliseen arvoon.

Tekniikat, joilla pyritään vähentämään kokeellista virhettä, voivat olla kahdenlaisia.: a priori tekniikat (niitä käytetään ennen hoitojen soveltamista ja tietojen keräämistä) ja jälkikäteen (niitä käytetään, kun tiedot on saatu). Kovarianssianalyysi kuuluu toiseen tyyppiin, ja sitä käytetään, kun meillä on jo tiedot tutkimukseemme.

Tarkemmin sanottuna kovarianssianalyysi koostuu tilastollisesta menettelystä, jolla onnistuu eliminoimaan tutkimassamme muuttujassa esiintyvän heterogeenisyyden (tämä on riippuvainen muuttuja; esimerkiksi ahdistustasot), johtuen yhden (tai useamman) riippumattoman muuttujan vaikutuksesta, mikä ovat kvantitatiivisia ja joita kutsumme yhteismuuttujiksi (esimerkiksi terapia eri asteilla intensiteetti).

Myöhemmin selitämme, mistä kovariaatit koostuvat, miten ne voivat muuttaa tutkimuksen tuloksia ja miksi kovarianssianalyysi on hyödyllinen näissä tapauksissa.

Toiminta

Kovarianssianalyysin teoreettinen perusta on seuraava (tai "noudatettavat vaiheet"): ensin sovelletaan varianssianalyysiä dataan (ANOVA) ja myöhemmin, niihin sovelletaan moninkertaista lineaarista regressiota; tämä tarkoittaa, että vaikutus, joka kovariaatteilla (riippumattomilla muuttujilla) oli riippuvaiseen muuttujaan (eli tutkimaan muuttujaan), eliminoidaan.

Kovariaatit (X) ovat kunkin koeyksikön tai osallistujan ominaisuuksia tai mittauksia, jotka eivät riipu hoidoista (riippumattomat muuttujat), mutta liittyvät kiinnostuksen kohteena olevaan mittaukseen (Y) (riippuvainen muuttuja). Eli niillä on vaikutusta tai vaikutusta siihen, mitä opiskelemme, mutta ne eivät johdu hoidosta.

Tämä tarkoittaa, että kun X vaihtelee, myös Y vaihtelee; Lisäksi tämä X: n vaihtelu vaikuttaa myös hoitojen vaikutukseen Y: hen. Kaikki tämä saa meidät kiinnostumaan näiden vaikutusten (kokeellisten virheiden) eliminoimisesta., koska ne muuttavat tuloksia; ja tämä saavutetaan kovarianssianalyysillä.

Mielenkiintoinen tosiasia on, että mitä enemmän kovariaatteja meillä on, sitä vähemmän vaihtelua datalla on ja sitä enemmän tilastollista tehoa testillä on. Tilastollinen teho on todennäköisyys, että testi tunnistaa oikein hoidon vaikutuksen tutkimiimme tuloksiin.

Sen takia, että palvelet meitä? Tavoitteet

Kovarianssianalyysiä käytetään seuraaviin tarkoituksiin: toisaalta mahdollisten systemaattisten virheiden eliminoimiseen vääristää tutkimuksen tuloksia (nämä virheet syntyvät yleensä, koska ne eivät ole tutkijan hallinnassa), ja muu, selvittää tutkimukseen osallistuneiden henkilökohtaisista ominaisuuksista johtuvia eroja vastauksissa.

Näin kovarianssianalyysiä käytetään esimerkiksi hoitojen välisten erojen selvittämiseen.

Kovarianssianalyysin tuloksena saamme korjatun pistemäärän, josta on vähennetty ulkomaiselle muuttujalle kuuluva määrä tai arvo.

Kovarianssianalyysi mahdollistaa lisää kokeiden tarkkuutta ja eliminoi muuttujien vaikutukset, joilla ei ole mitään tekemistä hoidon kanssa, mutta silti ne vaikuttavat tuloksiin.

Lisäksi sen avulla saamme lisää tietoa tutkimuksessamme käyttämiemme hoitojen luonteesta. Viime kädessä se auttaa meitä mukauttamaan tuloksiamme tekemään niistä luotettavampia.

Soveltamisalat

Kovarianssianalyysi Sitä sovelletaan pohjimmiltaan soveltavan tilaston alalla. Siksi sitä käytetään usein tutkimuksessa; Tutkimustyyppi, jossa sitä voidaan käyttää, vaihtelee kuitenkin ja se voi olla koulutusta, kliinistä, maatalous-, terveystutkimusta jne.

Esimerkit (sovellukset)

Kovarianssianalyysin avulla voimme tutkia esimerkiksi iän (kovariaatin) ja iän välistä suhdetta Ahdistuneisuustasot (riippuvainen muuttuja) tilojen (hoidot) mukaan psykologisessa tutkimuksessa klinikka.

Mutta kuten olemme nähneet, tätä tekniikkaa voidaan käyttää muun tyyppisessä tutkimuksessa, esimerkiksi maataloustutkimuksessa: sen mahdollinen sovellus olisi, jos haluamme tutkia tomaattien koon (yhteismuuttuja) ja hedelmätarhamme hehtaarisadon (riippuvainen muuttuja) välistä suhdetta tomaattilajikkeen mukaan (erilainen hoidot).