Kovariācijas analīze (ANCOVA): kas tas ir un kā to izmanto statistikā

Statistikas jomā tiek izmantotas daudzas metodes, kas ļauj analizēt, kontrolēt un pielāgot izmeklēšanā iegūtos datus. Viens no tiem ir kovariācijas analīze (ANCOVA).

Šajā statistikas paņēmienā savukārt tiek izmantotas divas stratēģijas: dispersijas analīze (ANOVA) un statistiskā regresija. Tā ir daļa no eksperimentālās kļūdas kontroles metodēm. Šajā rakstā mēs uzzināsim, kas tas ir un kā tas darbojas.

• Saistīts raksts: "Izkliedes analīze (ANOVA): kas tas ir un kā to izmanto statistikā"

pielietotā statistika

Statistika ir zinātne, kas aptver visas zināšanas, stratēģijas un rīkus, kas ļauj vākt, organizēt, prezentēt, analizēt un interpretēt datu sēriju. To īpaši izmanto pētniecības kontekstā.

Psiholoģijā tas tiek pētīts arvien vairāk visā grāda laikā, jo tas tiek uzskatīts par ļoti interesantu instrumentu, ko zināt, un īpaši noderīgu, ja vēlamies veltīt sevi pētniecībai.

Šīs zinātnes mērķis ir aprakstīt izmeklēšanā iegūtos rezultātus, kā arī analizēt tos vai palīdzēt mums pieņemt lēmumus. Psiholoģijā to bieži izmanto, lai pētītu un izstrādātu dažādas ārstēšanas un terapijas.

Statistikas veidi

Ir aprakstošā statistika (kur iegūtā informācija ir par izlasi) un secināmā statistika (kas iegūst informāciju par populāciju).

Statistikā plaši izmantots tehnikas veids ir kovariācijas analīze, kas ļauj mums novērst sistemātisko kļūdu, kas maina mūsu rezultātus. Bet tas ir nedaudz sarežģītāks par šo; Mēs to detalizēti paskaidrosim visā rakstā.

Kovariācijas analīze: kas tas ir?

Kovariācijas analīze (ANCOVA) ir statistika, ko izmanto īpaši tas ir parametru tests. Statistikas parametru testi ļauj analizēt faktorus populācijā. Turklāt tie ļauj kvantitatīvi noteikt, cik lielā mērā divi mainīgie ir neatkarīgi.

Akronīms ANCOVA nozīmē “ANalysis of COVARiance”. Faktiski ANCOVA apvieno divu veidu stratēģijas: dispersijas analīzi (ANOVA) kopā ar regresijas analīzi.

Šeit mums tas ir jāatceras ANOVA ir vēl viena statistikas metode, kas atdala no mūsu rezultātu kopējās mainīguma, daļa, kas radusies kļūdu avotu dēļ; Tādējādi papildus tam, ka tā ir kļūdu kontroles tehnika, tā atklāj arī ārstēšanas ietekmi.

Savukārt kovariācijas analīze ir arī statistikas paņēmiens, taču pilnīgāks nekā ANOVA; Tāpat kā viņa, to izmanto, lai samazinātu eksperimentālo kļūdu, bet turklāt tā rezultātiem piemēro daudzkārtēju lineāro regresiju (statistisko regresiju).

• Jūs varētu interesēt: "Hī kvadrāta (χ²) tests: kas tas ir un kā to izmanto statistikā"

Kļūdu kontroles tehnika

Pētījumos ir ļoti svarīgi kontrolēt eksperimentālo kļūdu avotus (kas parādās sakarā ar dīvaini mainīgie), jo tie var mainīt rezultātus un attālināt mūs no patiesajām izmaiņām, kas mēs esam meklēšana. Tādējādi eksperimentālā kļūda ietver tās rezultātu novirzes attiecībā pret pētāmā lieluma reālo vērtību.

Metodes, kuru mērķis ir samazināt eksperimentālo kļūdu, var būt divu veidu.: a priori metodes (tās tiek izmantotas pirms apstrādes piemērošanas un datu vākšanas) un a posteriori metodes (tās tiek izmantotas pēc datu iegūšanas). Kovariācijas analīze pieder pie otrā veida, un to izmanto, ja mums jau ir dati mūsu pētījumam.

Konkrēti, kovariācijas analīze sastāv no statistikas procedūras, ar kuru izdodas novērst neviendabīgumu, kas parādās mainīgajā, kuru mēs pētām (tas ir atkarīgs mainīgais; piemēram, trauksmes līmeņi), viena (vai vairāku) neatkarīgu mainīgo ietekmē, kas ir kvantitatīvi, un tos sauksim par kovariācijām (piemēram, terapija dažādās pakāpēs intensitāte).

Vēlāk mēs paskaidrosim, no kā sastāv kovariāti, kā tie var mainīt izmeklēšanas rezultātus un kāpēc kovariācijas analīze ir noderīga šajos gadījumos.

Darbojas

Kovariācijas analīzes teorētiskais pamats ir šāds (vai "soļi", kas jāievēro): pirmkārt, datiem tiek piemērota dispersijas analīze (ANOVA), un vēlāk, tiem tiek piemērota daudzkārtēja lineāra regresija; tas nozīmē, ka kovariātu (neatkarīgo mainīgo) ietekme uz atkarīgo mainīgo (tas ir, uz mainīgo, kuru mēs pētām), tiek novērsta.

Kovariāti (X) ir katras eksperimentālās vienības vai dalībnieka raksturlielumi vai mērījumi, kas nav atkarīgi no apstrādes (neatkarīgie mainīgie), bet ir saistīti ar interesējošo mērījumu (Y) (atkarīgais mainīgais). Tas ir, tiem ir ietekme vai ietekme uz to, ko mēs pētām, bet tie nav saistīti ar ārstēšanu.

Tas nozīmē, ka, mainoties X, mainās arī Y; Turklāt šī X variācija ietekmēs arī ārstēšanas ietekmi uz Y. Tas viss padara mūs ieinteresētus novērst šīs ietekmes (eksperimentālās kļūdas), jo tie maina rezultātus; un tas tiek panākts ar kovariācijas analīzi.

Interesants fakts ir tāds, ka jo vairāk mums ir kovariantu, jo mazāka būs datu mainība un jo lielāka būs testa statistiskā jauda. Statistiskā jauda ir varbūtība, ka tests pareizi noteiks ārstēšanas ietekmi uz mūsu pētāmajiem rezultātiem.

Par kalpošanu mums? Mērķi

Kovariācijas analīze tiek izmantota šādiem mērķiem: no vienas puses, lai novērstu jebkādas sistemātiskas kļūdas, kas var rasties neobjektīvi izmeklēšanas rezultāti (šīs kļūdas parasti rodas tāpēc, ka tās ir ārpus izmeklētāja kontroles), un cits, konstatēt atšķirības pētījuma dalībnieku atbildēs, kas izriet no viņu personiskajām īpašībām.

Tādējādi kovariācijas analīze tiek izmantota, lai noteiktu, piemēram, atšķirības starp ārstēšanu.

Kovariācijas analīzes rezultāts ir koriģēts rezultāts, no kura ir atņemta summa vai vērtība, kas attiecināma uz ārvalstu mainīgo.

Kovariācijas analīze ļauj palielināt eksperimentu precizitāti un novērst to mainīgo ietekmi, kam nav nekā kopīga ar ārstēšanu, taču tie tomēr ietekmē rezultātus.

Turklāt tas ļauj mums iegūt vairāk informācijas par to ārstēšanas veidu būtību, ko mēs izmantojam mūsu pētījumā. Galu galā tas palīdz mums pielāgot rezultātus, lai tie būtu ticamāki.

Pielietošanas jomas

Kovariācijas analīze To pamatā izmanto lietišķās statistikas jomā. Tāpēc to bieži izmanto pētniecībā; tomēr pētījumu veids, kurā to var izmantot, atšķiras, un tas var būt izglītojošs, klīnisks, lauksaimniecības, veselības pētījums utt.

Piemēri (lietojumprogrammas)

Kovariācijas analīze ļauj izpētīt, piemēram, attiecības starp vecumu (kovariātu) un Trauksmes līmeņi (atkarīgais mainīgais) pa stāvokļiem (ārstēšanas veidiem) psiholoģijas izmeklēšanas ietvaros klīnika.

Bet, kā mēs redzējām, šo paņēmienu var izmantot cita veida pētījumos, piemēram, lauksaimniecības pētījumos: to varētu izmantot, ja mēs vēlamies izpētīt sakarību starp tomātu lielumu (kovariable) un mūsu augļu dārza ražu no hektāra (atkarīgais mainīgais) atbilstoši tomātu šķirnei (atšķirīga ārstēšana).