Análise de covariância (ANCOVA): o que é e como é usada em estatística

O campo da estatística utiliza muitas técnicas que nos permitem analisar, controlar e ajustar os dados que obtemos em uma investigação. Uma delas é a análise de covariância (ANCOVA).

Essa técnica estatística utiliza, por sua vez, duas estratégias: análise de variância (ANOVA) e regressão estatística. Faz parte das técnicas para controlar o erro experimental. Neste artigo vamos saber o que é e como funciona.

• Artigo relacionado: "Análise de Variância (ANOVA): o que é e como é usada na estatística"

estatísticas aplicadas

A Estatística é a ciência que engloba todos os conhecimentos, estratégias e ferramentas que permitem recolher, organizar, apresentar, analisar e interpretar uma série de dados. É usado especialmente em contextos de pesquisa.

Em psicologia, é cada vez mais estudado ao longo do curso, pois é considerado uma ferramenta muito interessante de conhecer e especialmente útil se queremos nos dedicar à pesquisa.

Esta ciência visa descrever os resultados obtidos em uma investigação, bem como analisá-los ou nos ajudar a tomar decisões. Na psicologia, é frequentemente usado para estudar e desenvolver diferentes tratamentos e terapias.

Tipos de estatística

Existe a estatística descritiva (onde se extrai a informação sobre a amostra) e a estatística inferencial (que extrai informação sobre a população).

Um tipo de técnica amplamente utilizada em estatística é a análise de covariância, que nos permite eliminar o erro sistemático que está alterando nossos resultados. Mas é um pouco mais complexo do que isso; Vamos explicá-lo em detalhes ao longo do artigo.

Análise de covariância: o que é?

A análise de covariância (ANCOVA) é uma técnica utilizada em estatística, e especificamente é um teste paramétrico. Os testes paramétricos dentro das estatísticas permitem que você analise fatores dentro de uma população. Além disso, permitem quantificar até que ponto duas variáveis ​​são independentes.

A sigla ANCOVA significa “Análise de COVAriance”. Na verdade, ANCOVA combina dois tipos de estratégias: Análise de Variância (ANOVA) juntamente com Análise de Regressão.

Aqui devemos lembrar que ANOVA é outra técnica estatística que segrega da variabilidade total de nossos resultados, a parte devido a fontes de erro; Assim, além de ser uma técnica de controle de erros, descobre a influência dos tratamentos.

Por seu lado, a análise de covariância também é uma técnica estatística, porém mais completa que a ANOVA; Como ela, é usado para reduzir o erro experimental, mas, além disso, aplica uma regressão linear múltipla (regressão estatística) aos resultados.

• Você pode estar interessado: "Teste qui-quadrado (χ²): o que é e como é usado em estatística"

Técnica de controle de erros

Em pesquisa é muito importante controlar as fontes de erro experimental (que aparecem devido a variáveis ​​estranhas), pois podem alterar os resultados e nos afastar das verdadeiras mudanças que estamos procurando. Assim, o erro experimental inclui aqueles desvios nos resultados em relação ao valor real da magnitude que está sendo estudada.

As técnicas que buscam reduzir o erro experimental podem ser de dois tipos.: técnicas a priori (utilizam-se antes de aplicar os tratamentos e recolher os dados) e técnicas a posteriori (utilizam-se uma vez obtidos os dados). A análise de covariância pertence ao segundo tipo e é utilizada quando já temos os dados para nossa pesquisa.

Especificamente, a análise de covariância consiste em um procedimento estatístico pelo qual consegue eliminar a heterogeneidade que aparece na variável que estamos estudando (sendo esta uma variável dependente; por exemplo, níveis de ansiedade), devido à influência de uma (ou mais) variáveis ​​independentes, que são quantitativos, e que chamaremos de covariáveis ​​(por exemplo, terapia em diferentes graus de intensidade).

Mais adiante explicaremos em que consistem as covariáveis, como podem alterar os resultados de uma investigação e por que a análise de covariância é útil nesses casos.

funcionando

A fundamentação teórica da análise de covariância é a seguinte (ou "etapas" a seguir): primeiro, aplica-se uma análise de variância aos dados (ANOVA), e posteriormente, uma regressão linear múltipla é aplicada a eles; isso implica que o efeito que as covariáveis ​​(variáveis ​​independentes) tiveram sobre a variável dependente (ou seja, sobre a variável que estamos estudando) é eliminado.

Covariáveis ​​(X) são características ou medidas de cada unidade experimental ou participante, que não dependem dos tratamentos (variáveis ​​independentes), mas estão relacionados com a medida de interesse (Y) (variável dependente). Ou seja, eles têm efeito ou influência sobre o que estamos estudando, mas não são devidos ao tratamento.

Isso significa que quando X varia, Y também varia; Além disso, essa variação de X também afetará a influência que os tratamentos exercem sobre Y. Tudo isso nos interessa em eliminar essas influências (erros experimentais), porque alteram os resultados; e isso é obtido pela análise de covariância.

Um fato curioso é que quanto mais covariáveis ​​tivermos, menos variabilidade os dados terão e mais poder estatístico o teste terá. O poder estatístico é a probabilidade de um teste identificar corretamente o impacto que um tratamento tem sobre os resultados que estamos estudando.

Por nos servir? Metas

A análise de covariância é utilizada para os seguintes propósitos: por um lado, para eliminar qualquer erro sistemático que possa influenciar os resultados de uma investigação (esses erros geralmente ocorrem porque estão fora do controle do investigador) e pelo outro, estabelecer as diferenças nas respostas dos participantes da pesquisa devido às suas características pessoais.

Isso torna a análise de covariância utilizada para estabelecer diferenças entre tratamentos, por exemplo.

O resultado que a análise de covariância nos dá é uma pontuação corrigida da qual foi subtraído o montante ou valor atribuível à variável estrangeira.

A análise de covariância permite aumentar a precisão dos experimentos e eliminar os efeitos de variáveis ​​que nada têm a ver com o tratamento, mas, no entanto, eles estão influenciando os resultados.

Além disso, nos permite obter mais informações sobre a natureza dos tratamentos que estamos aplicando em nossas pesquisas. Em última análise, isso nos ajuda a ajustar nossos resultados para torná-los mais confiáveis.

Campos de aplicação

Análise de covariância Aplica-se fundamentalmente no campo da estatística aplicada. É por isso que é frequentemente usado em pesquisas; porém, varia o tipo de pesquisa em que pode ser utilizada, podendo ser educacional, clínica, agrícola, pesquisa em saúde, etc.

Exemplos (aplicativos)

A análise de covariância permite estudar, por exemplo, a relação entre idade (covariável) e Níveis de ansiedade (variável dependente) por estados (tratamentos), dentro de uma investigação psicológica clínica.

Mas, como vimos, esta técnica pode ser utilizada noutros tipos de investigação, por exemplo na investigação agrícola: uma possível aplicação dela seria se quiséssemos estudar a relação entre o tamanho dos tomates (covariável) e o rendimento por hectare de nosso pomar (variável dependente) de acordo com a variedade de tomate (diferentes tratamentos).