ANALISIS DE COVARIANZA Ancova se basa en dos procedimientos de uso frecuente: al anlisis de regresin y ANOVA.

Con el objetivo de mostrar como funciona Ancova, considere el siguiente set de datos hipotticios. Los datos corresponden a un experimento en el que la variable dependiente vara en magnitud o intensidad con la talla corporal. La respuesta podra ser el incremento en la cantidad de lpidos totales en loco. El tratamiento sera la inyeccin de una sustancia experimental a un grupo y la inyeccin de un placebo al otro grupo, ambos mantenidos en condiciones ambientales idnticas.
14

3.8
Variable de inters

3.3 2.8 2.3 1.8 9

y = 0.4x - 1.7111

y = 0.4x - 1.9111

10

11

12

13

Covariable (e.g. Talla)

Pasos a seguir para ANCOVA: 1. Ajustar una lnea de mejor ajuste para cada grupo por separado. El modelo debe ser significativo. Para los datos: Grupo a) y = -1.7 + 0.4X Grupo b) y = -1.9 + 0.4X P < 0.05 P < 0.05

2. Demostrar que las pendientes de ambos grupos son estadsticamente idnticas. Este requisito es clave para covarianza. Si las pendientes son distintas no se puede seguir con ANCOVA. El hecho de que las pendientes sean distintas, es en s mismo muy informativo y se requiere una detallada revisin acerca de las razones y consecuencias. Ho: 1 = 2 P > 0.05 Esta hiptesis se puede poner aprueba con un t-Test o bien con ANOVA. Conclusin: ________________________

3. Debido a que las pendientes son iguales, se calcula una pendiente comn para ambas lneas de regresin: bc = 0.4. 4. En trminos prcticos esto se traduce en un ajuste de los valores de Y (la variable dependiente) utilizando la pendiente promedio y la gran media de los valores de la covariable. Los datos originales son ajustados aplicando la frmula de arriba, en forma simplificada:

3.8

Variable de inters

Gran media

3.3 2.8 2.3 1.8 9 10 11 12 13 14 Covariable (e.g Talla)

Yi = Yi + bc ( X ! X i )
donde: Yi es un valor de Y de cada grupo bc es la pendiente comun X es la gran media de la covariable Xi es el par bivariado de Yi

 5. Finalmente, se tiene una distribucin de datos ajustados, a los cuales se les ha sustrado el efecto de la r covariable. e t n i e d

4.00

e 3.45 l b a 2.90 i r a 2.35 V 1.80 Grupo 1 Grupo 2 Grupos

Las medias ajustadas se comparan mediante un test de ANOVA. La hiptesis a poner a prueba es: Ho : Y1 = Y2 El ajuste reduce la varianza de cada set de datos. La suma de los cuadrados de los residuales se hace ms pequea aumentado la potencia del test.

Requisitos de aplicacin a) La variable dependiente debe estar significativamente correlacionada con la variable independiente en cada uno de los tratamientos. El modelo de mejor ajuste puede ser exponencial o logartmico, pero debe haber uniformidad en el tipo de modelo usado. b) Los datos de cada tratamiento deben estar organizados en pares siguiendo las reglas para un anlisis de regresin (Zar 1984). c) Los residuales de los datos transformados en ANCOVA deben tener distribucin normal, con media igual a cero y varianzas homocedsticas. Si estos requisitos no se cumplen, los datos pueden ser transformados. EJEMPLO REVISADO EN CLASES: Se desea analizar el crecimiento de un planta sometida a dos tratamientos. La variable dependiente est en funcin del peso de la semilla.
Tratamiento 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 Crecimiento 10,223 11,184 12,251 11,922 11,485 11,625 11,303 11,662 11,415 11,684 11,668 11,322 12,553 12,213 10,814 10,493 Peso 1,184 1,371 1,676 1,662 1,509 1,539 1,481 1,417 1,364 1,508 1,535 1,387 1,522 1,502 1,256 1,23

Spss permite realizar el anlisis de covarianza simplemente agregando especificando la covariable en el casillero que corresponde. Sin embargo, hacerlo sin realizar previamente un anlisis de pendientes puede llevarnos a realizar conclusiones erradas. Por lo que Usted, debe seguir los siguientes pasos que se detallan a continuacin: Siga los siguientes pasos: 1. Comparacin de las pendientes en SPSS Ho: b1 = b2. Ir a Modelo general linear>Univariado> Agregar en variable dependiente: crecimiento, en factor fijo: tratamiento, en covariable: Peso. Luego ir a modelo y seleccionar personalizar. Luego agregar por separado el factor tratamiento y la covariable Peso. A continuacin en esa misma ventanilla agregar seleccionado al mismo tiempo tratamiento y la covariable Peso para que realice la interaccin. El out put de este anlisis es el siguiente:
Tests of Between-Subjects Effects Dependent Variable: Crecimiento Source Corrected Model Intercept Tratamiento Peso Tratamiento * Peso Error Total Corrected Total Type III Sum of Squares ,259(a) ,036 ,009 ,239 ,011 ,043 33,777 ,302 df 3 1 1 1 1 12 16 15 Mean Square ,086 ,036 ,009 ,239 ,011 ,004 F 24,158 9,965 2,577 66,817 3,046 Sig. ,000 ,008 ,134 ,000 ,106

a R Squared = ,858 (Adjusted R Squared = ,822)

Para poner aprueba la hiptesis de Ho: b1 = b2, el valor de probabilidad es de 0,106 (p>0,05). La conclusin es que se falla en rechazar la hiptesis, por lo que las pendientes son iguales. PODEMOS CONTINUAR CON EL ANALISIS DE ANCOVA. 2. Comparacin del efecto de los tratamientos en SPSS Ho: X1 = X2. Modelo general linear>Univariado> Agregar en variable dependiente: crecimiento, en factor fijo: tratamiento, en covariable: Peso. Luego ir a modelo y seleccionar full factorial.

El out put de este anlisis es el siguiente:

Tests of Between-Subjects Effects Dependent Variable: Crecimiento Source Corrected Model Intercept Peso Tratamiento Error Total Corrected Total Type III Sum of Squares ,248(a) ,032 ,230 ,025 ,054 33,777 ,302 df 2 1 1 1 13 16 15 Mean Square ,124 ,032 ,230 ,025 ,004 F 29,993 7,671 55,665 6,101 Sig. ,000 ,016 ,000 ,028

a R Squared = ,822 (Adjusted R Squared = ,794)

3. Para poner aprueba la hiptesis Ho: X1 = X2, tenemos que la probabilidad es de 0,028. cul es la conclusin?.