Analiza kowariancji (ANCOVA) - kiedy stosować, założenia i interpretacja wyników

Analiza kowariancji (ANCOVA) to porównanie średnich kilku grup, w którym kontroluje się wpływ zmiennej ilościowej, zwanej zmienną towarzyszącą lub kowariantem, najczęściej pomiaru wyjściowego. ANCOVA łączy analizę wariancji z regresją liniową: najpierw usuwa z wyniku tę część zmienności, którą wyjaśnia zmienna towarzysząca, a potem porównuje grupy na tym, co zostało. Dzięki temu test jest zwykle czulszy niż zwykła ANOVA, a porównanie odbywa się na średnich skorygowanych.

Najczęstsze zastosowanie w pracach dyplomowych to badanie z pomiarem przed i po interwencji w kilku grupach, np. w fizjoterapii, pielęgniarstwie czy psychologii. W tym wpisie znajdziesz porównanie ANCOVA z ANOVA i z analizą różnic, pełny przykład na przykładowych danych, wszystkie założenia z wynikami ich sprawdzenia, interpretację średnich skorygowanych i gotowy opis w APA 7.

Kiedy stosować analizę kowariancji

• Badanie z pomiarem wyjściowym i końcowym w dwóch lub więcej grupach (przed i po programie, terapii, szkoleniu). Pomiar wyjściowy jest zmienną towarzyszącą, a końcowy zmienną zależną.
• Eksperyment, w którym chcesz zwiększyć moc testu, kontrolując zmienną silnie związaną z wynikiem (np. wynik testu inteligencji przy porównaniu metod nauczania).
• Porównanie grup, w których zmienna towarzysząca jest powiązana z wynikiem, ale nie jest skutkiem przynależności do grupy.

ANCOVA nie jest natomiast sposobem na „wyrównanie” grup, które różnią się na starcie z natury rzeczy (np. osoby z depresją i bez niej różnią się poziomem lęku). Miller i Chapman (2001) pokazali, że w takich badaniach kontrola zmiennej towarzyszącej może usunąć część samego efektu, który chcesz badać, i dać wynik trudny do zinterpretowania. W badaniach z losowym przydziałem do grup ANCOVA jest metodą zalecaną, w badaniach na grupach naturalnych wymaga ostrożnego opisu.

ANCOVA, ANOVA czy analiza różnic: co wybrać przy pomiarze przed i po

Przy danych typu przed i po masz trzy popularne możliwości: porównać same wyniki końcowe (ANOVA), porównać zmiany „po minus przed” (ANOVA na różnicach) albo porównać wyniki końcowe z kontrolą pomiaru wyjściowego (ANCOVA). Vickers i Altman (2001) wykazali, że w badaniach z randomizacją ANCOVA ma największą moc i nie jest wrażliwa na przypadkowe różnice grup na starcie. Van Breukelen (2006) dodał, że w badaniach bez randomizacji, na istniejących wcześniej grupach, ANCOVA i analiza różnic mogą prowadzić do sprzecznych wniosków i obie wymagają ostrożności.

Model mieszany z interakcją grupy i czasu opisujemy we wpisie o ANOVA z powtarzanymi pomiarami.

Przykład: program redukcji lęku w trzech grupach

Przykładowe dane: 72 studentów losowo przydzielonych do trzech grup po 24 osoby: trening uważności, trening relaksacyjny i grupa kontrolna. Lęk mierzono skalą 20-80 pkt przed programem i po sześciu tygodniach.

Pomiar przed i po silnie ze sobą koreluje (r = 0,84): osoby bardziej lękowe na starcie są też bardziej lękowe na końcu, niezależnie od grupy. Ta zmienność „osobnicza” zasłania różnice między grupami w zwykłej ANOVA.

Zwykła ANOVA na pomiarze końcowym

Jednoczynnikowa ANOVA dla wyników po programie nie wykazuje różnic: F(2, 69) = 2,16, p = 0,123, η²_p = 0,06. Średnie końcowe układają się w oczekiwanej kolejności, ale ogromna zmienność wewnątrz grup (suma kwadratów błędu 5 300,50) zasłania efekt.

ANCOVA z pomiarem wyjściowym

Po uwzględnieniu lęku wyjściowego suma kwadratów błędu spada z 5 300,50 do 1 524,64, bo pomiar wyjściowy wyjaśnia większość różnic między osobami. Efekt grupy staje się istotny: F(2, 68) = 3,77, p = 0,028, η²_p = 0,10. Kowariant traci jeden stopień swobody błędu (68 zamiast 69), co przy silnym związku jest niewielką ceną.

Analiza kowariancji: założenia i ich sprawdzenie

ANCOVA ma wszystkie założenia ANOVA i dwa dodatkowe, związane ze zmienną towarzyszącą:

Kowariant powinien być zmierzony przed interwencją, tak aby przynależność do grupy nie mogła na niego wpłynąć. Gdybyś jako kowariant wziął zmienną mierzoną po interwencji (np. poczucie zmęczenia po programie), ANCOVA usunęłaby część efektu samego programu. Kowariant powinien też być rzetelny, bo błąd pomiaru kowariantu osłabia korektę i przy grupach nierandomizowanych może dawać fałszywe różnice.

W badaniach z randomizacją nie testuje się różnic grup na starcie, bo każda różnica jest z definicji przypadkowa; wielu recenzentów jednak o to pyta. W przykładzie średnie wyjściowe nie różnią się istotnie, F(2, 69) = 0,47, p = 0,629. Szerzej o teście Levene'a piszemy we wpisie o jednorodności wariancji.

Jednorodność nachyleń regresji: założenie, o które pyta promotor

ANCOVA zakłada, że związek między kowariantem a wynikiem jest taki sam w każdej grupie, czyli że linie regresji są równoległe. Tylko wtedy różnica między grupami jest jedna, niezależna od poziomu wyjściowego. Sprawdzasz to, dodając do modelu interakcję grupa × kowariant. W przykładzie nachylenia wynoszą 0,95, 0,74 i 0,80, a interakcja jest nieistotna, F(2, 66) = 0,91, p = 0,408, więc założenie jest spełnione i interakcję usuwasz z modelu końcowego.

Gdy interakcja jest istotna, efekt grupy zależy od poziomu wyjściowego (np. program pomaga głównie osobom bardzo lękowym). Wtedy nie raportuje się jednej średniej skorygowanej różnicy, tylko opisuje interakcję jako wynik, co w praktyce jest już analizą moderacji: podaje się efekt grupy dla kilku poziomów kowariantu albo przedziały istotności metodą Johnsona-Neymana.

ANCOVA: interpretacja wyników i średnie skorygowane

Średnia skorygowana to przewidywany wynik końcowy grupy, gdyby wszystkie osoby miały na starcie taki sam, przeciętny poziom kowariantu (tutaj 47,28 pkt). Liczy się ją ze wzoru:

M_skor = M_po - b × (M_{przed, grupa} - M_{przed, ogółem})

gdzie b = 0,84 to wspólne nachylenie regresji wyniku końcowego na wyjściowy. Grupa uważności zaczynała z niższym lękiem (45,92 wobec 47,28 ogółem), więc jej średnia końcowa jest korygowana w górę: 40,17 + 0,84 × 1,36 = 41,31. Grupa relaksacji zaczynała wyżej, więc jej średnia spada z 43,58 do 42,73. Po korekcie przewaga uważności nad kontrolą to 3,73 pkt, a nie 5,16 pkt jak w surowych średnich: część surowej różnicy wynikała z tego, że grupa uważności miała niższy lęk już na starcie.

Istotny efekt grupy mówi tylko, że co najmniej dwie średnie skorygowane się różnią. Które, pokazują porównania parami średnich skorygowanych z poprawką na wielokrotne porównania (w SPSS: Estimated Marginal Means z poprawką Bonferroniego):

Tylko trening uważności obniżył lęk istotnie bardziej niż brak interwencji. Trening relaksacyjny dał średnio o 2,31 pkt niższy lęk niż kontrola, ale przedział ufności obejmuje zero. Różnica między obiema interwencjami jest mała i nieistotna. Po co poprawka na wielokrotne porównania i jak ją liczyć, wyjaśnia wpis o poprawce Bonferroniego.

Wielkość efektu η²_p = 0,10 oznacza, że grupa wyjaśnia 10% wariancji wyniku końcowego, która pozostała po usunięciu wpływu kowariantu. To częściowa eta kwadrat, więc nie sumuje się z η²_p kowariantu do 100%. Dla porównania: ANOVA na różnicach „po minus przed” daje tu F(2, 69) = 3,15, p = 0,049, η²_p = 0,08, czyli wynik na granicy istotności i mniejszy efekt niż ANCOVA.

ANCOVA w SPSS, jamovi i R

• SPSS: Analyze > General Linear Model > Univariate. Wynik końcowy do Dependent Variable, grupę do Fixed Factor(s), pomiar wyjściowy do Covariate(s). W Options lub EM Means wybierz średnie skorygowane dla grupy z porównaniami (Bonferroni) i zaznacz Estimates of effect size oraz Homogeneity tests. Jednorodność nachyleń sprawdzasz osobno: w oknie Model wybierz Custom (Build terms) i dodaj grupę, kowariant oraz ich interakcję.
• jamovi: Analyses > ANOVA > ANCOVA, kowariant w polu Covariates, średnie skorygowane w sekcji Estimated Marginal Means, porównania w Post Hoc Tests.
• R: aov(po ~ przed + grupa) lub lm() z funkcją car::Anova(type = 3), a średnie skorygowane pakietem emmeans.

Kolejność ma znaczenie przy sumach kwadratów typu I: w R wpisz kowariant przed czynnikiem albo użyj typu III. SPSS domyślnie liczy typ III i kolejność nie ma znaczenia.

Jak opisać ANCOVA w pracy (APA 7)

W tabeli podaj średnie przed i po oraz średnie skorygowane z błędem standardowym (jak w przykładzie), a w tekście test efektu grupy, wielkość efektu, wynik sprawdzenia jednorodności nachyleń i porównania parami. Ogólne zasady zapisu testów zebraliśmy we wpisie jak zaraportować wynik testu w APA 7. Przykładowy opis:

W celu porównania poziomu lęku po programie w trzech grupach przeprowadzono jednoczynnikową analizę kowariancji, w której zmienną towarzyszącą był poziom lęku przed programem. Założenie jednorodności nachyleń regresji zostało spełnione, F(2, 66) = 0,91, p = 0,408. Po uwzględnieniu lęku wyjściowego grupy różniły się istotnie poziomem lęku po programie, F(2, 68) = 3,77, p = 0,028, η²_p = 0,10. Porównania średnich skorygowanych z poprawką Bonferroniego wykazały, że uczestnicy treningu uważności (M = 41,31, SE = 0,97) mieli niższy poziom lęku niż osoby z grupy kontrolnej (M = 45,04, SE = 0,97), p = 0,025. Różnice między treningiem relaksacyjnym (M = 42,73, SE = 0,97) a pozostałymi grupami były nieistotne.

Typowe błędy

• Raportowanie surowych średnich końcowych zamiast skorygowanych przy opisie efektu ANCOVA.
• Pominięcie testu jednorodności nachyleń albo pozostawienie interakcji grupa × kowariant w modelu końcowym.
• Użycie jako kowariantu zmiennej mierzonej po interwencji.
• Traktowanie ANCOVA jako sposobu na „wyrównanie” grup naturalnych, które różnią się kowariantem z natury rzeczy.
• Dodawanie wielu kowariantów „na wszelki wypadek”; każdy zabiera stopień swobody, a te słabo związane z wynikiem nie zwiększają mocy.
• Brak porównań parami z poprawką, gdy grup jest więcej niż dwie.

Analizę kowariancji, podobnie jak inne modele spoza listy wyliczenia automatycznego, przygotowuje statystyk indywidualnie po bezpłatnej wycenie, z kontaktem przez czat w panelu. Przy pracach z interwencją, typowych w fizjoterapii, zakres takiej pomocy opisuje strona statystyka do pracy z fizjoterapii. Porównania grup analizą wariancji z testami post hoc oraz ANOVA z powtarzanymi pomiarami są dostępne w kreatorze wyceny.

Najczęstsze pytania

Czym różni się ANCOVA od ANOVA?

ANCOVA to analiza wariancji z dodaną zmienną ilościową (kowariantem), której wpływ usuwa się z wyniku przed porównaniem grup. Porównuje średnie skorygowane, czyli przewidywane przy jednakowym poziomie kowariantu. Gdy kowariant jest silnie związany z wynikiem, ANCOVA ma większą moc niż ANOVA.

Jakie są założenia ANCOVA?

Te same co w ANOVA (niezależność obserwacji, normalność reszt, jednorodność wariancji) oraz liniowy związek kowariantu z wynikiem i jednorodność nachyleń regresji w grupach. Kowariant powinien być zmierzony przed interwencją i niezależny od przydziału do grupy.

Jak sprawdzić jednorodność nachyleń regresji?

Dodaj do modelu interakcję grupy z kowariantem. Nieistotna interakcja oznacza, że nachylenia są podobne, więc usuwasz ją i liczysz właściwą ANCOVA. Istotna interakcja oznacza, że efekt grupy zależy od poziomu kowariantu i trzeba go opisać jak moderację.

ANCOVA czy ANOVA z powtarzanymi pomiarami przy pomiarze przed i po?

W badaniach z losowym przydziałem do grup ANCOVA z pomiarem wyjściowym jako kowariantem ma zwykle większą moc. ANOVA mieszana grupa × czas przy dwóch pomiarach odpowiada porównaniu zmian i lepiej pokazuje przebieg w czasie. W grupach nielosowych obie metody mogą dawać różne wnioski, więc wybór trzeba uzasadnić.

Co to są średnie skorygowane?

To przewidywane średnie wyniku w grupach przy założeniu, że wszystkie osoby mają taki sam, przeciętny poziom kowariantu. W SPSS nazywają się Estimated Marginal Means. Na nich opiera się interpretacja ANCOVA i porównania parami.