تحلیل کواریانس (ANCOVA) در اصل به پژوهشگر امکان می‌دهد تا متغیرهایی را که بخشی عمده ای از طرح تحلیل واریانس نیستند ولی ممکن است با متغیرهای مستقل و وابسته همبستگی داشته باشند و موجب روابط ساختگی در تحلیل واریانس شوند را کنترل کند. با روان حامی همراه باشید.
در آزمایش‌های تصادفی‌شده فرض بر این است که گمارش تصادفی شرکت‌کنندگان برای شرایط مختلف مطالعه، موجب یکسان شدن شرایط از نظر تأثیر همه متغیرها به جز متغیر مستقل می‌شود.
البته استفاده از روش تصادفی در درازمدت کار می‌کند – آن ممکن است شرکت‌کنندگان را به طور کامل در هر یک از شرایط پیش از تدبیر آزمایشی یکسان نکند. علاوه بر این از ANOVA در مطالعه‌های غیرآزمایشی استفاده کرد. در این گونه موارد کاملاً ممکن است که شرکت‌کنندگان در بعضی عوامل مرتبط با متغیر وابسته متفاوت باشد. ANCOVA به شما امکان می‌دهد تا نفوذ متغیرهایی را که بخش اصلی طرح ANOVA نیستند بررسی کنید.
ANCOVA در SPSS میانگین‌های متغیر وابسته تعدیل شده برای متغیر همگام را به شما می‌دهد. به عبارت دیگر همه شرکت‌کنندگان را از نظر همپراش یکسان می‌کند و نمره‌های متغیر وابسته را تعدیل می‌کند تا این یکسانی را منعکس نماید.
ANCOVA خطای واریانس ناشی از تفاوت‌های فردی را که بر متغیر وابسته تأثیر می‌گذارند تعدیل می‌کند. این کار به سطح معناداری جدیدی منجر می‌شود که از نظر آماری خیلی معنادار است. البته هر چند نباید چنین باشد.
چه وقت می‌توان از تحلیل واریانس (ANCOVA) استفاده کرد؟
تحلیل کواریانس (ANCOVA) باید با محدودیت‌هایی به کار برد. برای مثال داشتن بیش از چند متغیر همپراش مطلوب نیست. متغیرهای همپراش باید به گونه‌ای انتخاب شوند که آگاهانه بدانیم با متغیر وابسته همبسته‌اند- در غیر این صورت استفاده از آنها بی‌ُفایده است. در ANCOVA بین متغیرهای همپراش باید همبستگی ضعیف برقرار باشد تا مؤثر باشد.
چه موقع نباید از تحلیل کواریانس (ANCOVA) استفاده شود؟
یک شرط لازم این است که همبستگی بین متغیرهای همپراش و متغیر وابسته باید در سراسر داده‌ها یکسان باشد. شیب رگرسیون نباید در شرایط مختلف آزمایش متفاوت باشد، زیرا ANCOVA با شیب رگرسیون متوسط بهتر کار می‌کند و ممکن است در شرایط خاصی که رگرسیون همسان نیست مناسب نباشد. SPSS برای همسانی رگرسیون آزمونی را انجام می‌دهد. با این آزمون، یکسانی شیب رگرسیون برای هر یک از شرایط متغیر مستقل بررسی می‌شود. متغیرهای همپراش ناپایا ممکن است مشکلاتی به بار آورند، زیرا ANCOVA بر مفروضه پایا بودن متغیرهای همپراش استوار است.
البته معدودی از متغیرهای روانشناختی وجود دارند که ممکن است مثلا مانند سن پایا باشند. اگر متغیرهای همپراش ناپایا باشند، برآورد میانگین‌های تعدیل شده ممکن است متورم شوند که در نتیجه توان معناداری آزمون کاهش می‌یابد.
شرایط لازم داده‌ها برای تحلیل کواریانس (ANCOVA)
به طور کلی هر مدلی از ANOVA را می‌توان به عنوان یک ANCOVA به کار برد. متغیرهای همپراش در ANCOVA باید یک رابطه خطی مشخص با متغیر وابسته داشته باشند. در غیر این صورت ANCOVA مفید نخواهد بود. روابط منحنی خطی به دلیل روشی که ANCOVA بر اساس آن کار می‌کند نامناسب است. از به کار بردن متغیرهای گسسته مانند جنسیت به عنوان متغیر همپراش در ANCOVA اجتناب کنید. در هر حال اینگونه متغیرها را می‌توان به عنوان متغیرهای مستقل اضافی به کار برد.
مشکلات استفاده از تحلیل کواریانس
هنگامی که در مورد رابطه علیت در تحلیل کواریانس سخن به میان می‌اید باید از نظر مفهومی درباره‌ی آن بسیار محتاط بود. کنترل متغیرهای همپراش در ارتباط با موضوع علیت مصداق چندان قوی‌ای ندارد.
به طور کلی تحقق تمامی مفروضات لازم برای داده‌های ANCOVA نستباً دشوار است، لذا هنگامی که معناداری نتایج ANCOVA در مرز معناداری است، به رعایت احتیاط فوق‌العاده نیاز است.
Source: Statistical Soup: ANOVA, ANCOVA, MANOVA, & MANCOVA
تحلیل داده‌های رواشناسی با استفاده از SPSS نوشته کرامر و هویت، انتشارات سخن
 چییست؟ تعریف و مفروضه‌های آن){kind=link}