A Anlise de covarincia pode ser explicada como uma mistura de anlise de
varincia e regresso. O principal motivo para o uso das covariveis em um dado experimento aumentar a preciso do estudo pela diminuio da varincia do resduo experimental. Na maioria das situaes, a utilizao da anlise de varincia (ANCOVA) pode ser empregada para diminuir o efeito de fatores que o pesquisador no consegue controlar de maneira efetiva. Na tentativa de incluir vrios nveis de uma varivel qualquer como um fator faz com que o delineamento utilizado seja muito complexo e de difcil instalao. Nesse sentido, varivel pode ser posta como uma covarivel, sendo preciso um ajustamento da varivel dependente, antes de comparar as mdias dos grupos. Deve-se levar em considerao que estas covariveis so correlacionadas entre si e com a varivel principal e podem ser ou no dependentes dos tratamentos (de efeito fixo ou de efeito aleatrio).
As covarincias podem tambm ser utilizadas em situaes nas quais as parcelas
no podem ser aleatoriamente distribudas aos tratamentos. Assim, o princpio da casualidade perdido no estudo e a ANCOVA a melhor alternativa para a elaborao do modelo matemtico inerente. A anlise da covarincia tem as suas aplicaes classificadas em: a) auxiliar na interpretao dos dados experimentais; b) decompor a covarincia total em componentes; c) controlar o erro e aumentar a preciso da anlise de dados; d) ajustar as mdias dos tratamentos em funo das mdias das covariveis; e) estimar dados perdidos.
A covarincia pode ajudar no auxlio na anlise e interpretao de dados. Em
experimentos, considerando efeito fixo e em delineamento qualquer. No qual so testadas p variveis dependentes e correlacionadas. chamada de anlise de varincia multivariada. Com auxlio de matrizes obtemos a as somas dos quadrados, quadrados mdios. A hiposete a ser testada sobre a igualdade dos vetores de efeitos de tratamentos, como so feitos testes para provar a significncia para contrastes entre estimativas de vetores de mdias de tratamentos. nessas diferenas entre os tratamentos so testados simultaneamente para as p variveis que so correlacionadas. nesta correlao entre variveis dependentes, que se torna este procedimento mais vantajoso na avaliao do efeito de tratamento, devendo ser usado, nestes casos, apesar de maior complexidade na analise e na interpretao.
Outra aplicao da anlise de covarincia decompor a covarincia total em
componentes. Este procedimento aplicado quando os tratamentos so de efeito aleatrio (exemplo: prognies de uma espcie vegetal ou animal), com grau de parentesco conhecido ou simplesmente para diferentes gentipos. O objetivo obter estimativas de correlao gentica, correlao ambiental (ou do erro) e correlao fenotpica (ou total) entre quaisquer duas variveis avaliadas no experimento.
O controle do erro experimental e o ajuste de mdias tambm umas das
apliacacoes da covarincia Sabemos que a varincia de um contraste entre duas mdias estimadas. Sabendo que o constraste entre duas mdias estimadas V(Z), em que Z = Mi + mi, a qual a estimativa de V(Z)= 2.QMe/J. Para aumentar a preciso na comparao de mdias de tratamentos deve -se reduzir V(Z), isto pode ser obtido aumentando-se J e/ou reduzindo QMe. Quando a covarincia usada como um mtodo de controle do erro, isto , controlar V Z , entendemos que a variao observada na varivel dependente (Y) , em parte, atribuda a variao na covarivel (X). Portanto, isto implica em que a variao entre as mdias (Y) de tratamentos so afetadas pela variao entre as mdias (X) de tratamentos, e que, para poder comparar os tratamentos, as mdias (Y) de tratamentos devem ser ajustadas de tal forma a torn-las as melhores estimativas, como as seriam se as mdias (X) de tratamentos fossem todas iguais. Similarmente, se o objetivo principal da covarincia ajustar as mdias (Y) de tratamentos, via regresso linear (ou quadrtica ou outra qualquer), ento, obtm-se tambm um ajustamento do erro experimental.
A modelo estatstico da ANCOVA o mesmo na anlise de varincia. A diferena
somente o acrscimo de termos adicionais para as covariveis e as pressuposies para o modelo so a somatria das pressuposies da anlise de varincia e da regresso linear
Paro o delineamento em blocos ao acaso, com uma covarivel X, o modelo sera
este: m +ti + bj + (Xij X..) + eij. Em que: Yij uma observao (varivel dependente Y) do tratamento i no bloco j; Xij uma observao da covarivel X na parcela que recebeu o tratamento i no bloco j; m, ti, bj e so os parmetros, no correlacionados; e eij o erro experimental . As presuposicoes necessrias para a validade da analise de covarincia so : a) as observaes Xij so de efeito fixo e medidas sem erro, independente do efeito de tratamento(isto, deve ser verificado); b) a regresso de Y sobre X, aps removidos os efeitos de tratamentos e de blocos, linear e independente dos tratamentos e de blocos. Sendo assim, o coeficiente de regresso linear homogneo; c) Os resduos so normais e independentemente distribudos com mdia zero e variancia comum . Esta pressuposio d a validade para os testes de t e F. A casualizao nas parcelas, geralmente, garante a homegeneidade nas variancnias dos erros. Para a estimao de componentes de variancia e covarincia se exige apenas casualizao, sendo dispensvel a normalidade.
Em suma, a ANCOVA, utilizado nas anlises de experimentos (qualquer
delineamento) com tratamentos de efeito fixo em que a varivel dependente principal (Y) afetada por uma ou mais variveis dependentes secundrias (X 1 , X 2 ,...), denominadas covariveis. Estas covariveis devem, sob certas circunstncias, serem independentes dos efeitos dos tratamentos e so usadas adequadamente para ajustar as mdias (Y) de tratamentos, resultando, geralmente, em aumento na preciso do experimento.