Calculadora ANCOVA

Usa ANCOVA cuando quieras comparar grupos pero necesites controlar una variable que de otro modo podría confundir tus resultados. Por ejemplo, si estás comparando puntuaciones de exámenes entre métodos de enseñanza pero los estudiantes comenzaron con diferentes niveles de habilidad, ANCOVA te permite "nivelar el campo de juego" ajustando estadísticamente esas diferencias preexistentes, dándote una comparación más limpia de lo que realmente te importa.

¿Qué es ANCOVA?

El Análisis de Covarianza (ANCOVA) combina ANOVA y regresión. Compara medias de grupos mientras controla estadísticamente una variable continua (covariable).

Pregunta respondida: "¿Difieren los grupos después de ajustar por una variable confusora?"

Ejemplos:

• Comparar puntuaciones post-tratamiento entre grupos, controlando las puntuaciones pre-tratamiento
• Comparar métodos de enseñanza mientras se ajusta por conocimiento previo
• Comparar efectos de medicamentos mientras se controla la severidad base

¿Por qué usar ANCOVA?

Reducir la varianza del error

Al contabilizar la influencia de una covariable, ANCOVA reduce la varianza no explicada, aumentando la potencia estadística.

Controlar confusores

Los grupos pueden diferir en una variable que afecta el resultado. ANCOVA ajusta por esto.

Ejemplo sin ANCOVA:

El tratamiento parece mejor (+15 vs +15), pero el grupo de tratamiento comenzó más alto.

Con ANCOVA: Ajustar por la puntuación pre podría revelar el verdadero efecto del tratamiento.

El modelo ANCOVA

$Y_{ij} = \mu + \tau_i + \beta(X_{ij} - \bar{X}) + \epsilon_{ij}$

Donde:

• $Y_{ij}$ = resultado para el sujeto j en el grupo i
• $\mu$ = media general
• $\tau_i$ = efecto del grupo i
• $\beta$ = coeficiente de regresión para la covariable
• $X_{ij}$ = valor de la covariable
• $\bar{X}$ = media de la covariable
• $\epsilon_{ij}$ = término de error

Cómo funciona

Paso 1: Ajustar líneas de regresión

Ajusta líneas de regresión paralelas (resultado vs covariable) para cada grupo.

Paso 2: Calcular medias ajustadas

Ajusta las medias de grupo a lo que serían si todos los grupos tuvieran el mismo valor de covariable:

$\bar{Y}_{adj,i} = \bar{Y}_i - \hat{\beta}(\bar{X}_i - \bar{X})$

Paso 3: Probar medias ajustadas

Compara las medias ajustadas usando la prueba F.

Ejemplo de cálculo

Escenario: Comparar dos métodos de capacitación, controlando por experiencia previa.

Medias no ajustadas:

• Método A: 80,75
• Método B: 81,75

Después de ANCOVA (ajustando por experiencia):

• Método A ajustado: 81,5
• Método B ajustado: 81,0

La diferencia aparente desaparece en gran medida después del ajuste.

Supuestos

Linealidad

La relación entre la covariable y el resultado debe ser lineal.

Verificar: Diagrama de dispersión del resultado vs covariable, buscar patrón de línea recta.

Homogeneidad de pendientes de regresión

Las pendientes de regresión deben ser iguales entre grupos (líneas paralelas).

$\beta_1 = \beta_2 = \cdots = \beta_k$

Verificar: Probar interacción grupo × covariable. Si es significativa, las pendientes difieren—considera alternativas.

Independencia de covariable y tratamiento

La covariable no debe verse afectada por el tratamiento.

Regla: Mide la covariable antes de que comience el tratamiento (por ejemplo, puntuaciones pre-test, características basales).

Normalidad de residuos

Los residuos deben ser aproximadamente distribuidos normalmente.

Homogeneidad de varianza

La varianza del error debe ser igual entre grupos.

Covariable medida sin error

El error de medición en la covariable atenúa el ajuste.

Probando supuestos

Homogeneidad de pendientes

Incluir término de interacción: Grupo × Covariable

Si la interacción es significativa (p < 0,05), las pendientes difieren. Opciones:

• Reportar análisis separados por grupo
• Usar técnica de Johnson-Neyman
• Considerar alternativas (modelos multinivel)

Verificando linealidad

Inspección visual de gráficos de residuos o curvas LOESS.

Medias ajustadas

La salida clave de ANCOVA son las medias ajustadas (mínimos cuadrados):

$\bar{Y}_{adj,i} = \bar{Y}_i - b(\bar{X}_i - \bar{X}_{general})$

Estas representan lo que sería la media de cada grupo si todos los grupos tuvieran valores de covariable idénticos.

Tamaño del efecto

Eta-cuadrado parcial

$\eta^2_p = \frac{SS_{grupo}}{SS_{grupo} + SS_{error}}$

Omega-cuadrado parcial

Alternativa menos sesgada:

$\omega^2_p = \frac{SS_{grupo} - gl_{grupo} \times CM_{error}}{SS_{grupo} + (N - gl_{grupo}) \times CM_{error}}$

Múltiples covariables

ANCOVA puede incluir múltiples covariables:

$Y_{ij} = \mu + \tau_i + \beta_1(X_{1ij} - \bar{X}_1) + \beta_2(X_{2ij} - \bar{X}_2) + \cdots + \epsilon_{ij}$

Cada covariable elimina varianza adicional del término de error.

ANCOVA vs. alternativas

ANCOVA vs. ANOVA sobre puntuaciones de cambio

ANCOVA es generalmente más potente y maneja mejor la regresión a la media.

ANCOVA vs. bloqueo

ANCOVA es más flexible para covariables continuas.

ANCOVA vs. emparejamiento

El emparejamiento crea grupos equivalentes en la base; ANCOVA ajusta estadísticamente. ANCOVA requiere muestras más pequeñas pero hace más supuestos.

Aplicaciones

Ensayos clínicos

Ajustar por severidad basal, edad u otros factores pronósticos.

Investigación educativa

Controlar por logro previo cuando se comparan intervenciones.

Psicología

Ajustar por diferencias preexistentes en diseños cuasi-experimentales.

Agricultura

Controlar por calidad del suelo, rendimiento previo, etc.

Errores comunes

Covariable afectada por el tratamiento

Si la covariable puede cambiar debido al tratamiento (por ejemplo, mediador), los resultados de ANCOVA están sesgados.

Ignorar pendientes no paralelas

Si las pendientes difieren significativamente, el ANCOVA estándar es inválido.

Extrapolación extrema

Las medias ajustadas no son confiables cuando los grupos tienen rangos de covariable muy diferentes con mínima superposición.

Usar covariable post-tratamiento

La covariable debe medirse antes o independientemente del tratamiento.

Reportando resultados

Formato APA:

"Se realizó un ANCOVA con el método de capacitación como variable independiente, el rendimiento como variable dependiente y la experiencia previa como covariable. Después de ajustar por experiencia, no hubo diferencia significativa entre los métodos de capacitación, F(1, 5) = 0,24, p = ,65, η²_p = ,05. Las medias ajustadas fueron 81,5 (EE = 1,8) para el Método A y 81,0 (EE = 1,8) para el Método B."

Incluir:

• Estadístico F con grados de libertad
• Valor p
• Tamaño del efecto
• Medias ajustadas con errores estándar
• Coeficiente de regresión de la covariable

Contexto histórico

R.A. Fisher desarrolló ANCOVA en la década de 1930 como una extensión de ANOVA. Inicialmente se aplicó en experimentos agrícolas para controlar la variabilidad del suelo.

El método se usó ampliamente en ciencias sociales y medicina donde la asignación aleatoria no siempre es posible o donde las diferencias basales necesitan control estadístico.

Cálculos relacionados

• ANOVA de una vía — Sin covariable
• ANOVA de dos vías — Múltiples factores
• Regresión lineal — Modelo de predicción
• Regresión múltiple — Múltiples predictores

Resumen

ANCOVA compara medias de grupos mientras controla una covariable continua. Reduce la varianza del error y ajusta por variables confusoras. Los supuestos clave incluyen linealidad, pendientes de regresión homogéneas y covariable medida antes del tratamiento. Reporta medias ajustadas, estadístico F, valor p y tamaño del efecto. Usa ANCOVA cuando los grupos puedan diferir en una variable preexistente que influye en el resultado. Verifica el término de interacción para confirmar pendientes paralelas antes de interpretar los efectos principales.