Sunteți pe pagina 1din 6

133

CAPTULO 10
ANLISIS DE COVARIANZA (ANCOVA)


10.1 INTRODUCCIN

Uno de los problemas con el que frecuentemente se enfrenta el investigador, es el de controlar
aquellos factores que no le he es posible medir y cuyo efecto no puede justificar, los cuales constituyen
el error experimental. Una de las formas de minimizar este error es mediante la aleatorizacin de los
tratamientos y la utilizacin de material experimental muy homogneo. Sin embargo, la aleatorizacin
difcilmente cancela la influencia de las variables involucradas en el error y la disponibilidad de
material experimental homogneo no es frecuente en algunos experimentos, principalmente con
animales, quedando restringidos a experimentos de laboratorio, invernadero o con animales de bioterio.

Ronald Fisher en 1932 desarroll una tcnica conocida como Anlisis de Covarianza, que
combina el Anlisis de Regresin con el Anlisis de Varianza. Covarianza significa variacin
simultnea de dos variables que se asume estn influyendo sobre la variable respuesta. En este caso se
tiene la variable independiente tratamientos y otra variable que no es efecto de tratamientos pero que
influye en la variable de respuesta, llamada a menudo: covariable.

El Anlisis de Covarianza consiste bsicamente en elegir una o ms variables adicionales o
covariables que estn relacionadas con la variable de respuesta, evitando que los promedios de
tratamientos se confundan con los de las covariables, incrementando de esa manera la precisin del
experimento. Por ejemplo: nmero de plantas por unidad experimental, pesos iniciales en animales,
grado de infestacin de garrapatas, das de lactancia o edad de destete, etc.; pueden ser covariables que
influyan en el resultado final y cuyo efecto de regresin sobre la variable respuesta el investigador
desea eliminar, ajustando las medias de tratamientos a una media comn de X. En este anlisis se
asume que la variable dependiente Y est asociada en forma lineal con la variable independiente X,
existiendo homogeneidad de pendientes.

El procedimiento de anlisis comprende:

a) ANDEVA para X (covariable),

b) ANDEVA para Y (variable de respuesta),

c) Estimacin del coeficiente angular de la regresin.

d) Obtencin de la ecuacin de regresin y ajuste a los promedios de la variable de respuesta.


10.2 SUPOSICIONES BSICAS DEL ANLISIS DE COVARIANZA

Como es de esperarse, las suposiciones que se hacen cuando se efecta un anlisis de
covarianza son similares a las requeridas para la regresin lineal y el anlisis de varianza. De esta
manera, se encuentran las suposiciones usuales de independencia, normalidad, homocedasticidad, X
fijas, etc. Para ser ms exactos, se presenta a continuacin los modelos estadsticomatemticos
asociados con algunos de los diseos ms comunes cuando se realiza un anlisis de covarianza.


134
a) Diseo Completamente al Azar
i = 1 , . . . , t
Y
ij
= +
i
+ (X
ij
X.. ) +
ij


j = 1 , . . . , r

Y
ij

= Variable de respuesta medida en la jsima repeticin y el isimo tratamiento.
= Media general

i

= Efecto del isimo tratamiento.
= Coeficiente angular de la regresin.
X
ij

= Variable independiente o covariable.
X.. = Media general de la covariable.

ij
= Error experimental.

b) Diseo en bloques completos al azar.

i = 1 , . . . , t
Y
ij
= +
i
+ p
j
+ (X
ij
X.. ) +
ij

j = 1 , . . . , r

Y
ij

= Variable de respuesta medida en la jsima repeticin y el isimo tratamiento.
= Media general

i

= Efecto del isimo tratamiento.
p
j
= Efecto del jsimo bloque o repeticin.
= Coeficiente angular de la regresin.
X
ij

= Variable independiente o covariable.
X.. = Media general de la covariable.

ij
= Error experimental.

c) Diseo cuadrado latino
i = 1 , . . . , t
Y
ijk
= +
i
+ p
j
+
k
+ (X
ijk
X.. ) +
ijk
k = 1 , . . . , t


j = 1 , . . . , r

Y
ijk

= Variable de respuesta medida en la jsima repeticin y el isimo tratamiento.
= Media general

i

= Efecto del isimo tratamiento.
p
j
= Efecto de la jsima fila.

k
= Efecto de la ksima columna.
= Coeficiente angular de la regresin.
X
ijk

= Variable independiente o covariable.
X.. = Media general de la covariable.

ij k
= Error experimental.

Otra suposicin necesaria para el anlisis correcto de covarianza, es que la variable concomitante X, no
debe ser afectada por los tratamientos.
135
10.3 EJEMPLO DE APLICACIN


Un grupo de estudiantes del curso de Investigacin Agrcola de la Escuela Nacional Central de
Agricultura evalu en 1990 el efecto del tiempo de cosecha sobre el rendimiento de grano de maz. Se
utilizaron 4 tratamientos y 3 repeticiones, con el diseo bloques completos al azar. Los tratamientos
fueron: 30, 40, 50 y 60 das despus de la polinizacin. El nmero de plantas planificado por parcela
til fue de 52, pero al cosechar se obtuvieron diferentes nmeros de plantas por unidad experimental.
Los resultados se presentan en el cuadro siguiente:

Repeticiones
I II III Tratamientos
x y x y x y x
i.
y
i.

30 41 4.08 24 2.78 31 2.79 96 9.65
40 37 4.72 32 4.92 38 4.50 107 14.14
50 37 4.00 34 5.05 47 5.54 118 14.59
60 35 4.59 22 3.63 44 6.20 101 14.42
x
.j
, y
.j
150 17.39 112 16.38 160 19.03 422 52.80

1. ANDEVA para las variables X y Y

ANDEVA para X ANDEVA para Y

FV GL SC CM
Valor
F
F
crtica

FV GL SC CM
Valor
F
F
crtica
Trats. 3 89.67 29.89 0.98 4.76 Trats. 3 5.64 1.88 2.29 4.76
Bloques 2 320.67 160.33 Bloques 2 0.89 0.45
Error 6 183.33 30.56 Error 6 4.92 0.82
Total 11 593.67 Total 11 11.45

X = nmero de plantas Y = rendimiento expresado en kilogramos/unidad experimental.

2. Estimacin del coeficiente angular de la regresin y del coeficiente de correlacin.

Factor de correccin = F.C. (x,y) =
t r t r
ij ij
i 1 j 1 i 1 j 1
x y
(422) (52.8)
1856.8
tr 4 3
= = = =
| | | |
| |
\ . \ .
= =




Suma de Productos Total para x y y. SPT(x,y)

t r
ij ij
i 1 j 1
SPT(x, y) x y F.C.(x, y) [(41 4.08) (37 4.72) ... (44 6.2)] 1856.8 60.16
= =
= = + + + =


Suma de Productos de Bloques para x y y. SPB (x,y)

t r
. j . j
i 1 j 1
x y
[(150 17.39) ... (160 19.03)]
SPB(x, y) F.C.(x, y) 1856.8 15.165
t 4
= =
+ +
= = =


136
Suma de Productos de Tratamietos para x y y. SPTrat (x,y)

t r
. j . j
i 1 j 1
x y
[(96 9.65) ... (101 14.42)]
SPTrat(x, y) F.C.(x, y) 1856.8 15.673
r 3
= =
+ +
= = =



Suma de Productos del Error para x y y. SPE (x,y)

SPE(x, y) SPT(x, y) [ SPTrat(x, y) SPB(x, y) ] 60.16 (15.673 15.165) 29.322 = + = + =

Coeficiente angular de la regresin:
SPE(x, y) 29.322

0.1599
SCE(x) 183.33
= = =

Este coeficiente da la relacin promedio de rendimiento por planta, es decir, el efecto de una
planta en promedio es de 0.1599 kg.

Debe aclararse que el coeficiente de regresin se supuso diferente de cero. Si este no fuera el
caso, la introduccin de la variable concomitante X sera una complicacin innecesaria. Algunas veces
el investigador querr comprobar estas suposiciones. Esto es, evaluar las hiptesis:

Ho: = 0 (no hay regresin lineal simple)
Ha: = 0

Utilizando la estadstica F (FisherSnedecor):

| |
2
2
SPE(x, y)
29.322
SCE(x)
183.33
F 100.50
CME(y ajustado) 0.04666318
= = =

que tiene v
1
= 1 y v
2
=(r1) (t1) 1, grados de libertad. En este caso F
crtica
(1,5,0.05) = 6.61. Por lo
tanto se concluye que la regresin lineal es significativa.

El clculo del coeficiente de correlacin lineal (r) se efecta de la manera siguiente:

SPE(x, y) 29.322
r 0.976
SCE(x) SCE(y) (183.33) (4.92)
= = =



Este valor de r puede ser evaluado con la prueba t de Student:

2 2
r 0.976
t n 5 10.02*
1 r 1 (0.976)
= = =



t crtica (5,0.05/2) = 2.57

siendo n = 5, el nmero de grados de libertad del residuo, luego de ser ajustado por la regresin (se le
rest un grado de libertar).
137
3. ANCOVA (los valores ajustados)

a) Clculo de la suma de cuadrados de la regresin lineal.

| | ( )
2 2
SPE(x, y) 29.322
SCReg 4.691
SCE(x) 183.33
= = =

b) Suma de cuadrados del residuo, ajustada a la regresin

SCE(y Ajustado) SCE(y) SCReg 4.92 4.69 0.23 = = =

c) Suma de cuadrados de los tratamientos, ajustada de acuerdo con la regresin

| |
2
[ SPTrat(x, y) SPE(x, y) ]
SCTrat Ajustada SCE(y) SCTrat(y) SCE(y Ajustada)
SCTrat(x) SCE(x)
+
= +
+



| |
( )
( )
2
15.673 29.332
SCTrat Ajustada 4.92 5.64 0.23 2.914
89.67 183.33
+
= + =
+


d) Resumen del ANCOVA


FV GL SCX SCY
Suma de
Productos

GL SC CM Valor F F crtica
Tratamientos 3 89.67 5.64 15.673 3 2.914 0.97 21.09* 5.41
Bloques 2 320.67 0.89 15.165
Error 6 183.33 4.92 29.322 5 0.23 0.04666
Total 11 593.67 11.45 60.16 10

De acuerdo con el ANCOVA, existen diferencias significativas entre tratamientos. En
consecuencia, es conveniente hacer un ajuste por nmero de plantas a los promedios de rendimiento, de
acuerdo con la siguiente ecuacin:

i. i. i.

y y (x x) = , siendo:

i.
y = promedio ajustado de cada tratamiento.

i.
y = promedio de cada tratamiento sin ajustar.

= coeficiente angular de la regresin.



i.
x = promedio del nmero de plantas de cada tratamiento.

x = promedio general del nmero de plantas.

138
e) El error estndar para la diferencia SE(d) entre dos medias ajustadas es dado por:

2
i j
i j
(x x )
1 1
SE(d) CME(y Ajustado)
r r SCE(x)

= + +





Cuando el nmero de repeticiones es el mismo para todos los tratamientos, el error estndar
para la diferencia entre dos medias ajustadas es dado por:

2
i j
(x x )
2 CME(y Ajustado)
SE(d) 1
r SCE(x)

= +





Cuando los valores de
1
x ,
2
x , . . . ,
t
x no son muy diferentes (lo que se puede concluir
cuando los tratamientos no producen efectos significativos en la variable X), se puede usar una
estimacin media para el error estndar, aplicable a cualquier contraste entre dos tratamientos. Esta
estimacin media tiene la siguiente expresin:

2 CME(y Ajustado) CMTrat(x)
SE(d) 1
r SCE(x)

= +





f) El clculo de los promedios ajustados del rendimiento de grano de maz
i.
y se presenta a
continuacin:


Tratamientos y
i.
x
i.

30 9.65
3.22
96
32.00 3.72
40 14.14
4.71
107
35.67 4.63
50 14.59
4.86
118
39.33 4.20
60 14.42
4.81
101
33.67 5.05



Media general 35.17



g) La presentacin final de los resultados quedar de la siguiente forma:


Das despus de la
polinizacin
Media ajustada
(kg/u.exp.)

60 5.05 a
40 4.63 a b
50 4.20 b c
30 3.72 c



i.
y
i.
x
i.
y

S-ar putea să vă placă și