ANCOVA
In diesem Beitrag
Was versteht man unter ANCOVA?
Die ANCOVA (Analysis of Covariance) – auf Deutsch Kovarianzanalyse – ist ein statistisches Verfahren, das die klassische Varianzanalyse (ANOVA) mit der Regressionsanalyse kombiniert. Ziel ist es, den Einfluss einer oder mehrerer unabhängiger kategorialer Variablen (sogenannte Faktoren) auf eine abhängige metrische Variable zu untersuchen – während gleichzeitig der Einfluss einer oder mehrerer kontinuierlicher Störvariablen, der sogenannten Kovariaten, statistisch kontrolliert wird.
Formal lässt sich das ANCOVA-Modell als lineare Gleichung darstellen:
ANCOVA-Modell
Dabei steht für die abhängige Variable, für den Gesamtmittelwert, für den Effekt der Gruppenzugehörigkeit, für den Regressionskoeffizient der Kovariate und für den Fehlerterm.
Warum ist ANCOVA für statistische Analysen wichtig?
In vielen Forschungssituationen lassen sich Störeinflüsse nicht vollständig durch Randomisierung ausschließen – sei es aus ethischen, praktischen oder finanziellen Gründen. Die ANCOVA bietet zwei zentrale Vorteile:
- Erhöhung der statistischen Teststärke (Power): Indem die Kovariate einen Teil der Gesamtvarianz in der abhängigen Variable erklärt, wird die verbleibende Fehlervarianz reduziert. Dadurch werden echte Gruppenunterschiede leichter erkennbar.
- Statistische Kontrolle von Störvariablen: Bereits bestehende Unterschiede zwischen den Gruppen – etwa in Alter, Vorkenntnissen oder physiologischen Ausgangswerten – werden beim Gruppenvergleich herausgerechnet. So erhält man adjustierte Gruppenmittelwerte.
Damit die ANCOVA valide Ergebnisse liefert, müssen einige Voraussetzungen erfüllt sein:
- Die Kovariate ist metrisch skaliert und wird vor der Intervention gemessen.
- Es besteht ein linearer Zusammenhang zwischen der Kovariate und der abhängigen Variable.
- Die Regressionssteigungen (Koeffizient der Kovariate) sind in allen Gruppen gleich – die sogenannte Homogenität der Regressionssteigungen.
- Die Kovariate ist unabhängig von der Gruppenzugehörigkeit (besonders wichtig bei experimentellen Designs).
Praxisbeispiel zu ANCOVA
Eine Psychologin möchte untersuchen, ob eine neue kognitive Trainingsmethode (Gruppe A) im Vergleich zu einer klassischen Methode (Gruppe B) zu besseren Gedächtnisleistungen führt. Da die Teilnehmenden unterschiedlich alt sind und das Alter die Gedächtnisleistung bekanntermaßen beeinflusst, wird das Alter als Kovariate in die Analyse aufgenommen.
| Gruppe | Mittleres Alter | Gedächtnisscore (roh) | Gedächtnisscore (adjustiert) |
|---|---|---|---|
| A – Neue Methode | 38 Jahre | 74,2 | 71,8 |
| B – Klassische Methode | 45 Jahre | 68,5 | 71,1 |
Im rohen Vergleich (ohne Adjustierung) schneidet Gruppe A deutlich besser ab. Gruppe A ist jedoch im Durchschnitt 7 Jahre jünger – ein Vorteil, der nichts mit der Trainingsmethode zu tun hat. Nach der ANCOVA-Adjustierung für das Alter nähern sich die Mittelwerte stark an: Der scheinbare Vorteil von Methode A schmilzt auf einen marginalen Unterschied zusammen. Die ANCOVA hat den Alterseffekt herausgerechnet und liefert damit einen faireren Methodenvergleich.
aov() oder lm()) und Stata ermöglicht die Durchführung einer ANCOVA mit wenigen Befehlen. In R wird die ANCOVA oft einfach als lineares Modell mit einem kategorialen Faktor und einer kontinuierlichen Kovariate spezifiziert.
