Beruflich Dokumente
Kultur Dokumente
Introdução
A análise de covariância é uma técnica que tem por finalidade utilizar uma ou
mais variáveis auxiliares ou covariáveis (X) para complementar o controle local ou até
mesmo substituí-lo em alguns casos. Por exemplo, em um experimento de competição
de inseticidas para controle de uma praga de determinada cultura, podemos formar os
blocos de acordo com a infestação inicial das diferentes parcelas. As vezes não se
consegue formar blocos homogêneos e, então, pode-se utilizar os dados de infestação
inicial de cada parcela como uma variável auxiliar (covariável) na interpretação dos
dados de produção final.
A ANCOVA é usada para testar efeitos principais e de interações de variáveis
categóricas sobre uma variável dependente contínua, mediante controle dos efeitos de
outras variáveis contínuas (covariáveis) sobre a variável dependente. A estratégia da
ANCOVA consiste em gerar um modelo de regressão usando as covariáveis para
predizer a variável dependente e uma análise de variância sobre os resíduos da
regressão, para checar se as variáveis categóricas continuam significativamente
relacionadas à variável dependente, após remoção da variação devida às covariáveis
(WILDT e OLLI, 1978).
Nos modelos lineares quando as variáveis independentes são quantitativas, os
modelos lineares são denominados modelos de regressão; quando são qualitativas,
denominam-se modelos de análise de variância (ANOVA). Já quando existem varáveis
independentes quantitativas e qualitativas, os modelos são denominados modelos de
covariância (ANCOVA). O modelo de covariância é, na verdade, uma combinação das
técnicas de análise de variância e de análise de regressão.
Os modelos de covariância é uma instância dos modelos lineares em que
variáveis explicativas podem ser de natureza quantitativa e qualitativa. Os modelos de
covariância também devem atender a algumas suposições, tais como os modelos de
regressão tradicionais; são elas: (i) os erros devem ser aproximadamente normais e com
variância constante (homocedásticos); e (ii) o relacionamento entre as variáveis deve ser
linear. Deve-se, também, proceder com uma análise cuidadosa de outliers (ou valores
atípicos) com vistas a sua remoção do banco de dados, já que estes podem distorcer o
modelo final.
A análise de covariância será útil na condução de experimentos quando ajustar
médias de tratamentos para o valor que deveria ser obtido se caso não tivessem ocorrido
diferenças no valor da covariável e também na redução do erro experimental, o que
consequentemente implicaria no aumento da precisão para a comparação entre médias
dos tratamentos.
É importante ressaltar que a covariância só poderá ser usada se a covariável não
for afetada pelos tratamentos que estão sendo aplicados. Contudo, se for um
experimento de avaliação de níveis de fertilizantes utilizando apenas uma cultivar e
havendo diferenças na ocorrência do patógeno, é porque são devidas ao acaso. Neste
caso, pode-se reduzir a contribuição desta diferença via uma análise de covariância.
Steel e Torrie (1980) levantaram algumas suposições acerca do uso da análise de
covariância, em que citaram:
Os x’s são fixos, medidos sem o erro e independente dos tratamentos. Isto
implica que as inferências obtidas só se aplicam aqueles valores de x observados
naquele experimento. Eles devem ter sido obtidos com uma boa precisão. A condição de
independência dos tratamentos exige que os valores de x obtidos não sejam afetados
pelos tratamentos, como já mencionado várias vezes. A análise de variância do caráter x
fornece informação a este respeito;
A regressão de x e y, após a remoção das diferenças entre blocos e tratamentos, é
linear e independente dos tratamentos e blocos. Esta suposição implica que o efeito de x
é no sentido de aumentar ou de diminuir o valor de y por uma constante (b) multiplicada
bloco j;
( ΣY
) 2
SQTotal Y( ) =
YΣ −2 ∴
N
2
(2266)
SQTotal Y( ) =152.752− ∴
40
SQTotal Y( ) =24.383,10.
(ΣX) 2
SQTotal X( ) =
XΣ − ∴ 2
N
(323) 2
SQTotal X( ) =2.653− ∴
40
SQTotal X( ) =44,78.
(ΣY)(Σ
X)
SPTotal XY =Σ −
( ) XY ∴
N
(323)(2266)
( ) =
SQTotal XY 18.657− ∴
40
( ) =
SQTotal XY 359,05.
Para tratamentos tem-se:
1 1
SQT (Y ) = [422 2+ ...+ 512 2]− (2266) ∴
2
8 40
SQT (Y ) = 776,10.
1 1
SQT ( X ) = [67 2 + ...+ 66 2]− (323) ∴
2
8 40
SQT ( X ) = 8,16.
1 1
SP T( XY)= [(67)(422) ...+ (66)(512)]
+ − (323)(2266
8 40
SQ T( XY)= 12, 43.
Calculando as estimativas do coeficiente de regressão (b estimado) e coeficiente
de correlação (r).
ˆb = R( xy) 302, 37
= 11, 02.=
R( x2 ) 27, 44
R( xy) 302, 37
r= = 0, 457. =
R( x ) R( y ) (27, 44)(15.931, 50)
2 2
(302, 37)2
SQ RL= = 91.
3.331,
27, 44
Soma de quadrados do resíduo ajustada para a regressão:
[ R '(xy )∴]
2
1.324,33
QMT * = = 331,08.
4
QMT * 331,08
F= 2
= = 0,709.
s 466,65
Somas de quadrados e produtos
GL y2 xy x2
FV GL SQ QM F
Blocos 7 7.675,50 44,25 9,18
Verifica-se, pois, não foi significativo o efeito de tratamentos, mesmo com o uso
da covariância, embora este tenha dado um valor de F mais elevado do que se obteria se
a aplicação (0,709 em lugar de 0,487).
As médias ajustadas para os tratamentos, encontradas pela fórmula
Médias de tratamentos
Originais Ajustadas
Tratamentos
Yi Xi Yˆi =Yi −b ˆX(−
i X )
Testemunha 52,250 7,375 59,96
Disyston 55,125 8,625 49,06
Ekatin 59,125 7,750 62,71
Keltane 64,000 8,250 62,07
Diazinon 52,750 8,375 49,44
FV GL SQ QM F
Blocos 7 9,18 1,31
Tratamentos 4 8,16 2,04 2,08
Resíduos 28 27,44 0,98
Considerações Finais
Referências
COCHRAN, W. G. Analysis of covariance: its nature and uses. Biometrics, 13: 261 –
81, 1957.
Steel, R.G.D., and J.H. Torrie. 1980. Principles and Procedures of Statistics: A
Biometrical Approach (2nd Ed.). McGraw-Hill Inc., New York.