See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/315813817

Uso de Análisis de Covarianza (ANCOVA) en investigación científica (Use of

covariance analysis (ANCOVA) in scientific research)

Article · January 2008

CITATION READS

1 10,467

4 authors, including:

Johana Alessandra Castillo Innovaciones De Negocios

Universidad Nacional del Callao, El Callao Autonomous University of Nuevo León
56 PUBLICATIONS 280 CITATIONS 228 PUBLICATIONS 224 CITATIONS

SEE PROFILE SEE PROFILE

All content following this page was uploaded by Innovaciones De Negocios on 07 April 2017.

The user has requested enhancement of the downloaded file.

InnOvaciOnes de NegOciOs 5(1): 25 - 38, 2008
© 2008 UANL, Impreso en México (ISSN 1665-9627)

Uso de Análisis de Covarianza (ANCOVA) en investigación

científica
(Use of covariance analysis (ANCOVA) in scientific research)

Badii, M.H., J. Castillo & A. Wong

UANL, San Nicolás, N.L., México, [email protected]

Key words: ANCOVA, auxiliary variable, error reduction, statistics

Abstract. The basics of the ANalisis of COVAriance (ANCOVA) are given. The objectives and
the application of ANCOVA are laid out. Techniques for the estimation of contrasts and for the
control and reduction of the degree of error are discussed. The application of a simple ANCOVA
using real data is highlighted. The application of this technique in fixing the auxiliary variable in
experimentation is emphasized.

Palabras clave: ANCOVA, Estadística, reducción de error, variable auxiliar

Resumen. Se presentan las bases del ANálisis de COVArianza (ANCOVA). Se manejan los
propósitos y la aplicación de este método estadístico. Se discuten las técnicas para la estimación
de los contrastes, el control y la disminución del grado de error. Se presentan un ANCOVA
simple mediante un ejemplo de datos reales. Se enfatiza el papel de esta técnica estadística en
fijar el efecto de la variable auxiliar en el experimento.

Introducción

El análisis de la covarianza (ANCOVA) se trata de dos o más

variantes medidas y donde cualquier variable independiente mesurable no se
encuentra a niveles predeterminados, como en un experimento factorial
(Badii & Castillo, 2007, Badii et al., 2007a). La ANCOVA hace uso de
conceptos tanto del análisis de varianza como de la regresión. Este trabajo
trata la covarianza lineal. A menudo, una relación lineal es una aproximación
razonablemente buena para una relación no lineal con tal que los valores de
las variables independientes no cubran un intervalo muy amplio.

ANCOVA
26

Objetivos del análisis de la covarianza

El análisis de covarianza es apropiado para lograr dos objetivos

específicos: a) eliminar cualquier error sistemático fuera del control del
investigador que puede sesgar los resultados, y b) tener en cuenta las
diferencias en las respuestas debidas a las características propias de los
encuestados. Un sesgo sistemático puede ser eliminado por medio de la
asignación aleatoria de los encuestados a varios tratamientos. Sin embargo,
en estudios no experimentales, estos controles no son posibles. Por ejemplo,
al contrastar los anuncios publicitarios, los efectos pueden diferir
dependiendo del momento del día o de la composición de la audiencia y de
sus reacciones. El objetivo de la covarianza es eliminar cualquiera de los
efectos que a) influyen solamente a una parte de los encuestados, b) varían
entre los encuestados. Por ejemplo, las diferencias personales, tales como
actitud u opiniones, pueden afectar a las respuestas, pero el experimento no
las incluye como un factor de tratamiento. El investigador utiliza una
covarianza para extraer cualquiera de las diferencias debidas a estos
factores antes de que los efectos del experimento sean calculados. Este es el
segundo papel del análisis de la covarianza.

Usos de análisis de covarianza

Los usos más importantes del análisis de la covarianza son:

1. Para controlar el error y aumentar la precisión.

2. Ajustar medias de tratamientos de la variable dependiente a las
diferencias en conjuntos de valores de variables independientes
correspondientes.
3. Interpretación de la naturaleza de los efectos de los tratamientos.
4. Dividir una covarianza total o suma de productos cruzados en
componentes.

Control y reducción del error

La varianza de una media de tratamiento es σ x = σ / n . Así, para
2 2

disminuir esta varianza, sólo tenemos dos enfoques: el aumento del tamaño de
la muestra o el control de la varianza en una población muestreada (Badii et al.,
2004, Badii et al., 2006, Badii et al., 2007b).

M.H. Badii et al.

 27

El control de varianza se logra mediante el diseño experimental o

mediante el uso de una o más covariables. Ambos métodos pueden usarse
simultáneamente. Cuando se usa la covarianza como método para reducir el
error, esto es, de controlar σ2, se hace reconociendo el hecho de que la
variación observada de la variable dependiente Y es parcialmente atribuible a
la variación de la variable independiente X.
El uso de la covarianza para controlar el error es un medio de
aumentar la precisión con la cual los efectos de los tratamientos pueden
medirse eliminando, por regresión, ciertos efectos reconocidos que no
pueden ser o no han sido controlados efectivamente por el diseño
experimental. Por ejemplo, en un experimento de nutrición animal para
comparar el efecto de varías raciones en el momento de peso, los animales
asignados a un bloque varían en peso inicial. Ahora, si el peso inicial está
correlacionado con la ganancia de peso, una porción del error experimental
en la ganancia puede deberse a diferencias en el peso inicial. Mediante el
análisis de la covarianza, esta porción, una contribución que puede atribuirse
a diferencias en el peso inicial puede calcularse y eliminarse del error
experimental para ganancia.

Ajuste de medias de tratamientos

Con cierta frecuencia, en la investigación ocurre que,

simultáneamente con los valores de la característica en estudio (sobre cada
unidad experimental), los valores de una o más variables no aleatorias, cuya
medida se realiza sin error y cuyo efecto sobre la característica de interés, es
importante determinar.

Análisis de covarianza simple

En un experimento de bloques completos al azar (Tabla 1), los

valores características de interés son yij y xij . El xij es la variable compañera
(covariable), si se desea que xij ejerza alguna influencia sobre yij se aplica el
análisis de covarianza; el modelo lineal es:

y ij = µ + β i + T j + γX ij + eij (1)

ANCOVA
28

Donde, i = 1,...,r; j = 1,..., t; yij = valor observado; µ = efecto general, β =

efecto de bloque; Tj = efecto de tratamiento; γ Xij = coeficiente de covarianza,
& eij = error aleatorio de manera que:

E(eij) = ∅ E(eij2) = δ2 ,

El valor de la respuesta observada sobre las unidades

experimentales, mediante estimación de contrastes entre efectos de
tratamientos, quiere decir probar la significancia de los mismos y de la
covariable.

Estimación de contrastes

1. Ignorando la covariable en la expresión (1):

Yij = µ + β i + T j + eij (2)

Este ajuste produce el mínimo de la SC de los errores Eyy:

• E yy = SCtotal − SCtrat . − SCbloque

Y..2
SCtotal =∑y − 2

rt
ij
Y..2
• ij Fc = donde rt = n
rt

Y. 2j Y..2
• SC trat . = ∑ −
j r rt

Yi .2 Y..2
SCbloques = ∑ −
• i t rt
Y. 2j Yi.2 Y..2
• SC de los errores para Yij : E yy = ∑ yij2 − ∑ −∑ +
ij j r i t rt

M.H. Badii et al.

 29

El mejor estimador lineal no sesgado de un contraste entre efectos de

tratamientos es:

t λ j Y. j t λ j Ti
∑ r
=∑
r
i =1 i =1 (3)

2. Operando de forma análoga, se calculan Exx y Exy:

• SC errores para covariante:

 X ..2   X . j X ..2   X i2. X ..2 

2

E xx = ∑ X ij −
2
 − ∑ −  − ∑ −  (4)
 ij rt   j r rt   i t rt 

• SC Error Multiplicado:


E xy = ∑ X ij Yij −
( X ..)(Y ..) −  X . j Y. j − F  −  X i.Yi. − F 
 ∑ c ∑ t c
(5)
 ij rt   j r   i 

• Factor de corrección multiplicado

Fc =
( X ..)(Y ..) (6)
rt

• SC de Bloques:
r
X i2. X ..2
SC bloque = B xx = ∑ − (7)
i =1 t rt
• SC de Tratamientos:
t X .2j X ..2
SCtrat . = Txx = ∑ − (8)
j =1 r rt

• SC de Tratamientos para X:
r t
X ..2
SC totalxx = ∑∑ X ij2 − (9)
i =1 j =1 rt

ANCOVA
30

• SC de Bloques Multiplicado XY:

r
X i.Yi.
SC bloquexy = B xy = ∑ − Fc (10)
i =1 t

• SC Tratamientos Multiplicados:
t X . j Y. j
SC trat . xy = Txy = ∑ − Fc (11)
j =1 r

• SC Total Multiplicado:
r t
SCtotalxy = ∑∑ X ij Yij −
( X ..)(Y ..) (12)
i =1 j =1 rt

Tabla 1. Análisis de varianza de productos cruzados.

FV gl SC y de productos cruzados
X.X X.Y Y.Y
Bloques (repeticiones) r-1 Bxx Bxy Byy
Tratamientos t-1 Txx Txy Tyy
Error (r-1)(t-1) Exx Exy Eyy
Total rt - 1 SCtot.xx SCtot.xy SCtot.yy

3. Cálculo de coeficientes de covariante

El Coeficiente de covariantes:
E xy
γˆE xx = E xy ⇒ γˆ = (13)
E xx

E xy2
Donde el calculo de error XY es igual a γˆE xy =
E xx
La Suma de los Cuadrados de Error se calcula como
E xy2
SC error = E yy − (14)
E xx

M.H. Badii et al.

 31

Al dividir la suma de los cuadrados de error entre el grado de libertad

correspondiente, se obtiene el Cuadrado medio del error o la varianza:

SC E E yy − E 2xy / E xx
CM E = S = 2
= (15)
(r − 1)(t − 1) − 1 (r − 1)(t − 1) − 1

Puesto que, en general, estamos interesados en la estimación de contrastes,

la expresión para estimar a ∑ λj Τj con ∑ λ j = ∅ no está dada por la
j
ecuación anterior sino que esta cantidad debe ajustarse por la presencia de
la covariable; El mejor estimador no sesgado para ∑ λj Τj :

λ j Y. j λ j Y. j
=∑ λ j ( yˆ j − γˆx j )
t t t t

∑ λ j Τˆ j = ∑
j =1 j =1 r
− γˆ ∑
j =1 r j =1
(16)

( y$ j − γ$x j ) = medidas de tratamientos corregidos por Xij.

x j = X .j / r E xy
y j = Y. j / r y γˆ =
E xx
La varianza de ∑ λ Τˆ j j
se compone de 2 partes:

a) Una parte debida a la varianza de la ∑ λ j ŷ j .

b) Otra parte debida al efecto de covariable:

2
 t  δ2 t
δ 2  t
Var. ∑ λ j Τ j  =
 ˆ ∑ λ + 2  ∑ λ j X . j 
2
j
(17)
 j =1  r j =1 r E xx  j =1 

4. Significancia de los efectos de los tratamientos.

H 0 :Τ1 = Τ2 =L = Τt
H A :Τ1 ≠ Τ2 ≠L ≠ Τt

ANCOVA
32

Bajo la H0:
y ij = µ + β i + γX ij + eij (18)

a) Ignorando Xij:
y ij = µ + β i + eij (19)

Bajo el diseño de bloques al azar, bloques y tratamientos son

ortogonales entonces, SC de los errores en el (19):

E ′yy = E yy + Τyy ′ = E xx + Τxx

E xx ′ = E x + Τxy
E xy

b) El coeficiente de covariación γ correspondiente a la ecuación (18):

γ ′E xx′ = E xy′ E′
γ ′ = xy
′
E xx
Û Ü
Notaciones introducidas

(E ′ )
2
xy
γ ′E xy′ =
E xx′ (20)
(E ′ )
2
xy
SCE ′ = E yy′ −
E xx′ (21)

c) SC debida a tratamientos, ajustados por el efecto de la covariable

SC (ΤΑ ) = SC E ′ − SC E

• SC(ΤΑ )
 ( ′ )2  
E xy (E xy ) 
2

=  E ′yy −  −  E yy − 
 E ′xx   E xx 
(22)

M.H. Badii et al.

 33

• CM (ΤΑ ) =
[E ′ − (E ′ ) / E ′ ]− [E ′ − (E ′ ) / E ′ ]
yy xy
2
xx yy xy
2
xx

t −1
(23)

[E ′ − (E ′ ) / E ′ ]− [E ′ − (E ′ ) / E ′ ]
yy xy
2
xx yy xy
2
xx
CM (ΤΑ ) t −1
• Fc = = (24)
S2 E yy − E xy2 / E xx
(r − 1)(t − 1) − 1
• El Grado de Libertad para Fc = (t-1), (r-1)(t-1)-1

d) Si se desea probar la hipótesis H0: γ = ∅ vs. HA: γ ≠ ∅:

E xy2 / E xx
Fc′ = con 1 y (r-1)(t-1)-1 gl.
S2
Una característica fundamental de toda covariable es su independencia de
los efectos de los tratamientos.

2σ 2  Τxx 
Var (d ) = 1 +  Varianza promedio de la diferencia entre dos
r  (t − 1)E xx 
medias ajustadas de tratamientos.
s *2
I= Eficiencia de la covarianza en la reducción de la
2 Τxx 
s 1 + 
 (t − 1)E xx 
varianza del error.

Ejemplo. Un experimento de fertilizantes con el diseño San Cristóbal (12

tratamientos en cuatro bloques completos al azar), realizado por el IMPA en
la zona de abastecimiento del ingenio Motzorongo, en el estado de Veracruz,
cosechado en plantilla durante la zafra 1977 – 1978, produjo los resultados
de la Tabla 2. En esta tabla la Y es el rendimiento de caña en toneladas por
hectárea, y X es el número observado de tallos molederos por parcela
experimental. Se propone examinar el efecto de los nutrientes sobre el

ANCOVA
34

rendimiento de caña, eliminando a través de la técnica de covarianza, el

efecto del número de tallos molederos (Martínez-Garza, 1988).

Tabla 2. Análisis de covarianza en un experimento cañero.

Trata- I II III IV Sumas
mientos Y X Y X Y X Y X Y X
1 107.5 319 103.6 308 84.4 319 115.6 275 412.2 1,221
2 89.2 300 102.8 307 84.5 320 108.1 302 384.5 1,229
3 102.2 280 110.0 280 76.9 299 87.5 268 376.6 1,127
4 88.1 318 105.0 315 104.7 319 120.3 311 418.1 1,263
5 121.4 308 100.3 304 111.7 315 126.1 290 459.5 1,217
6 119.4 306 111.1 310 100.8 334 119.2 296 450.5 1,246
7 110.6 316 113.6 303 114.7 284 122.2 295 461.1 1,198
8 106.4 290 120.0 306 88.9 314 130.0 299 445.3 1,209
9 114.7 315 106.9 299 114.4 310 115.8 297 451.8 1,221
10 116.4 330 129.2 315 106.4 319 136.9 317 488.9 1,281
11 96.1 302 107.8 353 106.5 310 122.8 294 433.3 1,259
12 102.5 321 114.4 307 116.4 316 126.7 302 460.0 1,246
Sumas 1274.5 3705 1324.7 3707 1211.4 3759 1431.2 3546 5241.8 14717

Se realizan los cálculos para construir la Tabla 3 de sumas de cuadrados y

productos cruzados.

Tabla 3. Suma de cuadrados y de productos cruzados.

Fuente de variación Grados de Sumas de cuadrados y de productos
libertad cruzados
X.X X.Y Y.Y
Bloques (B) 3 2,129.1 - 2,043.29 2,157.25
Tratamientos (T) 11 4,323.7 1,904.43 3,042.45
Error (E) 33 4,574.7 - 404.26 2,780.86
Total 47 11,027.5 - 543.12 7,980.56
É=T+E 44 8,898.4 1,500.17 5,823.31

Como regla general para decidir sobre el empleo de la covarianza, el

investigador debiera tener la certeza de que sus covariables no estan
influenciadas por los tratamientos estudiados. Es común que en la práctica,
para probar la significancia del efecto de los tratamientos sobre los valores de
la propia covariable, se realice el análisis de varianza sobre los valores
observados de la covariable. Esta manera de proceder, de acuerdo con
Anderson y Bancroft (1952), no es muy adecuada, y recomiendan que los
investigadores basen su técnica de análisis en un juicio riguroso de su

M.H. Badii et al.

 35

experimento, para bien detectar la existencia de dependencia o no de las

covariables para con los tratamientos. Por tanto tendríamos los siguientes.

SCTotalxx = 3192 + 3002 + ... + 3022 – (14717)2/48 = 11,027.5

3705 2 + ... + 3546 2 14717 2

B XX = − = 2129.1
12 48

12212 + ... + 1246 2 14717 2

T XX = − = 4323.7
4 48

SCTotalxy = [107.52+ 89.22+ ... + 126.72] – (5241.8)2/48 = 7, 980.56

1274.5 2 + ... + 1431.2 2 5241.8 2

BYY = − = 2157.25
12 48

412.2 2 + ... + 460.0 2 5241.8 2

TYY = − = 3042.45
4 48

SPTotalxy = 107.5 x 319 + … + 126.7 x 302 – (5241.8 x 14717)/48 = - 543.12

1274.5 x3705 + ... + 1431.2 x3546 5241.8 x14717

Bxy = − = -2043.29
12 48

412.2 x1221 + ... + 460.0 x1246 5241.8 x14717

Txy = − = 1904.43
4 48

Por tanto,
Exx = SCTotalxx – Bxx - Txx
Exx = 11027.5 – 2129.1 – 4323.7 = 4574.7

Eyy = SCTotal – Byy - Tyy

Eyy = 7980.56 – 2157.25 – 3042.45 = 2780.86

ANCOVA
36

Exy = SPTotalxy – Bxy - Txy

Exy = -543.12 – (-2043.29) – 1904.43 = - 404.26

Puesto que γˆE xx = E xy , se obtiene:

E xy − 404.26
γˆ = = = −0.0883686
E xx 4574.7

SCE = Eyy - γˆE xy

SCE = 2780.86 – (-0.00883686) x (-404.26) = 2745.14
Donde:
SCE 2745.14
S2 = = = 85.79
(r − 1)(t − 1) − 1 3 x11 − 1

De manera similar, ya que γˆE ' xx = E ' xy , haciendo uso de los datos en la
base de la 15.2, se obtiene:

E ' xy 1500.17
γˆ = = = 0.168589
E ' xx 8898.4

SCE’ =E’yy - γˆE' xy

SCE’ = 5823.31 – 0.168589 x 1500.17 = 5570.40

Usando los resultados anteriores, la suma de cuadrados debida a

tratamientos ajustados, SC(TA), es:

SC(TA) = SCE’ – SCE

SC(TA) = 5570.40 – 2745.14
SC(TA) = 2825.26
Donde:
SC (TA) 2825.26
CM(TA) = = = 256.84
t −1 11

M.H. Badii et al.

 37

Para probar la hipótesis H0: r1 = r2 = ... rt contra la alternativa H1: por

lo menos ri ≠ rj, con i ≠ j, la estadística de prueba, F, está dada por:

CM (TA) 256.84
F= = = 2.99
s2 85.79
la cual, si H0 es cierta, se distribuye como una F con 11 y 32 grados de
libertad. Para una prueba al 1% de significancia, el valor tabulado de esta
distribución es de 2.87. Puesto que el valor calculado de la F es mayor que la
tabulada, se rechaza la hipótesis nula.

Conclusiones

El mundo es multifactorial, multidimencional y con un enfoque

multiangular. Las cosas en el universo, incluyendo los procesos, fenómenos,
objetos y/o eventos, no ocurren de forma aislada. Hay una interconexión
natural entre todos estos, ya que todas y cada una de las cosas tiene su
lugar propio en el universo y juegan un papel, aunque sea de diferentes
magnitudes, relevante y precisa para mantener el orden dentro del cosmos.
Debido a esta interrelación duradera entre los diferentes ítems, es necesario
tener disponible técnicas que puedan analizar el efecto y la manifestación de
cada factor como si fuera sucediendo de forma individual y aislada y por tanto
libre del efecto de cualquier otro factor auxiliar. Antes del nacimiento de
herramientas analíticas (por ejemplo estadísticas) en el apoyo a la
investigación científica, existía una pérdida enorme en lo que se refiere a la
descripción, medición, explicación e incluso los planes del manejo de las
cosas que ocurrían y/o se manifestaban de forma simultánea y conjunta. El
análisis de covarianza es una de estas técnicas que puede estimar el efecto
de un factor cuando está en juego de manera simultánea, el efecto de otro
factor auxiliar, en otras palabras, por medio de ANCOVA, el investigador fija
el efecto del factor auxiliar a través de todos los tratamientos y esto significa
como que si el factor auxiliar no existiera. Además, esta técnica también es
útil para interpretar la naturaleza de los efectos de los tratamientos,
cuantificar los efectos de los mismos, ajustar las medias de los tratamientos y
finalmente, para reducir el grado de error experimental que forma una parte
esencial de la experimentación, del muestreo y de la inferencia como base de
la lógica inductiva.

ANCOVA
 38

Referencias

Badii, M.H., A.R. Pazhakh, J.L. Abreu & R. Foroughbakhch. 2004. Fundamentos del método
científico. InnOvaciOnes de NegOciOs 1(1): 89–107.
Badii, M.H., J. Castillo & A. Wong. 2006. Diseños de distribución libre. InnOvaciOnes de
NegOciOs, 3(1): 141-174.
Badii, M.H. & J. Castillo (eds.). 2007. Técnicas Cuantitativas en la Investigación. UANL,
Monterrey.
Badii, M.H., R. Ramírez & J. Castillo. 2007a. Papel de estadística en la investigación
científica. InnOvaciOnes de NegOciOs, 4(1): 107-145.
Badii, M.H., J. Castillo, R. Rositas & G. Ponce. 2007b. Experimental designs. Pp. 335-348. In:
M.H. Badii & J. Castillo (eds.). Técnicas Cuantitativas en la Investigación. UANL,
Monterrey.
Cochran, W.G. & G.M. Cox, 1957. Experimental designs. 2nd Ed. John Wiley & Sons, New
York.
Delury, D.B. 1948. The Analysis of Co-variance. Biometrics, 4: 153-170.
Federer, W.T. Y C.S. Schlottfeldt, 1954. The use of covariance to control gradients in
experiments. Biometrics, 10: 282-290.
Finney, D.J. 1946. Standard errors of yields adjusted for regression on an independent
measurement. Biometrics Bull. 2: 53-55.
Martínez-Garza, A. 1988. Diseños experimentales, métodos y elementos de teoría. Ed.
Trillas, 756.
Outhwaite, A.D. & A. Rutherford, 1955. Covariance analysis as alternative to stratification in
the control of gradients. Biometrics, 11:431-440.
Steel, R.G.D. 1954. Which dependent variate? Y or Y-X? Mimeo Series BU-54-M, Biometrics
Unit. Cornell Univ. Ithaca, N.Y.
Wishart, J. 1936. Test of significance in the analysis of covariance. J. Roy. Stat. Soc. Suppl.
3: 79-82.

M.H. Badii et al.

View publication stats