ANCOVA (Kovarianzanalyse)#

Die Kovarianzanalyse (ANCOVA) ist ein statistisches Verfahren, das die Varianzanalyse (ANOVA) mit der linearen Regression verbindet. Sie vergleicht Gruppenmittelwerte, während der Einfluss einer oder mehrerer Kovariaten (Kontrollvariablen) statistisch herausgerechnet wird. Dadurch lassen sich Gruppenunterschiede präziser schätzen und die statistische Power erhöhen.

Wann verwenden?#

Du möchtest Gruppenmittelwerte vergleichen und gleichzeitig den Einfluss einer metrischen Störvariable kontrollieren
Es gibt eine relevante Ausgangsvariable (z. B. Prätest-Werte), die den Gruppenvergleich verzerren könnte
Du möchtest die Fehlervarianz reduzieren, um die Power deines Tests zu erhöhen
Die Kovariate wurde vor der experimentellen Manipulation erhoben (nicht durch die UV beeinflusst)
Eine randomisierte Zuweisung war nicht vollständig möglich und du möchtest für vorbestehende Unterschiede kontrollieren

Voraussetzungen#

Normalverteilung der Residuen (Shapiro-Wilk-Test)
Varianzhomogenität (Levene-Test)
Unabhängigkeit der Beobachtungen
Metrische abhängige Variable und metrische Kovariate
Linearer Zusammenhang zwischen Kovariate und AV (Streudiagramm prüfen)
Homogenität der Regressionssteigungen (Interaktion UV × Kovariate nicht signifikant)
Kovariate unabhängig von der UV (vor Manipulation erhoben)

Hinweis: Die Homogenität der Regressionssteigungen ist eine kritische Voraussetzung. Prüfe sie, indem du das Interaktionsmodell UV × Kovariate testest. Ist die Interaktion signifikant, ist die Standard-ANCOVA nicht geeignet — verwende stattdessen die Johnson-Neyman-Methode oder ein moderiertes Regressionsmodell.

Formel#

Das ANCOVA-Modell für eine Beobachtung $Y_{ij}$ in Gruppe $i$ :

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

Dabei ist:

$\mu$ das Gesamtmittel
$\tau_i$ der Effekt der Gruppe $i$
$\beta$ der Regressionskoeffizient der Kovariate
$X_{ij} - \bar{X}$ die zentrierte Kovariate
$\varepsilon_{ij}$ der Residualfehler

Die F-Statistik für den Gruppeneffekt:

F = \frac{MS_{Gruppe(adj)}}{MS_{Fehler(adj)}}

Die adjustierten Gruppenmittelwerte werden berechnet, indem der Einfluss der Kovariate auf das Gesamtmittel der Kovariate standardisiert wird:

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

Beispiel#

Praxisbeispiel: Therapievergleich mit Kontrolle des Ausgangswerts

Ein klinischer Psychologe vergleicht zwei Therapieformen (KVT vs. EMDR) bei Depressionspatient:innen. Da sich die Gruppen trotz Randomisierung im Ausgangswert der Depressionsschwere (BDI-Prä-Score) unterscheiden, wird dieser als Kovariate einbezogen.

UV: Therapieform (KVT, EMDR), AV: BDI-Post-Score, Kovariate: BDI-Prä-Score
N = 60 (je 30 pro Gruppe)

Ergebnisse:

Ohne Kovariate (ANOVA): $F(1, 58) = 2.14$ , $p = .149$ — kein signifikanter Unterschied
Mit Kovariate (ANCOVA): $F(1, 57) = 7.83$ , $p = .007$ , $\eta_p^2 = .12$ — signifikanter Unterschied

Die ANCOVA zeigt, dass EMDR nach Kontrolle des Ausgangswerts zu signifikant niedrigeren Depressionswerten führt. Die adjustierten Mittelwerte betragen 12.3 (KVT) vs. 8.7 (EMDR). Ohne Kontrolle der Ausgangswerte war dieser Effekt durch die Gruppenunterschiede im Prä-Score maskiert.

Effektstärke#

Als Effektstärke wird das partielle Eta-Quadrat ( $\eta_p^2$ ) berichtet:

\eta_p^2 = \frac{SS_{Gruppe(adj)}}{SS_{Gruppe(adj)} + SS_{Fehler(adj)}}

Effektstärke	$\eta_p^2$
Klein	0.01
Mittel	0.06
Groß	0.14

Wichtig: Die Effektstärke bezieht sich auf die adjustierten Quadratsummen, also nach Herausrechnen der Kovariate. Das partielle Eta-Quadrat gibt somit den Anteil der verbleibenden Varianz an, der durch den Gruppenunterschied erklärt wird.

Weiterführende Literatur

Tabachnick, B. G. & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications.
Miller, G. A. & Chapman, J. P. (2001). Misunderstanding analysis of covariance. Journal of Abnormal Psychology, 110(1), 40–48.