Kovariācijas analīzes izmantošanas iespēju izvērtējums

Ievads
1. Ir ļoti grūti, ja pat neiespējami pierādīt cēloņsakarību – pierādīt, ka kāds noteikts faktors izraisa pētāmā mainīgā svārstības. Lai varētu izdarīt secinājumus par cēloni, jānodrošina trīs priekšnosacījumi: (1.) cēlonis izpildās pirms efekta; (2.) starp cēloni un efektu pastāv statistiska sakarība; (3.) visi citi konkurējošie statistiskās sakarības izskaidrojumi ir izslēgti (Hardin, Wolverton, 1999). Pirmo priekšnosacījumu var nodrošināt, pārzinot apstākļus, kādos dati iegūti; otro – izmantojot variācijas analīzi (ANOVA). Savukārt trešo nosacījumu vislabāk var kontrolēt, pētījumā izmantojot datu bloķēšanas pieeju – sadalot pētāmās vienības (cilvēkus, lauksaimniecības testu rezultātus u.c.) apakšgrupās, ko raksturo noteikti kritēriji. Bloķēšanu nav iespējams veikt nekontrolētā pētījuma vidē, piemēram, pētot nekustamā īpašuma tirgu, veicot tirgus izpēti u.c. Šādos gadījumos par pētāmo cēloņsakarību pēc iespējas nekļūdīgākus secinājumus var iegūt, izmantojot kovariācijas analīzi (ANCOVA). Kovariācijas analīze palīdz statistiski izolēt blakus efektus, kas netiek ņemti vērā ierastajā ANOVA analīzē. ANCOVA modelis ir ērta metode, kā modelēt un atšķirt interesējošā faktora ietekmi uz pētāmo mainīgo un blakus faktoru ietekmi (Hardin, Wolverton, 1999)
Kovariāciju analīzes būtība
2. Kovariāciju analīze ietver vismaz vienu kvalitatīvu neatkarīgo mainīgo un vismaz vienu kvantitatīvu mainīgo. Pētnieka interešu lokā parasti ir viens vai vairāki neatkarīgie mainīgie un to ietekme uz pētāmo atkarīgo mainīgo. Savukārt pārējie neatkarīgie mainīgie ir sekundāri, tie analīzē tiek izmantoti galvenokārt, lai gūtu precīzākus un korektākus rezultātus. Atkarībā no tā, kāda veida neatkarīgie mainīgie – kvantitatīvie vai kvalitatīvie – ir pētnieka interešu lokā un kāda veida mainīgie tiek uzskatīti par blakus faktoriem, izšķir trīs diezgan atšķirīgas kovariācijas analīzes pieejas (Wildt, Ahtola, 1978).…