Analisa ini selalu digunakan sebagai alat mengawal ralat kadar inflasi alpha apabila begitu banyak analisa hipotesis yang perlu dilakukan serentak dan pada masa sama menyesuaikan beberapa hasil nilai dengan pembolehubah kovariat.
Analisa
MANCOVA atau di kenali juga sebagai one-way multivariate of covariance
boleh dianggapkan sebagai sambungan kepada one-way MANOVA yang
menggabungkan kovariat atau one-way ANCOVA yang meggabungkan beberapa
pembolehubah bersandar.
Hubungan
di antara kovariat dan pembolehubah bersandar adalah secara linear dan
kemasukannya boleh menambahkan kebolehan mengesan perbezaan di antara kumpulan
pembolehubah bebas.
MANCOVA
sehala di gunakan untuk menjejak samada wujudnya perbezaan yang signifikan di antara
tiga atau lebih pembolehubah bebas (kumpulan atau kategori tidak bersandar) min
yang diubahsuai, sambil mengawal kovariat bersambungan (continuous covariate)
Antara
perkara yang perlu di ambil perhatian adalah bahawa analisa MANCOVA sehala
adalah ujian analisa atau ujian statitstik yang mempunyai pelbagai hasil di
dalamnya. Sebagai contoh, analisa MANCOVA sehala berkemampuan untuk memberi
pengkaji maklumat samada kumpulan di dalam pembolehubah bebas adalah statistic signifikan
berdasarkan gabungan pembolehubah-pembolehubah bersandar, selepas di ambil kira
pembolehubah kovariat ke dalamnya. Walaupun begitu, pengkaji tidak akan
mendapat maklumat berkaitan perbezaan di antara kumpulan secara spesifik. Pun
begitu, kelemahan ini boleh sahaja di tampung dengan menguji menggunakan ujian post-hoc
(atau ujian lanjutan) bagi menentukan lokasi perbezaan kumpulan sebenarnya
secara lebih terperinci lagi.
Andaian
yang di perlukan sebelum menggunakan ujian MANCOVA sehala.
Data
berkaitan pembolehubah bersandar hendaklah berskala selang atau pun nisbah (pembolehubah
berterusan / continuous variable).
Pembolehubah
bebas mestilah mempunyai dua atau lebih kategori (skala nominal atau ordinal)
Mestilah
mempunyai satu atau lebih pembolehubah kovariat dan hendaklah dalam skala
selang atau nisbah. Kovariat berfungsi sebagai alat pengubahsuaian min bagi
kumpulan kategori dalam pembolehubah bebas. Kebiasaannya,keberadaan kovariat adalah
sebagai pembantu yang membantu mempermudahkan penilaian perbezaan di antara
kumpulan-kumpulan dalam pembolehubah berkategori terhadap pembolehubah
bersandar.
Pemerhatian
hendaklah dalam keadaan bebas di antara satu sama lain. Tidak memberi kesan di
antara satu sama lain. Sebagai contoh, subjek atau responden hanya ada dalam
satu kumpulan sahaja dan tidak boleh lebih daripada satu. Masalah ini, lebih
merupakan masalah di peringkat rekabentuk kajian lagi tetapi masih merupakan
andaian yang penting dalam analisa MANCOVA sehala.
Selain
itu, mestilah terdapatnya hubungan kelinearan di antara setiap pasangan
pembolehubah bersandar dalam setiap kumpulan pembolehubah bebas. Jika ini gagal
di penuhi, maka akan memberi kesan kepada ujian kekuatan. Antara kaeadah untuk
menguji hubungan kelinearan ini adalah dengan memplotkan matriks plot taburan bagi
pembolehubah bersandar untuk setiap kumpulan pembolehubah bebas.
Di
samping itu juga, hubungan kelinearan di antara kovariate dan setiap
pembolehubah bersandar di dalam setiap kumpulan pemnolehubah bebas juga mesti
wujud. Sama seperti sebelum ini, perkara berkaitan kelinearan boleh di uji
dengan matriks plot bertaburan.
Kehemogenan
kecerunan regressi juga perlu ada. Ini bermaksud hubungan di antara kovariat
dan setiap pembolehubah bersandar, seperti di nilai oleh kecerunan regresi
adalah sama dalam setiap kumpulan pembolehubah bebas.
Keseragaman
atau kehemogenan varians dan kovarians. Dengan kata lain, MANCOVA sehala
mengandaikan varians dan kovarians bagi pembolehubah bersandar adalah sama bagi
kesemua kumpulan pembolehubah bebas. Andaian ini boleh di uji dengan ujian statistic
seperti Box’s M Test of Equality of Covariance Mantrices.
Tambahan itu, tidak boleh ada data univariat yang tersasar (ouliers) secara signifikan di dalam kumpulan pembolehubah bebas bagi setiap pembolehubah bersandar. Andai kata terdapat mana-mana pembolehubah bersandar yang datanya agak luar atau melampau dari kebiasaan data tersebut serta wujud dalam mana-mana kumpulan pembolehubah bebas, maka data tersebut adalah data yang tersasar (outliers). Data seperti ini boleh memberi kesan negative yang besar terhadap keputusan analisa MANCOVA sehala. Jika mempunya sampel saiz yang kecil, maka data tersasar univariat lebih lagi memberi kesan kepada analisa. Data bermasalah begini boleh di kesan dengan menggunakan piawai reja (standardized residuals).
Tidak
boleh juga wujud data multivariat tersasar secara signifikan dalam kumpulan
pembolehubah bebas bagi setiap pembolehubah bersandar yang berkaitan. Ujian Mahalanobis Distance boleh di gunakan bagi
mengesan masalah begini.
Kenormalan
multivariat juga perlu di pastikan sebelum menjalankan analisa MANCOVA sehala.
Tetapi, perlu di ingatkan bahawa dalam menguji kenormalan multivariat bagi
penggunaan analisa MANCOVA sehala, terdapat kesukaran dan helahnya tersendiri.
Oleh sebab itu, maka kenormalan reja (residuals)bagi setiap kumpulan
pembolehubah bebas akan di uji sebagai ganti paling hampir kepada kenormalan
multivariat. Antara ujian kenormalan yang boleh diguna pakai adalah Shapiro-Wilktest of normality.