--- title: "Como realizar análise de covariância no JASP?" url: https://www.blog.psicometriaonline.com.br/tutorial-ancova-analise-de-covariancia canonical: https://www.blog.psicometriaonline.com.br/tutorial-ancova-analise-de-covariancia language: pt-BR published: 2023-02-16T23:41:41.000Z updated: 2026-03-30T15:39:18.708Z modified: 2026-03-30T15:39:18.708Z author: "Alex França" categories: ["Tutoriais"] tags: ["teste t e anova", "tutorial no JASP"] description: "Aprenda como realizar análise de covariância no JASP com um passo a passo claro e dicas para interpretar os resultados." source: Blog Psicometria Online --- # Como realizar análise de covariância no JASP? > Neste post, apresentaremos um tutorial de análise de covariância no JASP. Primeiramente, explicaremos como executar e interpretar uma análise de covariância nesse software. Em seguida, mostraremos como verificar pressupostos importantes e como realizar testes post hoc. Por fim, apresentaremos uma su... Neste post, apresentaremos um tutorial de **análise de covariância no JASP**. Primeiramente, explicaremos como executar e interpretar uma análise de covariância nesse *software*. Em seguida, mostraremos como verificar pressupostos importantes e como realizar testes post hoc. Por fim, apresentaremos uma sugestão de como relatar os resultados principais dessa análise. ## Baixando o *software* e escolhendo o banco de dados para análise de covariância no JASP Antes de tudo, baixe o JASP gratuitamente em [jasp-stats.org](https://jasp-stats.org/). Além disso, você encontrará mais de 50 conjuntos de dados de Field (2017) no site — como o **hangover.csv**, que usaremos neste tutorial. Assim, você já pode praticar com dados reais de pesquisas. **Saiba mais:** [**O que é análise de covariância (ANCOVA)?**](/o-que-e-ancova-analise-de-covariancia) ![banner do post teórico sobre análise de covariância.](/uploads/2023-02_o-que-e-ancova.jpg) ## Entendendo os dados antes da análise de covariância no JASP Neste exemplo, as pessoas participaram de uma festa e, na manhã seguinte, relataram o quanto se sentiam bem (**wellness**, de 0 a 10), bem como qual bebida eles consumiram na noite anterior (**drink**; água, café ou energético). Além disso, eles também reportaram o nível de embriaguez na noite anterior (**drunkeness**, de 0 a 10). Assim, em nosso modelo de análise de covariância (ANCOVA), o bem-estar será a [variável dependente](/o-que-sao-variaveis-independentes-e-dependentes), o tipo de bebida será a variável independente e o nível de embriaguez será a covariável do modelo. ## ANOVA inicial (sem controle): aprendendo a base Primeiramente, conduziremos uma [análise de variância (ANOVA)](/analise-de-variancia-anova). Para isso, vá em **ANOVA > ANOVA**. Em seguida, insira bem-estar (**wellness**) no campo **Dependent Variable** e o tipo de bebida (**drink**) no campo **Fixed Factors** (que é sinônimo de variável independente). Além disso, também selecione **ω²** e [**teste de Levene**](/teste-de-levene) para computar o tamanho de efeito e um teste de homogeneidade de variâncias, respectivamente. O JASP retornará uma tabela indicando que a homogeneidade de variâncias não foi violada, *F*(2, 27) = 1,74, *p* = 0,19 (Figura 1). Em outras palavras, podemos assumir homocedasticidade em nossos dados, um dos pressupostos da ANOVA de uma via. ![output do teste de Levene.](/uploads/2023-02_image-1.png) *Figura 1. Tabela do teste de Levene.* Além disso, o JASP apresentará a tabela com a ANOVA propriamente dita (Figura 2). Em síntese, ela indica que não há diferença significativa nos níveis de bem-estar em função do tipo de bebida consumida no dia anterior, *F*(2, 27) = 1,71, *p* = 0,20, ω2 = 0,045. ![output da ANOVA de uma via.](/uploads/2023-02_image.png) *Figura 2. Tabela da ANOVA de uma via.* Entretanto, isso pode ter ocorrido devido ao grau de embriaguez dos participantes, uma variável que ainda não está estatisticamente controlada em nosso modelo. Portanto, prosseguiremos a seguir para a ANCOVA. ## Conduzindo a análise de covariância no JASP Depois, vá em **ANOVA > ANCOVA** e configure bem-estar (**wellness**) como **Dependent Variable**, bebida (**drink**) como **Fixed Factors** e embriaguez (**drunkeness**) como **Covariate**. Em seguida, marque **descriptive statistics**, **estimates of effect size** e **ω²** (Figura 3). ![como solicitar análise de covariância no JASP.](/uploads/2023-02_image-2.png) *Figura 3. Configurando a ANCOVA.* Também ative ambas as opções disponíveis em **assumption checks**. Por fim, mova **drink** para análise em **marginal means**. A partir disso, o JASP exibirá a tabela principal da ANCOVA (Figura 4). Em síntese, ela indica que o efeito da covariável embriaguez sobre o bem-estar foi estatisticamente significativo, *F*(1, 26) = 33,02, *p* < 0,001, ω**²** \= 0,43. ![output da análise de covariância no JASP.](/uploads/2023-02_image-3.png) *Figura 4. Tabela da ANCOVA.* Além disso, controlando pelos efeitos da embriaguez, agora o tipo de bebida teve efeito estatisticamente significativo sobre o bem-estar, *F*(2, 26) = 7,47, *p =* 0,003, ω² = 0,17. O gráfico *Q-Q* (Figura 5), por sua vez, sugere que os quantis empíricos e teóricos aderem a uma reta bissetriz, sugerindo, portanto, que nossos dados acatam o pressuposto de normalidade dos resíduos. ![q-q plot.](/uploads/2023-02_image-4.png) *Figura 5. Gráfico Q-Q avaliando o pressuposto de normalidade.* ## Checando o pressuposto de homogeneidade dos *slopes* de regressão Adicionalmente, precisamos confirmar se a interação entre tipo bebida e embriaguez é significativa. Para isso, vá em **Components**, e inclua o termo **drink × drunkenness** em **Model Terms** (Figura 6). ![avaliando o pressuposto de homogeneidade dos slopes de regressão na análise de covariância no JASP.](/uploads/2023-02_image-7.png) *Figura 6. Avaliando o pressuposto de homogeneidade dos slopes de regressão.* Observe a tabela da ANCOVA, onde aparecerá o novo termo de interação que acabamos de criar. Se essa interação não for significativa, então teremos suporte para o pressuposto de homogeneidade dos *slopes* de regressão. É exatamente o que acontece em nosso banco de dados. Conforme podemos ver na Figura 7, a interação Tipo de Bebida × Embriaguez não atingiu significância estatística, *F*(2, 24) = 0,12, *p* = 0,89, ω² < 0,001. ![pressuposto de homogeneidade dos slopes de regressão na análise de covariância no JASP.](/uploads/2023-02_image-8.png) *Figura 7. Tabela da ANCOVA com termo de interação.* Por outro lado, se o efeito do termo de interação tivesse sido significativo, a validade da ANCOVA ficaria comprometida. Como não foi esse caso, voltemos à análise principal, removendo o termo de interação. ## Realizando teste post hoc na análise de covariância no JASP Em seguida, em **Post Hoc Tests**, passe **drink** para o lado direito da caixa de diálogo. Por fim, marque os campos **Standard**, **Effect size**, **Tukey** e **Flag Significant Comparisons** (Figura 8). ![solicitando testes post hoc.](/uploads/2023-02_image-9.png) *Figura 8. Janela solicitando testes post hoc.* A Figura 9 apresenta a tabela dos [testes post hoc](/o-que-e-um-teste-post-hoc). Em síntese, ela indica que o energético (**barocca**; *M* = 6,57, *EP* = 0,26) gerou bem-estar significativamente maior que o café (**coffee**; *M =* 5,27, *EP* = 0,27), *t* = 3,20, *pTukey* = 0,01, *d* = 1,17, e que a água (**water**; *M =* 5,36, *EP* = 0,24), *t* = 3,52, *pTukey* = 0,004, *d* = 0,95. Por outro lado, os grupos café e água não diferiram significativamente entre si, *t* = –0,22, *pTukey* = 0,97, *d* = –0,09. ![output dos testes post hoc.](/uploads/2023-02_image-10.png) *Figura 9. Resultados dos testes post hoc.* Você pode se perguntar de onde foram retiradas as médias e os erros-padrões que também foram descritos no parágrafo anterior. Eles foram retirados da tabela de médias marginais (Figura 10). ![médias marginais estimadas na análise de covariância no JASP.](/uploads/2023-02_image-6.png) *Figura 10. Tabela de médias marginais de bem-estar por tipo de bebida.* ## Criando um gráfico para representar os efeitos da análise de covariância no JASP Para finalizar, podemos gerar um gráfico em **descriptive plots** com **drunkenness** e **drink** para visualizar as diferenças (Figura 11). ![gerando gráfico descritivo no JASP.](/uploads/2023-02_image-11.png) *Figura 11. Solicitando gráfico descritivo.* O resultado é apresentado na Figura 12. Em síntese, os pontos do energético estão mais elevados no eixo *y* (i.e., maiores níveis de bem-estar), quando comparando aos pontos de café e água — consistente com o efeito do tipo de bebida. ![scatterplot com resultados da análise de covariância no JASP.](/uploads/2023-02_image-12.png) *Figura 12. Representação gráfica dos resultados da ANCOVA.* Além disso, as linhas de regressão relacionando embriaguez e bem-estar têm *slopes* similares nos três tipos de bebida, o que é consistente com a ausência de efeito de interação Tipo de Bebida × Embriaguez, que apóia o pressuposto de homogeneidade dos *slopes* de regressão. ## Como relatar os resultados da análise de covariância no JASP Em seguida, apresentamos uma sugestão de relato dos resultados. > *A covariável embriaguez teve um efeito estatisticamente significativo sobre os níveis de bem estar, F(1, 26) = 33,02, p < 0,001, ω****²*** *\= 0,43. Além disso, controlando pelos efeitos da embriaguez, o tipo de bebida também teve efeito estatisticamente significativo sobre o bem-estar, F(2, 26) = 7,47, p = 0,003, ω² = 0,17.* > > *A fim de investigar quais grupos diferiram entre si, conduzimos testes post hoc de Tukey. Em síntese, eles indicaram que o energético (M = 6,57, EP = 0,26) gerou bem-estar significativamente superior ao café (M = 5,27, EP = 0,27), t = 3,20, pTukey = 0,01, d = 1,17, e à água (M = 5,36, EP = 0,24), t = 3,52, pTukey = 0,004, d = 0,95. Por outro lado, os grupos café e água não diferiram significativamente entre si, t = –0,22, pTukey = 0,97, d = –0,09.* ## Conclusão Gostou deste conteúdo? Então aproveite e também se inscreva em nosso canal do [**YouTube**](https://youtube.com/c/psicometriaonline?sub_confirmation=1) para ficar por dentro de nossas novidades. Se você precisa aprender análise de dados, então faça parte da [**Psicometria Online Academy**](https://academy-po.psicometriaonline.com.br/?utm_source=blog&utm_medium=organico&utm_campaign=&utm_term=&utm_content=post), a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura [**aqui**](https://academy-po.psicometriaonline.com.br/?utm_source=blog&utm_medium=organico&utm_campaign=&utm_term=&utm_content=post) e nunca mais passe trabalho sozinho(a). ## Referência Field, A. (2017). *Discovering statistics using IBM SPSS Statistics* (5th ed.). Sage. ## Como citar este post > **Como citar este artigo:** França, A. (2023, 16 de fevereiro). Como realizar análise de covariância no jasp? *Blog Psicometria Online*. https://www.blog.psicometriaonline.com.br/tutorial-ancova-analise-de-covariancia