研究背景
30 名学生被分入 A、B、C 三种教学方法的班级，期末成绩为因变量。但三组学生的入学测验成绩（学习基础）本就存在差异，直接比较期末成绩会把"基础差异"误当成"教学方法效果"。ANCOVA 通过统计控制协变量（入学成绩），比较各组校正后的期末均值。
研究问题
在控制入学成绩后，三种教学方法对应的期末成绩是否存在显著差异？
数据说明
30 名学生，每行三个字段：入学成绩（协变量）、期末成绩（因变量）、教学方法（分组 A/B/C）。ANCOVA 会先检验协变量是否显著，再给出分组的校正后 F 检验与各组校正均值。
示例数据
52.98,19.38,A 49.17,26.91,A 53.89,22.28,A 59.14,21.25,A 48.60,22.45,A 48.60,14.27,A 59.48,26.52,A 54.60,14.92,A 47.18,13.00,A 53.26,22.74,A 52.22,32.29,B 52.21,30.01,B 56.45,31.41,B 43.52,22.91,B 44.65,18.88,B 51.63,26.10,B 48.92,25.51,B 56.89,36.36,B 49.55,29.11,B 46.53,18.86,B 60.79,31.77,C 50.65,22.85,C 52.41,22.74,C 43.45,22.52,C 48.73,27.36,C 52.67,29.32,C 45.09,17.70,C 54.25,25.32,C 48.40,24.36,C 50.25,28.05,C
分析步骤
步骤 1：确认协变量合理
协变量（入学成绩）应在实验处理之前测得、不受教学方法影响，且与因变量（期末成绩）存在线性关系。这样才能把它当作"可控制的基线差异"。
提示：若协变量本身受处理影响（如训练后才测），控制它反而会掩盖真实效应，属于过度校正。
步骤 2：检验协变量效应
先看协变量的回归系数与 t 检验。若协变量显著（p<0.05），说明它确实影响因变量，纳入 ANCOVA 有意义；若不显著，普通 ANOVA 可能已足够。
步骤 3：比较校正后的组间差异
读取分组的 F 检验、偏 η²，以及各组在协变量总均值处的校正均值。校正均值剔除了基础差异，比原始均值更公平地反映教学方法的净效应。
结果解读
结论
在 α=0.05 水平下，控制入学成绩后三种教学方法的期末成绩存在统计学显著差异，F(2, 26)=13.03，p<.001，偏 η²=0.500（大效应）。协变量入学成绩显著预测期末成绩，β=0.723，t=4.58，p<.001。校正均值：A=19.30、B=27.83、C=25.59；与原始均值（A=20.37、B=27.14、C=25.20）相比，A 组被下调，说明 A 组入学基础偏高，其期末成绩的"表面优势"部分来自基础而非教学方法。
为什么这样解读？
ANCOVA 通过统计控制基线差异，把"教学方法净效应"从"学生原有基础"中剥离出来。校正后 B 组均值最高，提示在同等入学基础下 B 教学方法效果最好，这一结论比直接比较原始期末成绩更可靠。
如何在论文中报告
采用协方差分析（ANCOVA）比较三种教学方法对期末成绩的影响，以入学成绩为协变量（N=30，α=0.05）。协变量入学成绩效应显著，β=0.723，t(26)=4.58，p<.001。控制协变量后教学方法主效应显著，F(2, 26)=13.03，p<.001，偏 η²=0.500。校正均值分别为 A=19.30、B=27.83、C=25.59。
常见错误
选用受处理影响的变量作协变量
协变量必须在实验处理前测得且不受处理影响。若用处理后变量作协变量，会把真实处理效应"控制掉"，导致低估甚至掩盖效果（过度校正）。
忽略回归斜率齐性假设
ANCOVA 要求各组内协变量与因变量的回归斜率相等。若斜率不齐（协变量与分组存在交互），校正均值无意义，应改用含交互项的模型或分组回归。
直接比较原始均值下结论
当各组基线不平衡时，原始均值混入了基础差异。应报告并比较校正均值，否则可能把"基础好"误判为"教学方法好"。