EEC Methods (BIO 221B)  Jim Baxter

Spring 2013  Dept. of Biological Sciences

MANOVA 
Multivariate Analysis of Variance (MANOVA) is simply an analysis of variance (ANOVA) with several 
dependent variables.  That is, whereas ANOVA is appropriate for situations in which there is only one 
dependent variable, MANOVA is used when there are two or more dependent variables.   
Here’s a simple example.  Let’s say we want to know whether or not two different textbooks 
improve math and physics scores on standardized tests.  In this case, the textbook type (e.g., old vs. 
new) is the nominal independent variable and improvements in math and physics scores on the separate 
tests are the two dependent variables.  Our hypothesis is that both scores together are affected by the 
difference in textbooks.  A multivariate analysis of variance (MANOVA) could be used to test this 
hypothesis. 
In the same way, we may want to know whether a set of environmental variables change together 
in response to some treatment.  For example, in aquatic systems three insect orders are considered 
indicators of healthy stream conditions: Ephemeroptera (mayflies), Plecoptera (stoneflies) and 
Tricoptera (caddisflies).  So perhaps you want to compare the abundance of these three taxa together 
between streams that have and have not been dramatically impacted by – for example – urban runoff.  
A MANOVA would be appropriate here. 
There are three basic variations of MANOVA: 
 Hotelling's T: The MANOVA version of the two group t‐test; that is, one dichotomous 
independent variable and multiple dependent variables. 
 One‐Way MANOVA: The MANOVA version of the one‐way ANOVA; that is, one multi‐level 
independent variable and multiple dependent variables. 
 Factorial MANOVA: The MANOVA version of the factorial ANOVA design; that is, multiple 
independent variables and multiple dependent variables. 
 
Although these MANOVA variations are used for different applications, they all form linear 
combinations of the dependent variables that best discriminate among the experimental groups.  In 
other words, MANOVA is a test of the significance of group differences in some m‐dimensional space 
where each dimension is defined by linear combinations of the original set of dependent variables.  
An important question comes up when considering MANOVA.  Why can't you simply conduct 
separate ANOVAs for each dependent variable?  There are several reasons for this.  First, when 
evaluating multiple dependent variables in ecology, they will often and very likely be correlated with 
one another.  As a consequence, the results from separate ANOVAs will not only be redundant but they 
will also be difficult to explain in a unified way.  The second reason is that the error rate for conducting 
multiple ANOVAs on correlated data becomes unacceptably high.  That is, the odds of finding 
significance merely due to chance alone increases with repeated use of the same sample of data.  
MANOVA allows for a unified and efficient approach to testing significance in multiple correlated data 
sets.  
As a final note, a MANOVA can also be used to test significance of treatment effects on multi‐species 
communities.  However, in this case the original multi‐species dataset must be reduced to a few 
explanatory variables.  To accomplish this, an initial data reduction is conducted using PCA and the 
resulting PCA axes are input into a MANOVA to test significance of the treatment  on the reduced 
dataset.