In een eenvoudig design met enkel een voor- en een nameting, en het liefst ook maar 1 afhankelijke variabele, kan een ancova soms een eenvoudigere output opleveren. Maar centraal staat de hypothese:
Als van groot belang is dat een af- of toename plaatsvindt op de afhankelijke variabele, bijvoorbeeld bij een interventiestudie, dan is een RM-ANOVA, (of multilevel, etc.) een betere keus. Denk aan studies zoals; helpt een behandeling in het doen afnemen van depressie klachten, of verbeteren de leerresultaten na het invoeren van formatieve toetsing. Met deze technieken wordt namelijk expliciet op verandering getoetst.
Als de voormeting slechts een baseline-meting is om te controleren voor intitiele verschillen. Dus de manipulatie is geen interventie, maar een construct waarvan je wilt weten of deze causale invloed heeft op een afhankelijke variabele, dan kun je met een covariantieanalyse een eenvoudiger model toetsen. Je wilt namelijk alleen weten of Y verschilt door X, gecontroleerd voor eventueel verstorende individuele baselineverschillen.
Dus: RM-ANOVA toest verandering, ANCOVA reduceert ruis in een verschiltoets. Naar gelang de hypothese kan de ene techniek tot een makkelijkere interpretatie ervan leiden