Čeprav je stratificirana randomizacija učinkovit in razmeroma preprost pristop, postane njena izvedba zapletena, kadar je treba nadzorovati večje število kovariat.

Zato predpostavka neobčutljivosti pomožnih kovariat v tej analizi ni problematična.

Zaradi tega so predstavljeni rezultati analize brez kovariat.

Zadnji kovariat, pri katerem smo testirali normalnost porazdelitve, je bila spremenljivka verbalne sposobnosti.

Z izrazom visokorazsežni podatki označujemo podatke, kjer je število kovariat p večje od števila enot n, torej kadar velja p ≫ n.

Vključitev kovariat za kontrolo vpliva spola, starosti, ocene duševnega in telesnega zdravja ni izboljšala kvalitete modelov.

Uspešnost randomizacijskega postopka zato ocenjujemo glede na stopnjo uravnoteženosti kovariat med skupinama.

Uravnoteženost kovariat povečuje verodostojnost klinične raziskave in lahko izboljša natančnost analiz, zlasti vmesnih analiz, analiz podskupin in sekundarnih izidov.

Ugotovljene razlike v začetnem stanju smo pri nadaljnji analizi kontrolirali z opredelitvijo kovariat.

Takšen model omogoča sočasno vrednotenje prispevka posameznih kovariat, pri čemer se parametri najpogosteje ocenjujejo z metodo najmanjših kvadratov.

Tako je bila dodatno potrjena povezanost med prediktorskimi spremenljivkami in kriterijsko spremenljivko ob kontroli definiranih kovariat.

TFT je edini model, ki podpira vse možnosti, torej univariatni model, multivariatni model, probabilistični prikaz, uporabo prihodnjih in preteklih kovariat.

SMD se pogosto uporablja za oceno uravnoteženosti kovariat med skupinama, saj je neodvisna od merskih enot in velikosti vzorca.

Prvo preverjanje znanja sva ponovno uporabili kot kovariat.

Pri tem je treba paziti tudi na vpliv drugih kovariat, ki lahko vplivajo na odvisno spremenljivko.

Prednost tega modela v primerjavi z ostalimi vrstami modelov za presežno ogroženost v enostavni interpretaciji ocenjenega vpliva kovariat na presežno ogroženost.

Postopek odstranjevanja kovariat smo nadaljevali, dokler nismo izločili vseh z neznačilnim vplivom in tako dobili končni (angl. final) model.

Posledično se lahko lastnosti randomizacijskih postopkov razlikujejo pri drugačni izbiri števila kategorij ali pri uporabi pristopov za obravnavo zveznih kovariat.

Poleg tega v praksi vseh pomembnih kovariat pogosto ni mogoče vnaprej določiti ali vključiti v randomizacijski postopek.

Poleg tega je statistična moč še nižja pri upoštevanju kovariat.