A többváltozós varianciaelemzés, amit gyakran MANOVA-nak neveznek, a szokásos, egyváltozós varianciaelemzés, az ANOVA általánosítása. Az ANOVA-hoz képest a MANOVA új szempontja, hogy a k csoportátlagok csupán egy függő változóra való összehasonlítása helyett a k csoportátlagok egyidejűleg számos függő változóra összehasonlíthatók. Példaképpen tegyük fel, hogy n ármegfigyelés véletlenszerű mintája alapján a p különféle termékekre k különböző városokban egy bizonyos napon minden egyes termékre és minden városban szeretnénk összehasonlítani az árakat. Minden egyes termék esetében például minden városban n üzletből vehetünk egy véletlen mintát. Ekkor az adatmátrixunk összesen pkn megfigyelésekből állna. Az ANOVA-t használva k városban az egyenlő sokasági átlagok hipotézisének ellenőrzéséhez p különböző elemzést kellene elvégeznünk: minden egyes termékre egyet. A MANOVA segítségével egyetlen egy elemzés elegendő lenne. A vektor fogalmát (egy számhalmaz leírásának matematikai fogalma) használva a MANOVA-val ellenőrizhető az a hipotézis, hogy az árak sokasági átlagainak k p-dimenzionális vektora az összes k városban azonos. A sokasági átlagok ilyen vektorát nevezzük centroidnak. Míg ANOVA-val azt ellenőrizzük, hogy a k sokasági átlagok egyenlők-e, a MANOVA-nál pedig az általánosabb hipotézis az, hogy a k sokaság centroidjai egyenlők. Fogalmi szempontból a két eljárás hasonló. A MANOVA a legtöbb esetben hathatósabb eljárás, mint a p egyváltozós ANOVA. A MANOVA-val azok a csoportkülönbségek is felismerhetők, amelyekre több ANOVA sem derített fényt. Ennek az az oka, hogy a MANOVA a függő változók közötti korrelációkat is figyelembe veszi (példánkban az árakat). A MANOVA segítségével az eredmények értelmezése is érthetőbb. Ha a függő változók nem korrelálnak, a MANOVA-val semmit sem nyerünk.