单向方差分析用于比较三个或更多个非配对组的均值。本检查表专门用于进行不包含重复测量的单向方差分析。关于重复测量方差分析，另有专门的检查表。有关如何选择检验方法及解释结果的内容，请参阅其他资料。

总体是否服从高斯分布？

单向方差分析（ANOVA）假设数据是从服从高斯分布的总体中抽样的。虽然根据中心极限定理，在样本量较大时这一假设的重要性并不高，但在样本量较小（尤其是样本量不等时）的情况下，该假设至关重要。Prism 可以检验该假设是否被违反，但正态性检验的实用性有限。

如果您的数据不来自高斯分布，您有三种选择。 最佳方案是对数据进行变换（例如转换为对数或倒数），以使分布更接近高斯分布。另一种选择是使用Kruskal-Wallis检验代替方差分析。最后一种方案是仍使用方差分析，因为在样本量较大时，该方法对高斯分布假设的违背具有相当强的鲁棒性。

各总体是否具有相同的标准偏差？

单向方差分析（ANOVA）假设所有总体具有相同的标准偏差（因此方差也相同）。当所有组别样本量相等（或几乎相等）时，这一假设并不十分重要；但当样本量存在差异时，该假设就显得尤为关键。

Prism 通过两种检验来检验方差是否相等：布朗-福赛斯检验（Brown-Forsythe test）和巴特利特检验（Bartlett's test）。这些检验得出的 P 值回答了以下问题：如果总体方差确实相等，那么随机抽取样本时，其方差之间差异与实验中观察到的差异程度相等的概率是多少。 较小的P值表明方差存在差异。

不要仅凭这些检验得出结论。还应综合考虑其他类似实验的数据。如果您有大量既往数据能让您确信方差确实相等，则可忽略这些检验（除非 P 值极小），并按常规方式解读方差分析（ANOVA）结果。 一些统计学家建议，如果样本量相等（或几乎相等），则完全忽略等方差检验。

在某些实验情境中，发现方差不同可能与发现均值不同同样重要。如果方差不同，则总体不同——无论方差分析（ANOVA）对均值差异得出何种结论。

您检验的假设正确吗？

该检验的零假设认为所有组的组平均值相等。该检验的F统计量是组间方差与组内方差之比。如果该统计量较大，则表明各组的组平均值不相同（在考虑了各组内数据方差程度的前提下）。 随着F统计量增大，相应的P值会减小。如果F统计量足够大（即P值足够小），则可以拒绝该零假设。

数据是否为非配对数据？

单向方差分析通过将组平均值之间的差异与各组的合并标准偏差进行比较来工作。如果数据是配对的，则应选择重复测量方差分析（ANOVA）。 如果配对能有效控制实验变异性，则重复测量方差分析的功效将高于普通（或常规）方差分析。

这些“误差”是否相互独立？

“误差”一词指的是每个值与组平均值之间的差值。单向方差分析的结果只有在数据散布具有随机性时才有意义——即无论是什么因素导致某个值过高或过低，该因素仅影响该单一值。Prism 无法检验这一假设。 您必须考虑实验设计。例如，如果每个组有六个数值，但这些数值来自每组的两只动物（各测三次），则这些误差就不是独立的。在这种情况下，某些因素可能会导致同一只动物的所有三次测量结果都偏高或偏低。

您真的想比较均值吗？

单向方差分析用于比较三个或更多组的平均值。即使分布之间存在显著重叠，仍可能得到极小的 P 值——这清楚地表明总体均值存在差异。 在某些情况下——例如评估诊断试验的实用性——您可能更关注分布的重叠程度，而非均值之间的差异。

是否只有一个因素？

单向方差分析（ANOVA）用于比较由一个因素定义的三个或更多组。例如，您可以将对照组与药物治疗组以及药物加拮抗剂治疗组进行比较；或者将对照组与其他五个分别接受不同药物治疗的组进行比较。

有些实验涉及多个因素。例如，您可能比较男性和女性中三种不同的药物。该实验中有两个因素：药物治疗和性别。这些数据需要通过双向方差分析（也称为二因素方差分析）进行分析。

该因子是“固定因素”还是“随机因素”？

在计算普通单向方差分析时，Prism 会执行固定效应方差分析。这用于检验您所收集数据的特定组别之间组平均值的差异。 另一种称为随机效应方差分析的检验方法则假设：您是从无限（或至少是数量庞大）的可能组别中随机选取的组别，并且您希望就所有组别之间的差异得出结论，甚至包括那些未纳入本次实验的组别。 这种随机效应单向方差分析很少使用，且 Prism 无法执行该分析。

不同的列是否代表分组变量的不同水平？

单向方差分析旨在检验三个或更多组中单个变量的值是否存在显著差异。在 Prism 中，需将每个组输入到各自的列中。如果不同的列代表的是不同的变量，而不是不同的组，那么单向方差分析就不是合适的分析方法。 例如，如果A列是葡萄糖浓度、B列是胰岛素浓度、C列是糖化血红蛋白浓度，那么单向方差分析将无法提供有用的结果。