单向方差分析用于比较三个或三个以上非配对组的均值。关于如何选择检验方法以及如何解释结果，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并不太重要，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，因为在大样本情况下，该方法对高斯分布假设的违背具有相当强的鲁棒性。

数据是否为非配对数据？

单向方差分析是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的。如果数据是配对的，则应改用重复测量方差分析。如果配对能有效控制实验变异性，那么重复测量方差分析的功效将强于常规方差分析。

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，但这些数值来自该组中的两只动物（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，仍可能出现极小的 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；或者将对照组与五种不同的药物治疗组进行比较。

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”？

Prism 执行 I 类方差分析，也称为固定效应方差分析。该分析用于检验您所收集数据的特定组别均值之间的差异。 II 类方差分析（也称为随机效应方差分析）假设您是从无限（或至少是数量庞大）的可能组中随机选取的组，并且您希望就所有组之间的差异得出结论，即使包括那些未纳入本次实验的组。 II 类随机效应方差分析很少使用，且 Prism 不支持该功能。

不同的列是否代表分组变量的不同水平？

单向方差分析用于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。