Friedman检验是一种用于比较三个或更多成对组别的非参数检验。

配对是否有效？

使用重复测量检验的全部意义在于控制实验变异性。实验中某些无法控制的因素会等同地影响同一受试者的所有测量值，因此不会影响该受试者各测量值之间的差异。因此，通过仅分析这些差异，配对检验可以控制部分散点来源。

配对应作为实验设计的一部分，而非在收集数据后才进行的操作。Prism 不会使用 Friedman检验来检验配对的充分性。

受试者（行）是否相互独立？

Friedman检验的结果仅在受试者（行）相互独立时才有意义——即没有任何随机因素影响了超过一行中的数据值。Prism 无法检验这一假设。您必须仔细考虑实验设计。例如，如果您有六行数据，这些数据来自三只动物且每组数据均进行了重复测量，那么这些误差就不是相互独立的。 在这种情况下，某些随机因素可能会导致同一只动物的所有数值偏高或偏低。由于该因素会影响其中两行（但不会影响其余四行），因此这些行之间不独立。

数据是否显然采自非高斯总体？

通过选择非参数检验，您避免了假设数据采自高斯分布，但使用非参数检验也存在缺点。如果总体确实服从高斯分布，非参数检验的功效会较低（即更难得出较小的 P 值），尤其是在样本量较小时。 此外，Prism（以及大多数其他软件）在进行非参数检验时不会计算置信区间。如果分布明显不呈钟形，请考虑对数据进行变换（例如转换为对数或倒数），以构建高斯分布，然后使用重复测量方差分析（ANOVA）。

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，您可以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。同样地，若要比较药物治疗在多个时间点上的效果，也存在两个因素。此类数据需要采用双向方差分析（也称为二因素方差分析）进行分析。