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对同一受试者的所有测量值产生同等影响，因此不会影响该受试者各测量值之间的差异。因此，通过仅分析差异，配对检验可以控制部分散布来源。

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？

只有当受试者（行）相互独立 - 即没有任何随机因素影响了多于一行中的数据值时，Friedman检验的结果才有意义。Prism无法检验这一假设。 您必须考虑实验设计。例如，若数据包含来自三只动物的六行重复测量结果，则误差值不具有独立性。在此情况下，某些随机因素可能导致某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），因此这些行不具有独立性。

数据是否明确采样自非高斯总体？

选择非参数检验虽避免了假设数据来自高斯分布，但使用非参数检验也存在弊端。如果总体确实服从高斯分布，非参数检验的检验力会降低（即获得较小 P 值的概率较低），尤其在样本量较小的情况下。 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。如果分布明显不是钟形分布，请考虑对数据进行转换（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。

是否仅有一个因素？

单因素方差分析（One-way ANOVA）用于比较由单一因素定义的三个或更多组。例如，您可以比较对照组、药物治疗组以及药物联合拮抗剂治疗组；或者比较对照组与五种不同的药物治疗组。

有些实验涉及多个因素。例如，您可能需要比较男性和女性中三种不同药物的效果。该实验中有两个因素：药物治疗和性别。同样地，如果您希望比较药物治疗在多个时间点上的效果，也存在两个因素。此类数据需要通过双因素方差分析（也称为二元方差分析）进行分析。