对数正态单因素方差分析用于比较三个或更多个非配对组的均值。本检查清单特异性用于执行无重复测量的单因素方差分析。重复测量方差分析有单独的检查清单。请参阅其他内容，了解如何选择检验方法、解释结果，以及一篇关于对数正态方差分析和对数正态分布的一般性长文。

总体是否服从对数正态分布？

对数正态单因素方差分析（Lognormal one-way ANOVA）假设您的数据是从服从对数正态分布的总体中抽取的。

各总体是否具有相同的几何标准偏差？

对数正态单因素方差分析假设所有总体具有相同的几何标准偏差（GeoSD）。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，该假设至关重要。

Prism 通过两种检验来检验几何标准差是否相等：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：如果总体确实具有相同的几何标准差，那么随机抽取样本时，其几何标准差彼此差异达到实验中观察到的程度，这种概率有多大。较小的 P 值表明几何标准差存在差异。

请勿仅依据这些检验得出结论。还应参考其他类似实验的数据。若您拥有大量既往数据，足以证明方差确实相等，则可忽略这些检验（除非 P 值极小），并按常规方式解释方差分析结果。部分统计学家建议，当样本量相等（或近似相等）时，应完全忽略等方差检验。

Prism 提供了执行 Brown-Forsythe 对数正态性方差分析与 Bartlett 对数正态性方差分析的选择，这两种方法均不假设几何标准差相等。

在某些实验情境中，发现几何标准差（GeoSD）存在差异可能与发现几何均值存在差异同样重要。如果几何标准差不同，则总体不同 - 无论方差分析对几何均值之间的差异得出何种结论。

您是否在检验正确的假设？

该检验的零假设是所有组的几何均值相等。如果相应的 P 值较小，则可拒绝该零假设。在许多情况下，这一总体零假设意义不大，因此将重点放在多重比较检验的结果上更为合理。

数据是否为非配对数据？

如果数据是配对的，则应选择重复测量方差分析。如果配对能有效控制实验变异性，重复测量方差分析的检验力将高于普通（或常规）方差分析。

“误差”是否相互独立？

“误差”一词指每个值与组几何均值之间的差值。单因素方差分析的结果仅在数据散布具有随机性时才有意义 - 即导致某个值过高或过低的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），则误差不独立。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。

您真的想比较几何均值吗？

单因素方差分析（One-way ANOVA）用于比较三个或更多组的几何均值。即使分布之间存在显著重叠，仍可能得到极小的 P 值 - 这清楚地表明总体几何均值存在差异。在某些情况下 - 例如评估诊断试验的有效性 - 您可能更关注分布之间的重叠程度，而非几何均值之间的差异。

是否仅有一个因素？

单因素方差分析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，您可以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。

某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因素方差分析（也称为二元方差分析）进行分析。

该因子是“固定因素”还是“随机因素”？

在计算普通单因素方差分析时，Prism 执行的是固定效应方差分析。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（或至少是大量）可能的组中随机选取了若干组，并且您希望得出关于所有组之间差异的结论，即使包括那些未纳入本次实验的组。这种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？

单因素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，需将每个组数据分别输入到独立的列中。如果不同列代表的是不同的变量而非不同的组，则单因素方差分析并不适用。例如，若 A 列为葡萄糖浓度、B 列为胰岛素浓度、C 列为糖化血红蛋白浓度，则单向对数正态方差分析将无法提供有效分析。