Prism 中的重复测量方差分析（单向方差分析）用于比较三个或更多组的几何均值，这些组中每个组的受试者均为同一批（或经过匹配）。有关如何选择检验方法及解释结果，请参阅其他资料。

配对是否有效？

使用重复测量检验的根本目的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，配对检验能够控制部分散布来源。

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 通过 F 检验（有别于用于检验各列间差异的主 F 检验）来检验配对的有效性。如果配对的 P 值较大（例如大于 0.05），则应质疑使用重复测量检验是否合理。 理想情况下，是否采用重复测量检验的决策不应仅基于这一P值，还应综合考虑实验设计以及您在其他类似实验中观察到的结果。

受试者是否相互独立？

只有当受试者相互独立时，重复测量方差分析的结果才有意义。Prism无法检验这一假设。您必须仔细考虑实验设计。 例如，如果数据有六行，但这些数据来自三只动物，且每只动物都有重复测量，那么这些误差就不是相互独立的。在这种情况下，某些因素可能会影响某一只动物的测量结果。由于该因素会影响其中两行（而非全部）的数据，因此这些行（受试者）之间不具有独立性。

随机变异性是否服从对数正态分布？

Prism 提供了两种重复测量方差分析（ANOVA）版本。一种是针对从正态（高斯）分布中抽样的数据进行的分析，另一种是重复测量对数正态方差分析，该分析假设数据是从对数正态分布中抽样的。 在执行重复测量方差分析时，该分析假设每个测量值是由总体几何均值、处理效应、个体效应和随机成分组合而成的。 此外，该分析还假设随机成分服从对数正态分布，且几何标准偏差在个体（行）或处理（列）之间保持恒定。虽然在样本量较大时这一假设并不十分重要，但在样本量较小的情况下则可能至关重要。Prism 不会对该假设的违背情况进行检验。

您是否检验了正确的假设？

该检验的零假设认为所有组的几何均值相等。为了计算该检验的 F 统计量，首先对数据进行对数转换。利用这些对数转换后的数据，确定组平均值与组内方差。F 统计量即为这两项方差指标的比值。 如果该统计量较大，则表明原始数据的几何均值并不相同（鉴于对数转换后数据中各组内的方差水平）。随着 F 统计量的增大，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。

是否只有一个（固定）因素？

单向方差分析（ANOVA）用于比较由单一分组因子定义的三个或更多组。在此设计中，每个组代表固定因素的一个水平。例如，您可以比较三个组：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。在这两种情况下，各组都是单一“处理”因子的不同水平。

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，如果您想比较药物治疗在多个时间点上的效果，也有两个因素。这些数据需要通过双向方差分析（也称为两向方差分析）进行分析。

分组因子是“固定”的还是“随机”的？

Prism 中的“重复测量单向方差分析”这一名称其实有些名不副实。实际上，该分析是一种混合效应分析，包含两个因素：一个固定因素和一个随机因素。分析中的分组因素（即定义待比较组别的因素）应为固定因素。 换言之，该检验旨在探究您所收集数据的特定组别之间几何均值的比例关系。 如果分组因子被设为随机因素，则该分析将假设您是从无限（或至少是数量庞大）的可能分组中随机选取了若干组，并且您希望得出关于所有分组之间差异的结论，甚至包括那些未纳入本次实验的分组。 此类分析被称为“随机效应模型”，Prism 软件在本次分析中不会执行该模型。

重复测量方差分析中还存在第二个因素，即受试者因素。在此设计中，同一受试者（或匹配的受试者）在每个组别条件下均接受测量。需要受试者因素来将各组中的测量值分配给特定的受试者。 该因子被视为“随机因素”，是因为所使用的受试者仅代表其来源的更大总体。您需要考虑因在每个组中使用同一受试者而导致的测量变异性，但并不关注这些具体的受试者本身。 在统计学术语中，由于该随机因素的受试者出现在固定因素的每个组中，因此该随机因素被称为“交叉随机效应”，而该分析设计被称为“混合效应模型”（因为它同时包含固定效应和随机效应）。

您能接受圆度或球度的假设吗？

重复测量方差分析（ANOVA）假设随机误差确实是随机的。 导致某受试者某次测量值略高（或略低）的随机因素，不应影响该受试者的下次测量。这一假设被称为“循环性”或“球形性”。它与您可能遇到的另一个术语“复合对称性”密切相关。

重复测量方差分析对球形违背非常敏感。如果该假设被违背，P 值将会过小。 违反这一假设的一种情况是：重复测量的间隔时间过短，导致使特定数值偏高（或偏低）的随机因素在下次测量前未能消退或消散。为避免违反该假设，应在两次处理之间留出足够长的间隔，确保受试者在处理后与处理前状态基本一致。 在可能的情况下，还应随机化处理顺序。

您只需在进行重复测量实验时才需要关注球形性假设，在此类实验中，每一行数据代表来自单个受试者的重复测量结果。而在随机区组实验中，每一行数据代表来自一组匹配受试者的数据，因此不可能违反该假设。

如果您无法接受球形性假设，可以在“参数”对话框中进行指定。在这种情况下，Prism 将考虑该假设可能存在的球形违背情况（采用 Geisser 和 Greenhouse 的方法），并报告一个更大的 P 值。

如果存在缺失值，这是由于随机事件造成的吗？

从 Prism 8 开始，可以通过拟合混合效应模型，在存在缺失值的情况下计算重复测量方差分析。但只有当缺失值的原因是随机的时，才能对结果进行解释。如果某个值缺失是因为其数值过高（或过低）而无法测量，则该缺失并非随机缺失。 如果数据缺失是因为某种治疗具有毒性，那么这些缺失值就不是随机的。