Prism 中的重复测量方差分析对数正态性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（或经过配对）。请参阅其他资料，了解如何选择检验方法以及如何解释结果。

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，而非数据收集后的补救措施。Prism 通过 F 检验（与用于检验列间差异的主 F 检验不同）来检验配对的有效性。 如果配对检验的 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在其他类似实验中观察到的结果。

受试者是否相互独立？

重复测量方差分析的结果仅在受试者相互独立时才有意义。Prism无法检验这一假设。 您必须考虑实验设计。例如，如果您有六行数据，但这些数据来自三只动物，且每只动物都有重复测量，那么误差就不是独立的。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。由于该因素会影响两行（而非所有行）的数据，因此这些行（受试者）是不独立的。

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：一种针对采样自正态（高斯）分布的数据，另一种是重复测量对数正态方差分析，其假设数据采样自对数正态分布。在执行重复测量对数正态方差分析时，该分析假设每次测量值由总体几何均值、处理效应、个体效应和随机成分共同构成。 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。虽然在大样本情况下这一假设的重要性不高，但在小样本量时可能至关重要。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，确定组平均值方差与组内方差。 F 统计量即这两项方差指标的比值。若该统计量较大，则表明原始数据的几何均值不相同（鉴于各组内对数转换数据中的方差量）。随着 F 统计量增大，相应的 P 值会减小。若 F 统计量足够大（即 P 值足够小），则可拒绝该零假设。

是否仅有一个（固定）因素？

单因素方差分析（One-way 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“治疗”因子的不同水平。

某些实验涉及多个因素。例如，您可能需要比较男性和女性对三种不同药物的反应。该实验中存在两个因素：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。

分组因子是“固定”的还是“随机”的？

Prism 中的“重复测量单因素方差分析”这一名称稍显不准确。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值。 如果分组因子被设为随机因素，分析将假设您是从无限（或至少是大量）可能的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”，而 Prism 并不支持在此分析中进行此类操作。

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（或配对受试者）在每个组别条件下接受测量。受试者因素用于将各组中的测量值分配给特定受试者。该因素属于“随机因素”，因为所使用的受试者仅代表其来源的更大总体。 您希望考虑因在每个组中使用同一受试者而导致的测量变异性，但并不关注这些特异性受试者。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一次测量。这一假设被称为圆度或球面性。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散。为避免违反该假设，应确保各处理之间间隔足够长，使受试者在下次处理时基本恢复到处理前的状态。在可能的情况下，还应随机化处理顺序。

仅在进行重复测量实验时才需关注球面性假设，此类实验中每行数据代表来自单个受试者的重复测量。而在随机区组实验中，每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。

若无法接受球面性假设，可在“参数”对话框中进行指定。此时，Prism 将考虑该假设可能存在的球形违背情况（采用 Geisser 和 Greenhouse 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来计算包含缺失值的重复测量方差分析。但只有当缺失值的原因是随机的时，结果才具有解释意义。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。如果缺失值是因为某种处理具有毒性，则这些值并非随机缺失。