在嵌套 t 检验的示例中，Rats(Treatment) 的 P 值为 0.0239。根据通常的统计显著性定义（即 P<0.05），可以拒绝“每个处理组中的所有大鼠均值相同”这一零假设。

在嵌套单因素方差分析的示例中，牛群(处理)的P值为0.1231。由于该值大于传统的0.05阈值，因此无法拒绝“每个处理组内的所有牛群平均红细胞压积相同”的零假设。

由于该P值“较高”，是否应据此推断各牛群之间无差异，进而合并数据并进行常规t检验？这是一个棘手的问题。

•这种方法的吸引力在于，均值差的置信区间会更窄，P值也会更小。

•这种方法的问题在于，较高的 P 值并不能证明各牛群（就本示例而言）的均值完全相同，它仅仅表明您没有强有力的证据证明这些均值不相同。

•一些统计学家建议绝不合并数据，认为合并本质上是一种为了降低主要比较的 P 值而采取的伎俩。另一些统计学家则谨慎地建议合并，但仅限于嵌套因子的 P 值相当高（也许大于 0.25 甚至大于 0.75）时。

•Prism 软件不支持合并分析，我们也不建议进行合并分析。