使用方差分析（ANOVA）的多重比较检验，在每个剂量点上比较两条剂量反应曲线（或在每个时间点上比较两条时间过程曲线），这样做合理吗？
不。
双因素方差分析可用于比较两条剂量反应曲线或时间进程曲线。这种方法的问题在于，双因素方差分析将不同的剂量（或时间点）与不同的物种或不同的药物一视同仁。双因素方差分析忽略了不同剂量（或时间）之间存在序列性或数值性的事实。即使将剂量或时间随机打乱，仍会得到相同的双因素方差分析结果。
如果数据不足或理论基础不够充分以拟合曲线，方差分析可能是比较曲线的一个合理第一步。您会得到一个P值，用于检验“所有剂量导致相同效应”的零假设；另一个P值，用于检验“所有（两种）处理方式无法区分”的零假设；以及第三个P值，用于检验是否存在交互作用 - 即处理方式之间的差异在所有剂量下是否一致。 第一个 P 值通常非常小，且信息量有限（当然，治疗本身是有作用的）。第二个 P 值可能是您最关心的，因为它考察的是两条曲线之间的差异。
此时，人们往往会忍不住在每个剂量（或每个时间点）上进行多重比较检验，以判断治疗组之间的差异是否统计学显著。 我看不出这些多重比较检验能提供什么有用的信息。如果存在两条截然不同的剂量反应曲线，您预期在低剂量时会看到微小差异，而在中等剂量时会看到显著差异。在每个剂量点进行多重比较检验，能帮助您理解研究系统吗？能帮助您设计更好的实验吗？我认为这两个问题的答案几乎总是“否”。
有什么替代方案？使用非线性回归来提出一个有针对性的问题。在这种情况下，利用非线性回归量化EC50的倍数变化及其置信区间，并计算P值以检验“未发生变化”这一零假设。详情请见此处。
询问“能产生统计学显著差异的最低剂量是多少”是否合理？
不。
有些人希望关注低剂量，并提出这样的问题：能使两种处理之间产生统计学显著差异的最低剂量是多少？“显著”一词往往会模糊清晰的思考，因此让我们将这个问题转化为：在数据能让我确信两条曲线之间的差异是由于处理而非偶然因素所致的情况下，最低剂量是多少？答案在一定程度上依赖于您在每个剂量下进行了多少次重复实验。 仅通过增加重复次数，您就能使这个“最低显著剂量”更低。但我看不出这如何能帮助您更好地理解系统，或如何有助于设计更好的实验。
下面的模拟数据说明了这一点。两幅图都是使用四参数剂量反应曲线模拟的，参数和随机散布量相同。左侧图表每个剂量有三个数据点（三重复）。右侧图表每个剂量有24个重复。
数据采用双因素方差分析（two-way ANOVA）及Bonferroni多重比较检验进行分析。
对于左侧图表，当 log(浓度) 为 -8 时，两组数据集之间的差异首次达到统计学显著性（采用 Bonferroni 校正的比较族中，显著性水平 α = 0.05）。
相比之下，对于右侧图表，当 log(浓度) 为 -9 时，差异才首次变得统计学显著。介于这两个数值之间的浓度（1 nM 至 10 nM）在右侧图表中产生了统计学显著效应，但在左侧图表中则未产生。
我进行了几次模拟，结果一致，因此这并非随机数产生的偶然现象。相反，这表明使用更多重复实验可以使更小的差异被检测为“统计学显著”。
通过改变实验设计，我们可以改变对以下问题的答案：两种药物的反应在何种最低浓度下具有统计学上的显著差异？这表明该问题并不值得探讨。
