单因素方差分析比较三个或更多不匹配组的平均值。本核对表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核对表。请阅读其他内容，了解如何选择检验和解释结果。

种群是否按高斯分布分布？

单因素方差分析假设您从服从高斯分布的群体中抽取了数据。虽然由于中心极限定理的存在，这一假设在样本量大的情况下并不太重要，但在样本量小的情况下（尤其是样本量不等的情况下）却很重要。Prism 可以检验是否违反了这一假设，但正态性检验的作用有限。

如果您的数据不是来自高斯分布，您有三种选择。最好的选择是对数值进行转换（也许是对数或倒数），使其分布更加高斯分布。另一个选择是使用 Kruskal-Wallis 非参数检验代替方差分析。最后一种选择是无论如何都使用方差分析，因为它对大样本违反高斯分布的情况相当稳健。

种群是否具有相同的标准偏差？

单因子方差分析假定所有种群具有相同的标准偏差（从而具有相同的方差）。当所有组的受试者人数相同（或几乎相同）时，这一假设并不十分重要，但当样本量不同时，这一假设就非常重要了。

Prism 通过两个检验来检验等方差：Brown-Forsythe 检验和 Bartlett 检验。这些检验值可以回答这个问题：如果种群真的具有相同的方差，那么随机抽样的机会有多大，其方差与实验中观察到的方差一样大。P 值越小，说明方差越大。

不要仅根据这些检验得出结论。还要考虑其他类似实验的数据。如果你有大量以前的数据，使你确信等方差确实相等，那么就忽略这些检验值（除非 P 值真的很小），像往常一样解释方差分析结果。如果样本量相等（或接近相等），一些统计学家建议完全忽略等方差检验。

在某些实验中，发现不同的方差可能与发现不同的均值一样重要。如果方差不同，那么群体就不同--无论方差分析对均值之间的差异得出什么结论。

您测试的假设正确吗？

本检验的零假设是所有组的平均值相等。该检验的 F 统计比率是组平均值之间的方差与组内方差的比率。如果该统计量较大，则表明各组平均值不相同（考虑到各组内部数据的方差量）。随着 F 统计量的增大，相应的 P 值也会减小。如果 F 统计量足够大（P 值足够小），就可以拒绝这个零假设。

数据是否不匹配？

单因素方差分析的工作原理是比较各组平均值之间的差异和各组的集合标准偏差。如果数据匹配，则应选择重复测量方差分析。如果匹配能有效控制实验变异性，那么重复测量方差分析将比普通（或常规）方差分析更具检验力。

"误差"是独立的吗？

术语 "误差"指的是每个值与组平均值之间的差异。单因素方差分析的结果只有在散布是随机的情况下才有意义--即导致一个值过高或过低的任何因素只影响这一个值。Prism 无法检验这一假设。您必须考虑实验设计。例如，如果每组有六个值，但这些值是从每组的两只动物（一式三份）中得到的，那么误差就不是独立的。在这种情况下，某些因素可能会导致来自某只动物的所有三联值偏高或偏低。

您真的想比较平均值吗？

单因素方差分析比较三个或更多组的平均值。即使分布有很大的重叠，也有可能出现极小的 P 值（群体均值不同的明显证据）。在某些情况下，例如评估诊断试验的有用性，您可能更关心分布的重叠程度，而不是均值之间的差异。

是否只有一个因素？

单因素方差分析比较由一个因素定义的三个或更多组。本示例中，您可以比较对照组、药物治疗组和药物加拮抗剂治疗组。或者，您也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。

有些实验涉及不止一个因素。本示例中，您可能会比较男性和女性服用三种不同药物的情况。该实验中有两个因素：药物治疗和性别。这些数据需要用双向方差分析，也叫双因素方差分析。

因素是 "固定 "而非 "随机 "的吗？

在计算普通单向方差分析时，Prism 会执行固定效应单向方差分析。这可以检验您所收集数据的特定组平均值之间的差异。另一种测试称为随机效应单因素方差分析，假设您从无限（或至少大量）可能的组中随机选择了组，并且您希望得出所有组之间差异的结论，甚至包括您在本实验中没有包括的组。这种随机效应单因素方差分析很少使用，Prism 也不进行这种分析。

不同列是否代表分组变量的不同水平？

单因素方差分析询问的是单一变量的值在三个或更多组之间是否有显著的变异性。在 Prism 中，每个组都有自己的列。如果不同的列代表不同的变异性，而不是不同的组，那么单因素方差分析就不合适。本示例中，如果 A 列是葡萄糖浓度，B 列是胰岛素浓度，C 列是糖化血红蛋白浓度，那么单因素方差分析就不会有帮助。