单因素方差分析比较三个或更多不匹配组的均值。该检查表专用于执行无重复测量的单因素方差分析。该检查表是一份用于重复衡量单因素方差分析的单独检查表。请阅读其他章节,了解如需选择检验,以及结果解读。
单因素方差分析假设您的数据采集自服从高斯分布的总总体。虽然考虑到中心极限定理,该假设对于大样本来说并不太重要,但对于小样本量(尤其是不相等的样本量)很重要。Prism可检验是否违反该假设,但正态性检验的效用有限。
如果您的数据不服从高斯分布,则有三个选择。最佳选择是转换这些值(可能是对数或倒数),使其更倾向于高斯分布。另一种选择是使用Kruskal-Wallis非参数检验代替方差分析。最后一个选择是使用方差分析,在此情况下,需要认识到,当样本量较大时,可以违反高斯分布。
单因素方差分析假设所有总体具有相同的标准差(因此方差相同)。所有研究组的受试者人数相同(或几乎相同)时,该假设并不重要,但当样本量不同时,该假设非常重要。
Prism通过两种检验来确定方差相等性:Brown-Forsythe检验和Bartlett检验。这些检验的P值可回答该问题:如果总体的方差确实相同,则您随机选择的样本方差和您在实验中观察到的方差相同的可能性有多大。P值较小时,表明方差不同。
不要仅基于这些检验得到结论。同时思考下其他类似实验的数据。如果您有大量之前数据让您相信方差确实相等,则忽略这些检验(除非P值确实很小),像往常一样解释方差分析的结果。一些统计学家建议,如果样本量相等(或接近相等),则完全忽略等方差检验。
在一些实验环境中,找到不同的方差可能和找到不同的方法一样重要。如果方差不同,则总体也不同 - 不论方差分析在均值之间差异方面得出什么结论。
该检验的零假设假设所有组的均值相等。该检验的F统计量等于组均值之间方差与组内方差的比率。如果该统计量很大,则表明组均值并不相同(考虑到每个组内数据的方差量)。随着F统计量的增大,相应P值将随之减小。如果F统计量足够大(P值足够小),则可拒绝这一零假设。
单因素方差分析的工作原理是比较各组均值之间的差异和各组的汇总标准差。如果数据匹配,则您应选择重复测量方差分析。如果匹配在控制实验变异性方面有效,则重复测量方差分析将比普通(或常规)方差分析更有效。
“误差”是指每个值与研究组均值之间的差异。单因素方差分析的结果只在分散为随机分散时才有意义 - 无论什么因素导致一个数值过高或者过低时,都只会影响该特定数值。Prism无法检验该假设。您必须考虑实验设计。例如,如果每组有六个数值,但这些值均每组两只动物身上获得(一式三份),则误差并非独立存在。在此情况下,一些因素可能导致一只动物的所有3份重复样的数值均较高或较低。
单因素方差分析比较三个或更多组均值。即使分布存在相当大的重叠,P值也可能很小,这是总体均值不同的明显证据。在某些情况下(例如,评估诊断检验的有用性),您可能更感兴趣的是分布的重叠,而非均值之间的差异。
单因素方差分析可以比较由一项因素定义的三个或更多个研究组。例如,您可以将对照组、药物治疗组和药物加拮抗剂治疗组进行比较。或者,也可以将对照组与每个组都接受不同的药物治疗的其他五个组进行比较。
有些实验涉及不止一项因素。例如,您可以在男性和女性人群中,比较三种不同药物。该实验有两项因素:药物治疗和性别。需通过双因素方差分析(又称“双因子方差分析”)分析这些数据。
计算普通单因素方差分析时,Prism执行固定效应单因素方差分析。由此检验您收集数据所涉及的特定研究组的均值之间的差异。另一种检验类型(又称“随机效应方差分析”)假设您从无限(或至少大量)可能的组中随机选择研究组,且您想得到所有组之间差异的结论,甚至是未纳入该实验中的研究组。该随机效应单因素方差分析很少使用,Prism不执行该方法。
单因素方差分析询问三个或三个以上研究组之间的单个变量值是否存在显著差异。在Prism中,您可以在每个研究组的专门列中输入数据。如果不同列代表不同变量(而非不同组),则单因素方差分析将不太合适。例如,如果A列为葡萄糖浓度,B列为胰岛素浓度,C列为糖化血红蛋白浓度,则单因素方差分析并无任何帮助。