单因素方差分析比较三个或更多不匹配组的平均值。阅读其他地方了解如何选择一项检验，以及解读结果。

群体分布是否服从高斯分布？

单因素方差分析假设您的数据采集自随高斯分布的总群体。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，但这对于小样本量（尤其是不相等的样本量）很重要。Prism可以检验违反这一假设，但正态性检验的效用有限。

如果您的数据并非来自高斯分布，则您有三个选择。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，其中，需要认识到，当样本量较大时，它可以抵抗对高斯分布的违反。

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汇总标准偏差。如果数据匹配，则您应该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常规方差分析更有效。

“误差”是否独立存在？

“误差”一词是指每个值与组平均值之间的差异。单因素方差分析的结果只在分散为随机分散时才有意义 - 无论是什么因素导致一个数值过高或者过低，都只会影响该特定数值。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三重复均较高或较低。

您是否真的想比较平均值？

单因素方差分析比较三个或更多组的平均值。即使分布有相当大的重叠，P值也可能很小，这是群体平均值不同的明显证据。在某些情况下（例如，评估诊断检测的有用性），您可能更感兴趣的是分布的重叠，而非平均值之间的差异。

是否只存在一项因素？

单因素方差分析可以比较由一项因素定义的三个或三个以上的组。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。或者您可以将一个对照组与五种不同的药物治疗进行比较。

有些实验涉及不止一项因素。例如，您可以基于男性和女性比较三种不同药物。该实验有两项因素：药物治疗和性别。这些数据需要通过以下方式进行分析，又称“双因素方差分析”。

因素是“固定的”还是“随机的”？

Prism执行I型方差分析，又称“固定效应方差分析”。这将检验您收集数据的特定组的平均值之间的差异。II型方差分析（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小组，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小组。II型随机效应方差分析很少使用，Prism不执行该方法。

不同列是否可以代表分组变量的不同级别？

单因素方差分析询问三个或三个以上组之间的单个变量值是否存在显著差异。在Prism中，您可以在各自列中输入每个组。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。