单向方差分析比较三个或更多不匹配组的平均值。请阅读其他内容，了解如何选择检验方法，以及如何解读结果。

群体是否按高斯分布分布？

单向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。最后一个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。

数据是否不匹配？

单向方差分析的原理是比较组平均值与各组标准偏差的差异。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，重复测量方差分析将比常规方差分析更有检验力。

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。单向方差分析的结果只有在散布是随机的情况下才有意义，即无论什么因素导致一个值过高或过低，都只影响这一个值。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？

单向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？

单向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。或者将对照组与五个不同的药物治疗组进行比较。

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？

Prism 执行 I 型方差分析，也称为固定效应方差分析。这可以测试您所收集数据的特定组平均值之间的差异。第二类随机效应方差分析，也称为随机效应方差分析，假定您已经从无限（或至少大量）可能的组中随机选择了组，并且您希望就所有组之间的差异得出结论，甚至包括您在本实验中没有包括的组。很少使用第二类随机效应方差分析，Prism 也不执行这种方法。

不同的列代表分组变量的不同水平吗？

单向方差分析询问单个变量的值在三个或更多组之间是否有显著差异。在 Prism 中，每个组都有自己的列。如果不同的列代表不同的变量，而不是不同的组，那么单向方差分析就不合适。例如，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，那么单向方差分析就不会有帮助。