Prism中的重复测量单因素方差分析会比较三个或更多个组的均值，每个组中都会测量（或匹配）相同的受试者。请阅读其他章节，了解如何选择检验，以及结果解读。

匹配是否有效？

使用重复测量检验的要点在于控制实验的变异性。在实验中，您不能控制的一些因素会同等地影响一名受试者的所有测量值，因此不会影响该受试者测量值之间的差异。因此，通过只分析差异，匹配检验会控制一些分散源。

匹配应作为实验设计的一部分，而非在收集数据后所做的事情。Prism可以检验与F检验（不同于列间差异的主要F检验）之间匹配的有效性。如果用于匹配的P值较大（例如，大于0.05），则应该质疑使用重复测量检验是否有意义。理想情况下，您对是否使用重复测量检验的选择不仅应该基于该P值，还应该基于实验设计和您在其他类似实验中看到的结果。

受试者是否独立？

重复测量方差分析的结果只有在受试者独立时才有意义。Prism无法检验该假设。您必须考虑实验设计。例如，如果有六个数据行，但这些数值获取自三只动物，且每只动物均存在重复测量值，则误差并非独立存在。在此情况下，一些因素可能会影响一只动物的测量结果。由于该因素会影响两行（但并非所有行）中的数据，因此行（受试者）不独立。

随机变异性的分布是否服从高斯分布？

重复测量方差分析假设每个测量值为总体均值、治疗效果（接受特定治疗的受试者与总体均值之间的平均差异）、个体效果（在特定受试者中进行的测量值与总体均值之间的平均差异）和随机分量等分量之和。此外，其假设随机分量遵循高斯分布，且标准差在个体（行）或治疗（列）之间无变化。虽然这一假设对大样本来说不太重要，但对小样本来说可能很重要。Prism未检验违反该假设。

是否在检验正确的假设？

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。

是否仅一项（固定）因素？

单因素方差分析可以比较由单一分组因素定义的三个或更多个研究组。在此设计中，每个组都代表一个水平的固定因素。例如，您可以将三个研究组（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。在这两种情况下，每个组都代表不同水平的单一“治疗”因素。

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。同样，如果您想在多个时间点比较药物治疗的效果，存在两项需要考虑的因素。这些数据需要通过双因素方差分析（又称“双因子方差分析”）进行分析。

分组因素保持“固定”还是“随机”？

Prism的“重复测量单因素方差分析”有点用词不当。实际上，本分析是一种混合效应分析，其包含两项因素，即：一项固定因素和一项随机因素。分析中的分组因素（定义被比较组的因素）应作为固定因素。换言之，该检验旨在研究用于收集数据的特定组之间的均值差异。如果分组因素是一项随机因素，则该分析假设您从无限（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。此类分析称为“随机效应模型”，十分罕见，因此Prism未提供在本分析中使用该模型的选项。

在重复测量单因素方差分析中还有第二项因素，即，受试者因素。在此设计中，在每组条件下测量相同的受试者（或匹配的受试者）。需要受试者因素将每个组中的值分配给特定受试者。该因素为“随机因素”，原因在于您所使用的受试者仅代表其所来自的更大总体。由于您在每个组中都使用相同的受试者，但您对这些特定受试者又不感兴趣，因此您希望考虑测量中的变异性。在统计学大白话中，由于该随机因素的受试者出现在每一个固定因素组中，因此随机因素称为“交叉随机效应”，分析设计称为“混合效应模型”（由于其既包括固定效应，也包括随机效应）。

您能否接受圆形度或球形度假设？

重复测量方差分析假设随机误差确实为随机误差。导致一名受试者的测量值偏高（或偏低）的随机因素不会影响同一受试者的下一次测量。该假设称为“圆形度”或“球形度”。其与您可能遇到的另一术语复合对称性密切相关。

重复测量方差分析对球形度假设的违反情况非常敏感。如果违反该假设，则P值将会过小。违反该假设的方法之一是通过在短时间间隔内进行重复测量，使特定值变高（或变低）的随机因素不会在下一次测量前被忘却或消散。为避免违反该假设，在两次治疗之间等待足够长的时间，以此确保受试者基本上与治疗前的情况一样。并在可能的情况下，随机选择治疗顺序。

进行重复测量实验时，只需担心球形度假设，其中每一行数据代表来自单名受试者的重复测量。随机区组实验不可能违反该假设，因为每一行数据均代表一组匹配受试者的数据。

如果不能接受球形度假设，则可以在“参数”对话框中指定。在此情况下，Prism将考虑可能违反假设的情况（使用Geisser和Greenhouse方法），并报告更大的P值。

如果缺少任何值，是否因随机事件所致？

从Prism 8开始，可以通过拟合混合效应模型，计算缺少值的重复测量方差分析。但是，仅当造成数值缺失的原因是随机原因时，才能解读结果。由于过高而无法测量（或过低）导致的数值缺失不属于随机缺失。因为治疗有毒导致值缺失，不属于随机缺失。