重复测量单因素方差分析可以比较三个或更多匹配组的平均值。阅读其他地方了解如何选择一项检验，以及解读结果。

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，＞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无法检验这一假设。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（但不是所有行）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平均值、治疗效果（接受特定治疗的受试者与总体平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平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，且标准偏差在个体（行）或治疗（列）之间无变化。尽管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未检验违反这一假设。

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。同样，如果您想在几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“双因素方差分析”）进行分析。

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。

通过重复测量，Prism可以拟合混合效应模型。该模型假设受试者（或窝仔...）之间的差异具有随机性。但其假设定义输入列的每个数值的因素均为固定因素。

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 或者 球形度。它与您可能遇到的另一术语密切相关， 复合对称性。

重复测量方差分析对循环假设的违反情况非常敏感。如果违反该假设，则P值将会过低。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，只需担心圆形假设，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），并报告更高的P值。

如果缺少任何值，是否因随机事件所致？

从Prism 8开始，可以通过拟合混合模型来计算缺少值的重复测量数据。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。由于治疗有毒而导致的数值缺失不属于随机缺失。