通过双因素方差分析（又称“双因素方差分析”），可确定一种反应如何受到两项因素的影响。例如，您可以测量男性和女性对三种不同药物的反应。在本示例中，药物治疗是一项因素，性别是另一项因素。阅读其他部分，以了解 如何选择检验，以及 解读结果。

群体分布是否服从高斯分布？

双因素方差分析假设您的重复样服从高斯分布。虽然该假设对大样本来说不太重要，但对小样本来说却很重要，尤其是不相等的样本。Prism未检验违反该假设。如果您确实认为您的数据并非从高斯分布数据中抽样得到（不会通过变换使数据服从高斯分布），则您应该考虑进行非参数双因素方差分析。Prism未提供这种检验。

方差分析还假设所有重复样集的总体SD相同，SD之间的所有差异均因随机抽样所致。

数据是否不匹配？        

标准双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”是指每个数值与所有重复平均值之间的差异。双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，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，如果您有六份重复样，但这些重复样以一式三份的方式从两只动物身上获得，则误差不独立。在此情况下，一些因素可能导致一只动物的所有数值均较高或较低。

您是否真的想比较平均值？

双因素方差分析可以比较平均值。即使分布存在相当大的重叠，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，评估诊断检验的有用性），您可能更感兴趣的是分布的重叠，而非平均值之间的差异。

是否存在两项因素？

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，您可以将一个对照组与五种不同的药物治疗进行比较。Prism针对单因素方差分析提供一种单独的分析法。

有些实验涉及两项因素。例如，您可以在四个时间点比较男性和女性服用的三种不同药物。该实验存在三项因素：药物治疗、性别和时间。这些数据需要通过三因素方差分析（又称“三因素方差分析”）进行分析。Prism不执行三因素方差分析。

这两项因素是否均属于“固定因素”，而非“随机因素”？

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所涉及的特定研究组的平均值之间的差异。如果您从无限（或者至少是大量）可能的组中随机选择组，且希望得到所有组（甚至是您未包括在该实验中的组）之间差异的结论，则需要其他计算。