双因素方差分析（又称“双因素方差分析”）决定了一个反应如何受到两项因素的影响。“重复测量”是指重复测量其中一项因素。例如，您可以比较两种治疗方法，并在四个时间点（重复）测量每名受试者。阅读其他地方了解如何选择一项检验、数据绘图，以及解读结果。

数据是否匹配？        

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。除上述方面外，还需检查您在实验设计选项卡中的选择是否与数据的实际排列方式相匹配。如果您犯了错误，并且在假设重复错误因素的情况下完成了计算，则结果将不会正确的或者有用。

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了一种单独的分析法。

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。该实验有三项因素：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。

这两项因素是否均属于“固定因素”，而非“随机因素”？

尽管Prism假设重复测量的参与者随机选定，但其假设由行或数据集列指定的治疗或类别为固定因素。这意味着您需要询问特定治疗或类别如何对结果造成影响。如果您从无限（或至少是大量）数量的可能治疗方法或类别中随机选择治疗方法或类别，且想要得到所有治疗方法或类别之间差异的结论，甚至是您未包括在该实验中的治疗方法或类别，则需要进行其他计算。Prism不能处理这种情况。

您能否接受球形度假设？

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。它与您可能在高级文本中遇到的另一术语密切相关， 复合对称性。

当您的实验确实是重复测量的实验，且具有来自单名受试者的测量时，您才需要担心循环性假设。在使用匹配受试者组（或匹配实验组）的随机分组实验中，不太可能存在循环性问题

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。当重复测量的距离过近，从而致使导致某个特定值较高（或较低）的随机因素在下次测量之前不会消除或消散时，将违反该假设。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。如果可能，还应随机设置治疗顺序。

考虑重复测量的双因素方差分析的替代方法。

双因素方差分析可能无法回答您的实验旨在解决的问题。考虑替代方法。

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。