Friedman 检验是一种非参数检验，用于比较三个或更多配对组。

配对是否有效？

使用重复测量检验的全部意义在于控制实验变异性。你在实验中没有控制的一些因素会同样影响一个受试者的所有测量结果，因此它们不会影响该受试者测量结果之间的差异。因此，通过只分析差异，匹配试验可以控制一些散差来源。

匹配应该是实验设计的一部分，而不是在收集数据后进行的。Prism 没有使用 Friedman 检验来检验匹配的充分性。

受试者（行）是独立的吗？

只有当受试者（行）独立时，Friedman 检验的结果才有意义，即没有任何随机因素会影响到多行的值。Prism 无法检验这一假设。您必须考虑实验设计。本示例举例说明，如果有六行数据是由三只动物重复获得的，那么误差就不是独立的。在这种情况下，某些随机因素可能会导致一只动物的所有数值偏高或偏低。由于该行因素会影响其中两行（但不会影响其他四行），因此这些行不是独立的。

数据是否明显来自非高斯群体？

通过选择非参数检验，您避免了假设数据是从高斯分布中采样的，但使用非参数检验也有缺点。如果种群真的是高斯分布，非参数检验的检验力就会降低（不容易得到较小的 P 值），尤其是在样本量较小的情况下。此外，Prism（以及大多数其他程序）在计算非参数检验时不会计算置信区间。如果分布形状明显不是钟形，可以考虑对数值进行转换（也许是对数或倒数），创建高斯分布，然后使用重复测量方差分析。

是否只有一个因子？

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。同样，如果您想比较多个时间点的药物治疗效果，也有两个因素。这些数据需要通过双因素方差分析（也称为双因素方差分析）进行分析。