Friedman检验是一种非参数检验，可以比较三组或或更多配对组。

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未测量与Friedman检验之间匹配的充分性。

受试者（行）是否独立？

Friedman检验的结果只在受试者（行）属于独立因此时才有意义 - 即不存在影响一行以上的数值的随机因素。Prism无法检验这一假设。您必须考虑实验设计。例如，如果您从三只动物中重复获得六行数据，则误差不独立。在此情况下，一些随机因素可能导致一只动物的数值均较高或较低。由于该因素会影响其中的两行（但不会影响其他四行），因此这些行不独立。

数据是否明确从非高斯群体中抽样得到？

通过选择非参数检验，可避免从高斯分布中进行数据抽样的假设，但非参数检验的使用也存在缺点。如果群体确实服从高斯分布，则非参数检验的作用就更小（不太可能给您一个小的P值），特别是在小样本的情况下。此外，在计算非参数检验时，Prism（以及大多数其他程序）不计算置信区间。如果分布明显不呈钟形，则考虑转换值（可能是对数或倒数）来创建一个高斯分布，然后使用重复测量方差分析。

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，您可基于男性和女性来比较三种不同药物。该实验有两项因素：药物治疗和性别。同样，如需在几个时间点比较药物治疗的效果，则需考虑两个因素。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。