对数正态性单因素方差分析比较三个或更多不匹配组的平均值。本核对表特异性用于执行无重复测量的单因素方差分析。重复测量方差分析有单独的核对表。阅读其他内容，了解如何选择检验方法、解读结果，以及一篇关于对数正态性方差分析和对数正态分布的长文。

种群是否按对数正态性分布？

对数正态单因素方差分析假定您从遵循对数正态分布的种群中抽取了数据。

各群体是否具有相同的几何标准偏差？

对数正态单因子方差分析假设所有种群具有相同的几何标准偏差 (GeoSD)。当所有组的样本量相同（或几乎相同）时，这一假设并不十分重要，但当样本量不同时，这一假设就非常重要了。

Prism 通过两个测试来检验 GeoSD 是否相等：Brown-Forsythe 检验和 Bartlett 检验。这些检验值可以回答这个问题：如果种群真的具有相同的 GeoSDs，那么随机抽样的机会有多大，其 GeoSDs 与实验中观察到的样本的 GeoSDs 差异有多大。小的 P 值表明 GeoSDs 是不同的。

不要仅根据这些测试得出结论。还要考虑其他类似实验的数据。如果之前有大量数据让你确信等方差确实相等，那么就忽略这些检验值（除非 P 值真的很小），像往常一样解读方差分析结果。如果样本量相等（或接近相等），一些统计学家建议完全忽略等方差检验。

Prism 提供了布朗-福西对数正态性方差分析（Brown-Forsythe lognormal ANOVA）和巴特利特对数正态性方差分析（Bartlett's lognormal ANOVA），这两种方法都不假定 GeoSD 相等。

在某些实验中，发现不同的 GeoSD 可能与发现不同的几何均值一样重要。如果几何均值不同，那么种群就不同--无论方差分析对几何均值之间的差异得出什么结论。

您测试的假设正确吗？

该检验的零假设是所有组的几何均值相等。如果相应的 P 值很小，则可以拒绝这个零假设。在很多情况下，这个总体零假设并没有什么意义，关注多重比较检验的结果才有意义。

数据是否不匹配？

如果数据是匹配或配对的，那么您应该选择重复测量方差分析来代替。如果配对能有效控制实验变异性，那么重复测量方差分析将比普通（或常规）方差分析更具检验力。

"误差"是独立的吗？

术语 "误差"指的是每个值与组几何均值之间的差异。单向方差分析的结果只有在散布是随机的情况下才有意义，即导致一个值过高或过低的任何因素只影响这一个值。Prism 无法检验这一假设。您必须考虑实验设计。例如，如果每组有六个值，但这些值是从每组的两只动物（一式三份）中得到的，那么误差就不是独立的。在这种情况下，某些因素可能会导致来自某只动物的所有三联值偏高或偏低。

您真的想比较几何均值吗？

单向方差分析比较三个或更多组的几何均值。即使分布严重重叠，也有可能出现极小的 P 值--群体几何均值不同的明显证据。在某些情况下，例如评估诊断试验的有用性，您可能更关心分布的重叠程度，而不是几何均值之间的差异。

是否只有一个因素？

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，您也可以将对照组与其他五个分别接受不同药物治疗的组进行比较。

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。这些数据需要用双向方差分析，也叫双因素方差分析。

因素是 "固 "而非 "随机"的吗？

在计算普通单向方差分析时，Prism 会执行固定效应单向方差分析。这可以检验您所收集数据的特定组平均值之间的差异。另一种测试称为随机效应单向方差分析，假设您从无限（或至少大量）可能的组中随机选择了组，并且您希望得出所有组之间差异的结论，甚至包括您在本实验中没有包括的组。这种随机效应单向方差分析很少使用，Prism 也不进行这种分析。

不同列是否代表分组变量的不同水平？

单向方差分析询问的是单一变量的值在三个或更多组之间是否有显著的变异性。在 Prism 中，每个组都有自己的列。如果不同的列代表不同的变异性，而不是不同的组，那么单向方差分析就不合适。本示例中，如果 A 列是葡萄糖浓度，B 列是胰岛素浓度，C 列是糖化血红蛋白浓度，那么单向方差分析就不会有帮助。