Prism 中的重复测量正态性单因素方差分析比较三组或更多组的几何均值，其中每组的受试者相同（或匹配）。请阅读其他内容，了解如何选择检验方法，以及如何解读结果。

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 通过 F 检验（有别于列间差异的主 F 检验）来测试匹配的有效性。如果匹配的 P 值很大（比如大于 0.05），您就应该质疑使用重复测量检验是否合理。理想情况下，您在选择是否使用重复测量检验值时，不仅要考虑这一个 P 值，还要考虑实验设计和您在其他类似实验中看到的结果。

受试者是否独立？

只有受试者是独立的，重复测量方差分析的结果才有意义。Prism 无法检验这一假设。您必须考虑实验设计。例如，如果您有六行数据，但这些数据来自三只动物，且每只动物都进行了重复测量，那么误差就不是独立的。在这种情况下，某些因素可能会影响一只动物的测量结果。由于该因素会影响两行（但不是所有行）的数据，因此各行（受试者）并不独立。

随机变异性是否按对数正态分布分布？

Prism 提供两种版本的重复测量方差分析。一种是从正态（高斯）分布中采样的数据，另一种是假设数据是从对数正态分布中采样的重复测量方差分析。在进行重复测量对数正态性方差分析时，分析假设每次测量都是总体几何均值、处理效应、个体效应和随机效应的组合。此外，它还假设随机分量服从对数正态分布，且几何标准偏差在个体（行）或处理（列）之间不存在差异。虽然这一假设在样本量大的情况下并不太重要，但在样本量小的情况下却很重要。Prism 不测试是否违反了这一假设。

您测试的假设正确吗？

本检验的零假设是所有组的几何均值相等。要计算该检验的 F 统计量，首先要对数据进行对数变换。利用对数变换后的数据，确定各组平均值之间的方差和各组内部的方差。F 统计比率就是这两个方差指标的比率。如果该统计量较大，则表明原始数据的几何均值并不相同（考虑到各组内对数变换数据的方差量）。随着 F 统计量的增大，相应的 P 值会减小。如果 F 统计量足够大（P 值足够小），就可以拒绝这个零假设。

是否只有一个（固定）因素？

单向方差分析比较由单一分组因素定义的三个或更多组。在这种设计中，每个组代表固定因素的一个水平。本示例中，您可以比较三个组：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。在这两种情况下，各组都是单一 "治疗"因子的水平。

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。这些数据需要进行双因素方差分析，也称为双因素方差分析。

分组因素是 "固定"而非 "随机"的吗？

Prism 的 "重复测量方差分析"有点名不副实。实际上，该分析是一种混合效应分析，有两个因素：一个是固定因素，一个是随机因素。分析中的分组因素（定义被比较组的因素）应该是一个固定因素。换句话说，这个测试调查的是您所收集数据的特定组的几何均值之间的比率。如果分组因素是一个随机因素，那么分析就会假定你已经从无限（或至少是大量）可能的组中随机选择了组，而且你想就所有组之间的差异得出结论，即使是你没有包括在这个实验中的组。这种分析被称为 "随机效应模型"，Prism 并没有进行这种分析。

重复测量单向方差分析中还有第二个因素，那就是受试者因素。在这种设计中，在每个组条件下测量的是同一个受试者（或匹配组受试者）。需要一个受试者因子来将各组中的数值分配给特定的受试者。这个因子是一个 "随机因素"，因为您所使用的受试者只能代表他们所来自的更大群体。您希望考虑到由于在每组中使用了相同的受试者而导致的测量结果变异性，但您对这些特异性受试者并不感兴趣。用统计学的术语来说，因为这个随机因素的受试者出现在固定因素的每一组中，所以这个随机因素被称为 "交叉随机效应"，分析设计被称为 "混合效应模型"（因为它同时包含固定效应和随机效应）。

你能接受循环性或球形性假设吗？

重复测量方差分析假设随机误差确实是随机的。导致一个受试者的测量结果偏高（或偏低）的随机因素应该不会影响同一受试者的下一次测量结果。这一假设被称为圆周性或球形性。它与您可能会遇到的另一个术语 "复合对称性 "密切相关。

重复测量方差分析对违背球形性假设相当敏感。如果违反了这一假设，P 值就会太小。违反该假设的一种方法是在太短的时间间隔内进行重复测量，这样导致特定值偏高（或偏低）的随机因素就不会在下一次测量前被冲走或消散。为避免违反该假设，在两次治疗之间要等待足够长的时间，以便受试者与治疗前基本相同。在可能的情况下，还要随机安排治疗顺序。

只有在进行重复测量实验时，您才需要担心球形性假设，因为在重复测量实验中，每一行数据都代表一个受试者的重复测量结果。在随机区组实验中，每一行数据都代表来自一组匹配受试者的数据，因此不可能违反该假设。

如果不能接受球形性假设，可以在参数对话框中指定。在这种情况下，Prism 将考虑可能违反该假设的情况（使用 Geisser 和 Greenhouse 的方法），并报告一个较大的 P 值。

如果有任何值缺失，是随机事件造成的吗？

从 Prism 8 开始，可以通过拟合混合效应模型计算缺失值的重复测量方差分析。但只有当数值缺失的原因是随机的，才能解释结果。如果数值缺失是因为测量值太高（或太低），那么它就不是随机缺失。如果数值缺失是因为治疗方法有毒，那么数值就不是随机缺失。