Prism为多重t检验（和非参数检验）分析提供了许多重要选项，允许您从七项不同检验中选择对数据表每一行执行的检验。

实验设计选项卡

“参数：多重t检验（和非参数检验）分析”对话框的第一个选项卡显示了许多选项，允许您通过回答三个问题来指定待执行的分析类型：

1.数据是配对数据还是非配对数据？

2.检验是否采用高斯（正态）分布？

3.根据前两个问题的答案，Prism应执行哪项特定检验？

实验设计：数据是配对数据还是非配对数据？

第一个问题与所比较的每个主要组内的数据关系有关。如果选择选项“配对”，则意味着每个主列的第一个子列中的数据为配对或匹配数据，每个主列的第二个子列中的数据为配对或匹配数据，依此类推。您何时可选择该选项的示例包括：

•在不同时间（例如，治疗前后）对同一受试者进行测量

•根据年龄、族群或疾病严重程度等特征对招募或匹配为配对的个体进行测量。在此情况下，一个人可能会接受一种治疗，而另一人可能会接受另一种治疗（或作为对照）

•您运行一个实验室实验几次，每次均同时处理一个对照和处理的制剂。如果制剂之间无法控制的实验条件略有不同，则这可能很重要

•您可测量具有某些固有配对的个体中的变量，例如双胞胎或孩子/父母对

请注意，匹配应由实验设计确定，且绝对不应基于所分析的变量。例如，如果您要比较两组的血压测量值，则可根据年龄或体重对个体进行匹配，但不可根据其记录的血压进行匹配。

假设高斯分布？

非参数检验并非基于数据是从高斯分布进行抽样这一假设。这似乎是一种优势（减少有关数据所需的假设数量），但非参数检验具有较低检验力。此外，关于何时使用非参数检验的决定并不直接。

为每行选择检验

根据前两部分中选择的选项，将在“分析参数”对话框的“实验设计”选项卡上做出的最终决定是执行哪项特定检验。总共可为每行执行七项检验，其中一些检验还需考虑到其他选项。下面介绍了最后一部分中提供的每项检验和选项。

1.非配对参数检验。在前两部分中选择该选项组合将对分析中每组的标准差做出最终决定。

o第一个选择对任何一行或一列中的数据所来自的人群的标准差不作假设。通过选择该选项，Prism将执行不等方差非配对t检验（有时称为带Welch校正的非配对t检验）

o下一个选择是假设（对于每行）两组数据均从具有相同标准差的总体中抽样（换言之，第一列第一行中的数据所选自的人群的SD与第二列同一行中的数据所选自的人群的SD相同）。这将为每行执行标准非配对t检验并为每行估计个别方差，且是非配对参数检验的默认选择

o本部分中的最终选择考虑到以下假设：所有数据（所有行的所有组）均从具有相同标准差的人群中抽样。请注意，这并不意味着您的样本标准差必须相同。相反，此处的假设是样本中的变化是随机的，且所有行的所有数据均来自具有相同标准差的人群。该假设是同方差性假设，使自由度更大，从而具有更大检验力。选择该选项后，Prism将使用单个合并方差执行非配对t检验

2.配对参数检验。 在前两部分中选择该选项组合将最终决定Prism将执行哪项检验（Prism将检验哪个无效假设）

o配对t检验。该检验的零假设是每对之间的差异平均值为零

o比率t检验。该检验的零假设稍微有些复杂。简言之，该检验的零假设是每对比率的对数平均值为零（或换言之，由于log（1）=0，每对比率为1）

3.非配对非参数检验。选择该选项组合将导致必须在以下两项检验之间进行选择：

oMann-Whitney检验。该检验的零假设可能难以理解，并在此处讨论。但必须注意的是，该检验的工作原理是从所比较的两组中获取所有数据，并按最小到最大的方式，对所有这些值进行排序（无论该值属于两组中的哪组）。然后，为每个值分配等级，最低值从1开始，最大值从n开始（其中n是值总数）。然后，检验将比较所比较的两组的平均等级。

oKolmogorov-Smirnov检验。该检验的零假设可能难以理解，但假设所比较的两组均从具有相同分布的人群中抽样。该检验使用数据的累积分布来检验是否违反该零假设（不同中值、不同方差或不同分布）。有关Kolmogorov-Smirnov检验

4.配对非参数检验的更多信息。选择该选项组合会导致只有一项可能的检验：

oWilcoxon配对符号秩检验。该非参数检验首先计算所分析的两组中的配对之间的差异，为此类差异的绝对值分配值，然后将第一组中的配对值较高的等级总和与第二组中的配对值较高的等级总和进行比较。该检验是一项需要理解的复杂检验，且本指南的其他页面提供了有关解读该检验结果的更多信息。

“多重比较”选项卡

同时进行一大堆t检验时，目的通常是提出比较子集，其中的差异似乎足够大，值得进一步研究。Prism提供了两种方法来确定双尾P值何时足够小，使得该比较值得在进行多次t检验（和非参数）分析之后进一步研究。

一种方法是基于统计学显著性的熟悉概念。

另一个选择是基于关于错误发现率（FDR；建议）的决定。  控制FDR的整个概念与声明某些比较具有“统计学显著性”的概念大不相同。   该方法不使用术语“显著性”，而是使用术语“发现”。  您设定了Q，即错误发现的“发现”最大百分比。换言之，这是最大期望FDR。

在所有标记为“发现”的数据行中，目的是不超过Q%的数据行将是错误发现（由于数据随机散布），而至少100%-Q%的发现是总体均值之间的真实差异。阅读更多有关FDR的信息。Prism提供了三种控制FDR的方法。

如何处理多重比较

如果您选择“错误发现率”方法，则需为Q选择一个值，即证明为错误的发现的可接受百分比。输入百分比，而非小数。如果您愿意接受5%的发现是假阳性，则输入5而非0.05。此外，您还需选择要使用的方法。

如果您选择使用具有统计学显著性的方法，则需对多重比较作出其他决定。您有四种选择：

•使用Holm-Šídák法修正多重比较（建议）  您指定想要用于整个P值比较系列的阈值水平α。该方法应设计成：如果零假设实际上对于每个行的比较而言是正确的，则指定的α值表示获得一项或多项比较的“显著”P值的概率。

•使用Šídák-Bonferroni方法修正多重比较（不建议）。我们建议使用具有更高检验力的Holm-Šídák方法（见上文）。.Šídák-Bonferroni方法Holm-Šídák方法通常简称为Šídák方法，比普通Bonferroni-Dunn方法（通常简称为Bonferroni方法）的检验力更高。您进行许多比较时尤其如此。

•使用Bonferroni-Dunn方法修正多重比较（不建议）。相较于Holm-Šídák方法，Bonferroni-Dunn方法更容易理解，也更广为人知，但无其他优势。Bonferroni-Dunn与Šídák-Bonferroni方法之间的主要差异是Šídák-Bonferroni方法假设每项比较均独立于其他比较，而Bonferroni-Dunn方法未做出独立性假设。结果，Šídák-Bonferroni方法的检验力略高于Bonferroni-Dunn方法

•不要修正多重比较（不建议）。每个P值均单独解读，而不考虑其他值。您可为显著性水平设定一个值，通常设为0.05。该值用作与P值进行比较的阈值。如果P值小于α，则认为这项比较具有“统计学显著性”。如果您使用该方法，则知道您会获得很多假阳性（您会获得很多结果不是真的“显著性”发现）。这在某些情况下正常（例如，药物筛选），其中多重t检验的结果仅仅用于设计下一级试验。

“选项”选项卡

“参数：多重t检验（和非参数检验）”分析对话框的第三个也是最后一个选项卡提供了许多重要控件，用于设置分析结果的报告方式以及Prism从该分析中生成的可视化效果类型。

计算

在此部分中，您可选择分析中两组的比较顺序。例如，您可能希望将此类结果报告为“治疗-对照”，而不是将差异报告为“对照-治疗”。请注意，这不会改变检验的总体结果，只会改变差异的“符号”。

同样在此部分中，可选择报告计算得出的P值的两种基于对数的转换：

•-log10（P值）-在创建结果的火山图时使用该转换，该选项可用于生成一张包含这些结果的表格（有助于在绘制火山图的同时进行报告）

•-log2（P值）-这是计算得出的P值的基于2的对数，且有时称为“香农信息值”、“惊奇值”或“S值”。计算得出的P值的这种简单转换提供了一种思考P值的直观方法。应用该转换将产生一个值S，该值可通过以下方式进行解读：我们不应对获得的P值感到惊奇，也不应对抛掷硬币S几次并每次获得正面感到惊奇。例如，假设我们的P值为0.125。相应S值为3，我们不应对获得0.125的P值感到惊奇，也不应对抛掷硬币3次并全部3次获得正面感到惊奇（这并不惊奇）。现在假设我们的P值为0.002。相应S值为~9，我们不应对获得0.002的P值感到惊奇，也不应对抛掷硬币9次并每次获得正面感到惊奇（这更令人惊奇！）。

绘图选项

勾选此处的复选框（默认情况下启用），Prism会创建数据的火山图。X轴是每行的均值之间的差异。Y轴绘制P值的转换。特别地，其绘制P值的负对数。因此，如果P=0.01，则log（P）=-2，-log（P）=2，如所绘制。因此，差异较大的行更靠近图表的任一边缘，而P值较小的行则绘制在图表上的更高位置。

Prism会自动将垂直网格线放在X=0（无差异）处，将水平网格线放在Y=-log（α）处。水平网格线上方的点的P值小于您选择的α值。

输出

最后，该选项卡提供了控件，允许控制分析结果中显示多少个有效数字（对于除P值以外的所有数字），以及报告P值时使用哪种样式。