单因素方差分析

这个方法是做什么的

把独立样本 t 检验从两组推广到多组：一个分组变量（三个及以上水平也可以），检验各组在某个数值指标上的平均水平是否全部相等。

它的原假设是「所有组的总体均值都一样」，所以整体检验的结论只有两种：拒绝（至少有一对组不同），或不拒绝。具体是哪几对不同，要靠事后两两比较来定位。

要求各组观测互相独立、每个对象只属于一组。

同一批对象被测了多次（基线 / 3 个月 / 6 个月）：用「重复测量方差分析」。
有两个及以上分组因素（同时看「方案」和「性别」）：用「双因素方差分析」或「多因素方差分析」，否则看不到交互作用，也容易把一个因素的效应误算到另一个头上。
想在比较组间差异时扣掉某个协变量（比较疗效时控制基线值）：用「协方差分析」。
数据严重偏态、含极端值，或结果变量本身是等级：用「多独立样本Kruskal-Wallis检验」。

整体检验显著不等于每两组之间都有差别。 F 检验只告诉你「至少有一对组不一样」。看到 p 小于 0.001 就写成「三种方案两两之间均存在显著差异」是最常见的越界结论。必须以第四张卡的 Tukey HSD 两两比较为准，只有其中 p 达到显著的那几对才成立。
方差不齐时，主结果表不会自动换方法。 本模块的 F 值始终按常规（等方差）方差分析计算，事后比较固定用 Tukey HSD。第一张卡的方差齐性检验若显著，报告会提示改用 Welch's ANOVA 与 Games-Howell，但不会替你换。这种情况下主结果只能当参考，两两比较应改到「事后多重比较」模块里用 Tamhane's T2 这类不假定方差齐的方法重做。
不要盯着均值表挑差距最大的两组，说「它们显著不同」。 组数越多，光靠随机波动能拉开的最大差距也越大。事后比较的校正正是为这件事准备的；先挑出来再检验，等于把多重比较的问题藏起来，假阳性会明显超出你以为的 5%。
效应量说的是「分组能解释多少变异」，不是效果好坏。 η² = 0.20 表示这个分组解释了因变量 20% 的变异，剩下 80% 来自组内的个体差异与测量误差。它是这批样本内的描述量，不代表换一批数据也能达到的预测能力。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。