方差分析

📊 分布特征/影响因素：— | 🛡️ 预防与控制策略：— | 📈 监测与评价：常用于多中心研究数据的协同性分析。 | 📜 法规与指南：—

🧭 识别分布 → 分析因素 → 干预评价

识别分布
描述三间分布/监测 → 分析因素
探讨危险因素/病因 → 干预评价
制定策略/效果评价

⬆️ 从识别健康问题分布到分析影响因素，再到制定干预策略与效果评价，完整的公共卫生实践链条。

📖 深度解析

🔬 核心原理 —— 将总变异分解为组间变异和组内变异，通过比较两者的大小（F值）来判断各组均数是否相等。
💡 核心要点：理解背后的疾病或健康问题的自然史与决定因素。
🏥 典型案例 —— 比较A、B、C三种不同教学方法对学生考试成绩的影响有无统计学差异。
💡 实际效果：真实世界的公共卫生干预案例。
📊 关键数据 —— 要求资料独立、正态、各组方差齐同。
💡 量化指标：发病率、死亡率、效果指标等。

💡 学习贴士： 始终以人群为对象，运用流行病学和统计学的思维，理解“冰山现象”和三级预防策略。

🤔 深度思考题

为什么在比较多组均数时，不建议使用t检验进行两两比较，而推荐先做方差分析？

提示： 从多重比较导致的Ⅰ类错误膨胀角度分析。

👉 点击查看参考思路

若直接进行多组的两两t检验，每次比较的Ⅰ类错误概率为α（如0.05），那么随着比较次数增加，总的Ⅰ类错误率会显著增加（例如五次两两比较，犯错概率升至约23%）。方差分析作为“守护性”检验，先确保整体上存在差异（控制总体α水平），再进行多重比较，能有效避免假阳性高发。- ❌ 误区：方差分析是检验各组方差的差异。 ✅ 事实：方差分析是通过比较方差之间的比值来检验各组总体均数之间的差异。

⚠️ 常见误区

误区： 方差分析是检验各组方差的差异。
事实： 方差分析是通过比较方差之间的比值来检验各组总体均数之间的差异。

❓ 常见问题 (FAQ)

问：单因素方差分析显著意味着什么？

答：意味着至少有一组均数与其它组不同，但具体是哪几组不同，需要进一步做多重比较。

问：重复测量资料方差分析与普通方差分析有何特殊前提？

答：需满足“球对称”假设，若不满足，需采用Greenhouse-Geisser等校正系数对自由度进行调整。

🧠 认知导航

前置依赖： t检验、F分布、假设检验原理。

后续延伸： 析因设计、重复测量资料方差分析、协方差分析。

📚 完整知识全景 · 推断性统计

🔵 已开放 · 可随时探索 🟠 生长中 · 内容持续丰富 🟣 探索级 · 深度拓展

🌱 为了包容与博爱的传递，为了知识平权，善智导航正在陆续深化每一个知识点页面。
下方所有知识点均已预留链接，可随时点击探索。

完全随机设计方差分析- 随机区组设计方差分析- 多重比较- 方差齐性检验 —— 知识要点

🌍 干预实例

🌍 完全随机设计：用于分析一个处理因素（多个水平）对观察指标的影响（单因素方差分析）。

- 随机区组设计：同时分析处理因素和区组因素的影响（两因素方差分析）。

🤖 AI陪练指令

我是学习推断性统计的公卫学生，请结合具体实例详细讲解方差分析的分布特征、影响因素、预防控制策略及监测评价方法，并指出常见误区。

📁 更多公共卫生AI指令 →