ANOVA 提供了一种检验组间均值是否存在显著差异的方法，帮助研究者判断数据中的变异是源于组别之间的真实差异，还是仅仅是随机因素。这种方法适用于涉及两个以上组别的实验或研究，在此情形下，传统的 t 检验可能并不合适或效率不高。
本文将介绍 ANOVA 检验的基础、目的、两种主要类型，以及执行 ANOVA 的分步指南。理解这些概念有助于您为数据选择正确的检验并自信地解读结果。我们还将通过一个示例来加深理解。如果您是统计假设检验的新手，请阅读我们的Hypothesis Testing Made Easy教程。
什么是 ANOVA 检验？
ANOVA 是方差分析（Analysis of Variance）的缩写，是一种用于比较三个或更多组均值的统计检验。它同时分析组内方差与组间方差。其主要目标是评估观察到的组间均值差异是否大于组内差异。如果组间均值的方差显著，说明差异具有统计意义。
从数学上讲，ANOVA 将数据的总变异分解为两个部分：
- 组内变异（Within-Group Variability）：由各组内部个体差异引起的变异，反映随机波动。
- 组间变异（Between-Group Variability）：由不同组均值之间差异引起的变异。
用于计算 ANOVA 的 F 统计量。作者制图
该检验会产生一个 F 统计量，表示组间变异与组内变异的比值。如果 F 统计量足够大，表明至少有一个组的均值与其他组显著不同。
为更好地理解这一点，设想您需要根据三种教学方法（课堂讲授、互动式工作坊和在线学习）来评估学生的表现（考试成绩）。ANOVA 可以帮助我们评估教学方法是否对学生的考试成绩有统计学上的影响。
ANOVA 的两种类型
ANOVA 有两种类型：单因素（one-way）和双因素（two-way）。根据自变量的数量及其相互作用的情况，它们适用于不同的场景。
1. 单因素 ANOVA
当只有一个自变量且包含两个或更多组时，使用单因素 ANOVA。其目标是判断不同组均值之间是否存在显著差异。
在我们的示例中，我们可以使用单因素 ANOVA 来比较三种不同教学方法（讲授、工作坊和在线学习）对学生考试成绩的影响。教学方法是具有三个组别的自变量，而考试成绩是因变量。
- 原假设（H₀）：三种教学方法下学生的平均考试成绩相等（均值无差异）。
- 备择假设（H₁）：至少有一个组的均值显著不同。
原假设与备择假设的比较。作者制图
单因素 ANOVA 将告诉我们，学生考试成绩的差异是否可归因于教学方法的不同，还是更可能由随机因素造成。
单因素 ANOVA 适合分析单一因素在多个组别上的影响，便于解读。但它无法考虑多个自变量之间可能存在的交互作用，此时需要使用双因素 ANOVA。
2. 双因素 ANOVA
当存在两个自变量且每个自变量包含两个或更多组时，使用双因素 ANOVA。其目标是分析两个自变量如何共同影响因变量。
假设您关注教学方法与学习技巧之间的关系，以及它们如何共同影响学生表现。双因素 ANOVA 适用于该情境。在这里我们需检验三个假设：
- 因素 1（教学方法）的主效应：教学方法是否会影响学生考试成绩？
- 因素 2（学习技巧）的主效应：学习技巧是否会影响考试成绩？
- 交互效应：教学方法的效果是否取决于所采用的学习技巧？
例如，双因素 ANOVA 可能揭示：使用讲授法的学生在小组学习中表现更好，而使用在线学习的学生在个人学习中表现更佳。理解这些交互作用有助于更深入地认识不同因素如何共同影响结果。
ANOVA 与 T 检验
您可能会问：何时应选择 ANOVA 而不是 t 检验？t 检验和 ANOVA 都用于比较组间均值，但选择取决于比较的组数以及数据结构的复杂程度。
何时使用 T 检验
当仅比较两个组的均值时，使用 t 检验。例如，如果我们只想比较两种教学方法——讲授与工作坊——下学生的考试成绩，t 检验就足够了。t 检验有两种类型：
- 独立样本 T 检验：比较两个独立组（如讲授 vs. 工作坊）。
- 配对样本 T 检验：比较同一组在不同时间点的均值（如学生在采用某种教学方法前后的表现）。
何时使用 ANOVA
另一方面，当比较三个或更多组的均值时，使用 ANOVA。我们的研究包含三种教学方法（讲授、工作坊和在线学习），因此需要比 t 检验更合适的方法。针对每一对组使用多次 t 检验会增加 I 类错误（假阳性）的风险，而 ANOVA 能在一次检验中完成比较并控制该错误。
ANOVA 的前提假设
所有统计检验都有需要满足的前提条件，只有满足这些条件才能确保结果有效。
ANOVA 需满足的假设如下：
1. 观测独立性
各观测值（数据点）彼此独立。在示例中，一种教学方法下学生的考试成绩不应影响另一种方法下学生的成绩。
2. 方差齐性
各组内的方差应大致相等。ANOVA 假设每个教学方法组内考试成绩的变异性大致相同。可使用 Levene 检验来检验方差是否相等。
3. 正态分布
每个组内的数据应近似服从正态分布。在我们的教学方法示例中，每个教学组（讲授、工作坊、在线学习）的学生考试成绩理想情况下应为正态分布。
若任一假设被违反，检验结果可能无效。在这种情况下，应考虑使用非参数检验。
执行 ANOVA 检验
我们将继续以比较不同教学方法对学生考试成绩影响的示例为例。假设您获得了如下数据，其中考试成绩为因变量，教学方法为自变量。
每种教学方法下四名学生的考试成绩。作者制图
步骤 1：明确假设
第一步是明确假设。给出原假设与备择假设：
- 原假设（H₀）：三种教学方法下学生的考试成绩均值相等。
- 备择假设（H₁）：至少有一种教学方法的考试成绩均值不同。
原假设与备择假设。作者制图
步骤 2：检查 ANOVA 的前提条件
在执行 ANOVA 前，需确保满足前提条件：正态性、独立性与方差齐性。为简化起见，我们假定这些条件均满足。
步骤 3：计算 ANOVA
在检查前提条件后，开始计算 ANOVA。
单因素 ANOVA 中 F 统计量的公式如下所示。
单因素 ANOVA 中的 F 统计量。作者制图
单因素 ANOVA 的 F 统计量是组间均方与组内均方的比值。
为得到该值，我们按以下步骤计算。
1. 计算各组均值与总体均值。
使用下式计算每种教学方法的均值（Ai）。即用每组考试成绩之和除以该组学生人数。
各组（教学方法）的均值。作者制图
接着计算总体均值（G），即用所有观测值之和除以学生总数。
考试成绩的总体均值。作者制图
2. 计算各组的离差平方和
按如下公式计算每个组的离差平方和。
各教学方法的离差平方和。作者制图
计算完成后，将数值填入下表以便查阅。
按教学方法汇总的学生表现。作者制图
3. 计算组间离差平方和、组内离差平方和与总离差平方和
使用下式计算组间离差平方和。公式中，
计算时请使用汇总表中的数值。
组间离差平方和
然后计算组内离差平方和。它等于各组离差平方和（SS）的总和。
组内离差平方和。作者制图
使用下式计算总离差平方和
总离差平方和。作者制图
通过验证总离差平方和是否等于组间离差平方和与组内离差平方和之和，来检查计算是否正确。验证后，继续计算均方。
4. 计算均方
均方等于离差平方和除以相应自由度。
组间自由度 df_between 等于组数减一，组内自由度 df_w 等于样本总数减去组数。
利用上一步得到的数值，计算均方。
组间与组内的均方。作者制图
5. 按下式计算 F 统计量
F 统计量等于组间均方与组内均方的比值。
F 统计量。作者制图
计算得到的 F 统计量为 28.747。
最后，利用 F 统计量、自由度 df 与 F 分布表计算 p 值。
在本例中，分子 df 为 2，分母 df 为 9，F 统计量为 28.747。因此，从 F 分布表得到的 p 值为 0.000123。
步骤 4：解读结果
- F 统计量：F 统计量衡量组间变异相对于组内变异的比例。F 值越大，意味着相对于随机波动，组均值之间的差异越显著。
- P 值：p 值用于判断组均值之间的差异是否具有统计学意义。若 p 值低于预先设定的阈值（通常为 0.05），则拒绝原假设，认为至少有一个组的均值显著不同。
p 值为 0.000123，因此我们应拒绝原假设，得出教学方法对考试成绩具有显著影响的结论。
ANOVA 之后的事后检验
ANOVA 能告诉我们组均值之间是否存在统计学上的显著差异，但并不指明哪些组之间存在显著差异。事后检验的作用正是在此——它对各组进行两两比较，以准确找出差异所在。当组数多于两个且 ANOVA 结果显著时，这些检验尤为必要。
延续我们的示例，对三种教学方法（讲授、工作坊和在线学习）进行单因素 ANOVA 后，检验显示学生考试成绩存在显著差异。事后检验将帮助我们确定哪些教学方法在影响考试表现方面存在差异。
Tukey 的 HSD（诚实显著性差异）与 Bonferroni 校正是广泛使用的事后检验方法。
ANOVA 的替代方法
若不满足 ANOVA 的前提条件，或 ANOVA 不适用于数据集，可考虑以下替代方法。
- Kruskal–Wallis 检验：当正态性假设被违反时，它是单因素 ANOVA 的非参数替代方法。它可视作 Mann–Whitney U 检验的扩展。
- MANOVA（多元方差分析）：将 ANOVA 的原理扩展到多个因变量，检验各组之间多个因变量均值向量是否存在差异。
结论
本文介绍了 ANOVA 的核心概念，并指出了与 t 检验的适用区别。我们了解到，ANOVA 是一种稳健的统计分析方法，可同时比较多个组。我们还提供了执行 ANOVA 的分步指南，涵盖如何构建假设、检查前提条件并解读结果。
若想在 Excel 中动手实践 ANOVA，请查看Comprehensive Guide to Using ANOVA in Excel 教程。您也可以学习Foundations of Inference in Python 和 Introduction to Statistics 课程，拓展统计学知识。
%22%3E%3Cpath%20d%3D%22m-369%200h408v79h-408z%22%20fill%3D%22%237933ff%22%2F%3E%3Cpath%20d%3D%22m-148%200h306v45h-306z%22%20fill%3D%22%23974dff%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
%22%2F%3E%3C%2FclipPath%3E%3Cg%20clip-path%3D%22url(%23a)%22%3E%3Cpath%20d%3D%22m76%200h484v36h-484z%22%20fill%3D%22%23974dff%22%2F%3E%3Cpath%20d%3D%22m0%200h384v24h-384z%22%20fill%3D%22%2306bdfc%22%20transform%3D%22matrix(1%200%200%20-1%200%2060)%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
ANOVA 提供了一种检验组间均值是否存在显著差异的方法，帮助研究者判断数据中的变异是源于组别之间的真实差异，还是仅仅是随机因素。这种方法适用于涉及两个以上组别的实验或研究，在此情形下，传统的 t 检验可能并不合适或效率不高。
本文将介绍 ANOVA 检验的基础、目的、两种主要类型，以及执行 ANOVA 的分步指南。理解这些概念有助于您为数据选择正确的检验并自信地解读结果。我们还将通过一个示例来加深理解。如果您是统计假设检验的新手，请阅读我们的Hypothesis Testing Made Easy教程。
什么是 ANOVA 检验？
ANOVA 是方差分析（Analysis of Variance）的缩写，是一种用于比较三个或更多组均值的统计检验。它同时分析组内方差与组间方差。其主要目标是评估观察到的组间均值差异是否大于组内差异。如果组间均值的方差显著，说明差异具有统计意义。
从数学上讲，ANOVA 将数据的总变异分解为两个部分：
用于计算 ANOVA 的 F 统计量。作者制图
该检验会产生一个 F 统计量，表示组间变异与组内变异的比值。如果 F 统计量足够大，表明至少有一个组的均值与其他组显著不同。
为更好地理解这一点，设想您需要根据三种教学方法（课堂讲授、互动式工作坊和在线学习）来评估学生的表现（考试成绩）。ANOVA 可以帮助我们评估教学方法是否对学生的考试成绩有统计学上的影响。
ANOVA 的两种类型
ANOVA 有两种类型：单因素（one-way）和双因素（two-way）。根据自变量的数量及其相互作用的情况，它们适用于不同的场景。
1. 单因素 ANOVA
当只有一个自变量且包含两个或更多组时，使用单因素 ANOVA。其目标是判断不同组均值之间是否存在显著差异。
在我们的示例中，我们可以使用单因素 ANOVA 来比较三种不同教学方法（讲授、工作坊和在线学习）对学生考试成绩的影响。教学方法是具有三个组别的自变量，而考试成绩是因变量。
单因素 ANOVA 将告诉我们，学生考试成绩的差异是否可归因于教学方法的不同，还是更可能由随机因素造成。
单因素 ANOVA 适合分析单一因素在多个组别上的影响，便于解读。但它无法考虑多个自变量之间可能存在的交互作用，此时需要使用双因素 ANOVA。
2. 双因素 ANOVA
当存在两个自变量且每个自变量包含两个或更多组时，使用双因素 ANOVA。其目标是分析两个自变量如何共同影响因变量。
假设您关注教学方法与学习技巧之间的关系，以及它们如何共同影响学生表现。双因素 ANOVA 适用于该情境。在这里我们需检验三个假设：
例如，双因素 ANOVA 可能揭示：使用讲授法的学生在小组学习中表现更好，而使用在线学习的学生在个人学习中表现更佳。理解这些交互作用有助于更深入地认识不同因素如何共同影响结果。
ANOVA 与 T 检验
您可能会问：何时应选择 ANOVA 而不是 t 检验？t 检验和 ANOVA 都用于比较组间均值，但选择取决于比较的组数以及数据结构的复杂程度。
何时使用 T 检验
当仅比较两个组的均值时，使用 t 检验。例如，如果我们只想比较两种教学方法——讲授与工作坊——下学生的考试成绩，t 检验就足够了。t 检验有两种类型：
何时使用 ANOVA
另一方面，当比较三个或更多组的均值时，使用 ANOVA。我们的研究包含三种教学方法（讲授、工作坊和在线学习），因此需要比 t 检验更合适的方法。针对每一对组使用多次 t 检验会增加 I 类错误（假阳性）的风险，而 ANOVA 能在一次检验中完成比较并控制该错误。
ANOVA 的前提假设
所有统计检验都有需要满足的前提条件，只有满足这些条件才能确保结果有效。
ANOVA 需满足的假设如下：
1. 观测独立性
各观测值（数据点）彼此独立。在示例中，一种教学方法下学生的考试成绩不应影响另一种方法下学生的成绩。
2. 方差齐性
各组内的方差应大致相等。ANOVA 假设每个教学方法组内考试成绩的变异性大致相同。可使用 Levene 检验来检验方差是否相等。
3. 正态分布
每个组内的数据应近似服从正态分布。在我们的教学方法示例中，每个教学组（讲授、工作坊、在线学习）的学生考试成绩理想情况下应为正态分布。
若任一假设被违反，检验结果可能无效。在这种情况下，应考虑使用非参数检验。
执行 ANOVA 检验
我们将继续以比较不同教学方法对学生考试成绩影响的示例为例。假设您获得了如下数据，其中考试成绩为因变量，教学方法为自变量。
步骤 1：明确假设
第一步是明确假设。给出原假设与备择假设：
原假设与备择假设。作者制图
步骤 2：检查 ANOVA 的前提条件
在执行 ANOVA 前，需确保满足前提条件：正态性、独立性与方差齐性。为简化起见，我们假定这些条件均满足。
步骤 3：计算 ANOVA
在检查前提条件后，开始计算 ANOVA。
单因素 ANOVA 中 F 统计量的公式如下所示。
单因素 ANOVA 中的 F 统计量。作者制图
单因素 ANOVA 的 F 统计量是组间均方与组内均方的比值。
为得到该值，我们按以下步骤计算。
1. 计算各组均值与总体均值。
使用下式计算每种教学方法的均值（Ai）。即用每组考试成绩之和除以该组学生人数。
各组（教学方法）的均值。作者制图
接着计算总体均值（G），即用所有观测值之和除以学生总数。
考试成绩的总体均值。作者制图
2. 计算各组的离差平方和
按如下公式计算每个组的离差平方和。
各教学方法的离差平方和。作者制图
计算完成后，将数值填入下表以便查阅。
3. 计算组间离差平方和、组内离差平方和与总离差平方和
使用下式计算组间离差平方和。公式中，
计算时请使用汇总表中的数值。
然后计算组内离差平方和。它等于各组离差平方和（SS）的总和。
组内离差平方和。作者制图
使用下式计算总离差平方和
总离差平方和。作者制图
通过验证总离差平方和是否等于组间离差平方和与组内离差平方和之和，来检查计算是否正确。验证后，继续计算均方。
4. 计算均方
均方等于离差平方和除以相应自由度。
组间自由度
df_between等于组数减一，组内自由度df_w等于样本总数减去组数。利用上一步得到的数值，计算均方。
5. 按下式计算 F 统计量
F 统计量等于组间均方与组内均方的比值。
F 统计量。作者制图
计算得到的 F 统计量为 28.747。
最后，利用 F 统计量、自由度
df与 F 分布表计算 p 值。在本例中，分子
df为 2，分母df为 9，F 统计量为 28.747。因此，从 F 分布表得到的 p 值为 0.000123。步骤 4：解读结果
p 值为 0.000123，因此我们应拒绝原假设，得出教学方法对考试成绩具有显著影响的结论。
ANOVA 之后的事后检验
ANOVA 能告诉我们组均值之间是否存在统计学上的显著差异，但并不指明哪些组之间存在显著差异。事后检验的作用正是在此——它对各组进行两两比较，以准确找出差异所在。当组数多于两个且 ANOVA 结果显著时，这些检验尤为必要。
延续我们的示例，对三种教学方法（讲授、工作坊和在线学习）进行单因素 ANOVA 后，检验显示学生考试成绩存在显著差异。事后检验将帮助我们确定哪些教学方法在影响考试表现方面存在差异。
Tukey 的 HSD（诚实显著性差异）与 Bonferroni 校正是广泛使用的事后检验方法。
ANOVA 的替代方法
若不满足 ANOVA 的前提条件，或 ANOVA 不适用于数据集，可考虑以下替代方法。
结论
本文介绍了 ANOVA 的核心概念，并指出了与 t 检验的适用区别。我们了解到，ANOVA 是一种稳健的统计分析方法，可同时比较多个组。我们还提供了执行 ANOVA 的分步指南，涵盖如何构建假设、检查前提条件并解读结果。
若想在 Excel 中动手实践 ANOVA，请查看Comprehensive Guide to Using ANOVA in Excel 教程。您也可以学习Foundations of Inference in Python 和 Introduction to Statistics 课程，拓展统计学知识。