四、多重比较F值显著或极显著，否定了无效假设H O，表明试验的总变异主要来源于处理间的变异，试验中各处理平均数间存在显著或极显著差异，但并不意味着每两个处理平均数间的差异都显著或极显著，也不能具体说明哪些处理平均数间有显著或极显著差异，哪些差异不显著。
因而，有必要进行两两处理平均数间的比较，以具体判断两两处理平均数间的差异显著性。
统计上把多个平均数两两间的相互比较称为多重比较(multiplecomparisons )。
多重比较的方法甚多，常用的有最小显著差数法(LSD 法)和最小显著极差法(LSR 法)，现分别介绍如下。
（一）最小显著差数法 (LSD 法，least significant difference ) 此法的基本作法是：在F 检验显著的前提下，先计算出显著水平为α的最小显著差数αLSD ，然后将任意两个处理平均数的差数的绝对值..j i x x -与其比较。
若..j i x x -＞LSD a 时，则.i x 与.j x 在α水平上差异显著；反之，则在α水平上差异不显著。
最小显著差数由(6-17)式计算。
..)(j i e x x df a a S t LSD -=(6-17)式中：)(edf t α为在F 检验中误差自由度下，显著水平为α的临界t 值，..j i x x S -为均数差异标准误，由(6-18)式算得。
n MS S e x x j i /2..=-(6-18)其中e MS 为F 检验中的误差均方，n 为各处理的重复数。
当显著水平α=0.05和0.01时，从t 值表中查出)(05.0e df t 和)(01.0e df t ，代入(6-17)式得：....)(01.001.0)(05.005.0j i e j i e x x df x x df S t LSD S t LSD --==(6-19)利用LSD 法进行多重比较时，可按如下步骤进行：(1)列出平均数的多重比较表，比较表中各处理按其平均数从大到小自上而下排列；LSD和(2)计算最小显著差数05.0LSD；.001(3)将平均数多重比较表中两两平LSD比较，作均数的差数与05.0LSD、01.0出统计推断。
真的！单因素方差分析你用错了！方差分析简介方差分析（analysis of variance,简写为ANOVA）是进行多个均数比较的常用方法。
这种方法的基本思路是通过对变异进行分解和分析，从而达到统计推断之目的。
由于该方法是由英国统计学家R.A.Fisher于1923年首先提出的，因此又称为F检验。
最简单的方差分析，就是单因素方差分析（one-way anova），用于分析含有一个分类变量、一个定量变量的资料，用于多个样本均数的比较中。
方差分析对原始数据的要求与t检验一样，即要求资料满足独立性、正态性和方差齐性。
来个判断题，求围观！！因为单因素方差分析要求资料满足方差齐、正态性的条件，故当方差齐或正态性的条件不满足且经过变量变换也不满足时，应当采用非参数检验（如Kruskal-Wallis test）。
这句话对吗？这是有些传统统计教材中的说法，但是我很负责任的告诉你，上面的观点是错误的。
近日，在国外生物统计学方法相关资料中发现了针对单因素方差分析不满足应用前提（正态性、方差齐）的推荐处理方法，完全颠覆了我的以往思路。
现总结归纳如下一、当资料不满足正态性，由于单因素方法分析结果对资料不满足正态性的情况并不敏感，仍推荐使用单因素方差分析，不推荐非参数检验（Kruskal-Wallis test）。
二、当资料不满足方差齐性，推荐采用Welch's ANOVA，不推荐非参数检验（Kruskal-Wallis test）。
下面详细解释为什么不推荐非参数检验（Kruskal-Wallis test）的原因。
1不满足正态性的情况当资料中含有一个分类变量、一个定量变量，我们常常采用单因素方差分析。
但当不同组中的定量变量不满足正态性的条件，Kruskal–Wallis test往往被人们用为替代方法。
因为他们认为除非样本量非常大并且满足正态分布，否则就应该采用Kruskal–Wallis test；而且当数据正态性的条件不满足时，使用单因素方差分析是错误和危险的。
多重比较（Multiple Comparisons）是统计学中的一种方法，用于在进行方差分析（ANOVA）或其他假设检验后，对多个均值之间的差异进行细致的比较，以确定哪些组之间的差异是显著的。
以下是多重比较的基本步骤：1.进行初步分析：o首先进行一个总体的统计分析，如单因素或双因素方差分析（One-way ANOVA或Two-way ANOVA），以确定是否存在至少两个组别之间均值的显著差异。
2.选择多重比较方法：o根据研究目的和样本大小，选择合适的多重比较方法。
常见的多重比较方法包括：▪LSD（Least Significant Difference）法▪Tukey’s HSD（Honestly Significant Difference）法▪Bonferroni校正▪Dunnett’s test（主要用于与对照组比较）▪Sidak校正▪Šidák校正▪Benjamini-Hochberg校正（用于控制假阳性率）3.计算比较：o应用选定的方法，对所有可能的组间比较进行计算，得出每一对比较的p值和置信区间。
4.调整显著性水平：o为了控制I型错误（假阳性）的发生概率，通常会对原始的显著性水平（如α=0.05）进行调整。
例如，如果进行了k个比较，可能需要将每个比较的显著性水平设定为α/k（如使用Bonferroni校正）。
5.解释结果：o根据调整后的显著性水平，解释每对比较的结果，指出哪些组之间的差异在统计上是显著的。
6.报告结果：o报告每一对比较的统计量、p值和结论，必要时可以绘制图表直观展示显著差异。
7.评估假设检验结果：o评估所有比较结果的整体一致性，以及是否符合研究的假设和目标。
请注意，多重比较可能导致假阳性率增加，因此选择合适的校正方法很重要。
同时，分析结果不仅要基于统计显著性，还要结合实际研究背景和意义进行解读。
