三组数据还用ANOVA？你的统计可能从一开始就错了！

你在处理三组或三组以上数据时，是否也曾机械地打开GraphPad，直接勾选“Ordinary one-way ANOVA”？

当审稿人要求你“必须用ANOVA”时，你是否曾感到困惑，却不敢质疑？

多组比较，到底该用Ordinary one-way ANOVA还是t-test？

我们只要记住一点：

选择哪种检验，不应由“有几组数据”决定，而应由“你想回答什么科学问题”决定。

场景一：应该直接使用t-test或它的变体（只关心“处理 vs 对照”）

• 你事先只计划比较特定的几组。例如，你的实验有“对照组”、“药物A低剂量”、“药物A高剂量”、“药物B”四组。你从实验设计之初就只关心：
  1. “药物A高剂量” vs “对照组”
  2. “药物B” vs “对照组”
• 正确做法：放弃全局ANOVA，直接使用事先计划好的比较，比如 Dunnett检验（与单个对照组比较）或 Bonferroni校正的t-test。这样做统计效力更高，逻辑更清晰。

  首选 Dunnett 检验（一对多、对照型比较）；或 多次 t-test + Holm/Šidák/Bonferroni 校正；若方差不齐/样本不等，用 Welch t-test + 校正 或 不等方差版 Dunnett。

比如下面这个例子：救命！谁审的稿子又在乱用t检验？！

Image

场景二：可以使用Ordinary one-way ANOVA（“总体有没有差异？”）

• 你的探索性大于验证性。你没有任何事先的假设，只是想看看这几组数据之间“有没有什么不一样的地方”。比如，测定了健康人、轻度患者、中度患者、重度患者某个指标的浓度，想先看看“是否存在任意组间差异”。
• 正确流程：
  1. 先做ANOVA。如果结果不显著（p > 0.05），通常可以就此打住，结论是“未发现组间差异”。
  2. 如果ANOVA显著（p < 0.05），说明有差异存在，此时可以进一步进行事后检验，如 Tukey‘s HSD，来找出具体是哪两组不同。

     跑 （Welch）One-way ANOVA 做总体检验；若显著，再做 事后比较：所有两两比较 → Tukey（不等方差/不等样本 → Games-Howell）；只和对照比 → Dunnett。实操提示：报告 F 值、df、效应量（η²/partial η²），并提供 调整后的 P 值 + 95% CI。

  3. GraphPad操作背后的真相

当你在GraphPad里选择ANOVA并勾选“Tukey‘s multiple comparisons”时，软件实际上在后台独立运行了两套计算：

1. 一套全局ANOVA（给出F值和p值）。
2. 一套完整的Tukey检验（给出所有两两比较的校正后p值）。

Tukey检验本身就是一个完整的、独立的检验体系，它并不需要ANOVA的“显著”结果来授权！