方差分析第5讲：什么时候不该用方差分析？

统计

在前面的讨论中，我们反复强调：正态性不过、方差不齐，并不自动意味着方差分析“不能用”。

但这并不等于：方差分析在任何情况下都可以被勉强使用。

在实际研究中，真正棘手的问题往往不是“假设有没有被轻微破坏”，而是：研究问题本身，是否已经超出了方差分析所能承载的范围。

01 当你真正关心的，不只是“组与组之间的差异”

方差分析最适合回答的问题，是一种非常明确的比较：

如果研究目的本身就止于此，那么 ANOVA 是自然、直接的选择。

但在不少研究中，组别差异往往只是一个起点。研究者真正关心的，可能是：

一旦问题开始指向“在什么条件下”“通过什么机制”，单纯的组间比较，往往就已经不够用了。

在很多应用研究中，除了分组变量之外，还同时存在年龄、性别、教育背景、基础水平等因素。

如果这些变量只是用于描述样本，方差分析仍然可以作为一种初步比较工具；但如果它们本身会系统性地影响结果变量，那么把它们完全排除在模型之外，就可能导致结论被误读。

可以想象这样一种情况：

不同教学方法下的成绩差异，看起来显著，但如果这些方法恰好对应着不同年级、不同基础的学生群体，那么“方法差异”与“背景差异”之间，就很难再被区分开来。

在这种情况下，继续坚持使用 ANOVA，往往并不是简化问题，而是回避问题。

方差分析天然依赖分组变量，这一点本身并没有问题。问题在于，有些分组，并不是来自研究设计，而是来自事后处理。

例如，把一个连续变量人为划分为“高—中—低”三组，再进行方差分析，表面上看似简洁，实则往往伴随着信息损失。原本可以反映细微变化的连续关系，被压缩成了少数几个水平，结果既降低了统计效率，也增加了人为主观性的空间。

当研究对象本质上是连续变化的，强行使用分组比较，往往不是方法更合适，而是表达能力不足。

方差分析有一个几乎不可让步的前提：观测之间相互独立。但在真实研究中，很多数据并不满足这一条件。

例如：同一对象在不同时间点的重复测量；学生嵌套在班级、班级嵌套在学校中的层级结构；同一地区、同一机构下的观测结果。

在这些情形下，如果仍然把所有观测当作彼此独立，方差分析的显著性结果往往会显得“过于乐观”。这并不是计算问题，而是模型与数据结构不匹配的问题。

在不少论文中，方差分析常常作为第一步出现，用来展示不同组别之间的基本差异。这种用法本身并没有问题。

但如果研究已经进入解释阶段，开始讨论影响路径、作用机制或政策含义，仅仅停留在“哪一组更高、哪一组更低”的层面，往往就显得过于粗略。

此时，继续使用 ANOVA，更多是一种习惯延续，而不是分析上的必然选择。

综合来看，是否“该不该用”方差分析，并不取决于某一条技术条件，而更多取决于研究问题的性质。

当你发现自己不断尝试通过补充说明、附加假设来“为 ANOVA 辩护”，很可能意味着：问题本身，已经需要一个表达能力更强的模型。

这并不是方法优劣的问题，而是匹配程度的问题。

方差分析并不是过时的方法，也不是低级的方法。它的价值，在于清晰、直接、易于解释。

但正因为如此，它也有明确的适用边界。当研究问题开始变得更复杂、更立体，仅靠组间均值比较，往往已经无法承载全部信息。

理解什么时候不该用方差分析，并不是否定它的价值，而是让它回到最合适的位置。