不同类型的平均值比较会产生不同的结果；为什么 ？你好亲爱的社区，
我正在比较三个（小）样本的平均值。 我分为三组（A、B、C）。 如果我分两个步骤比较它们（A 与 B，B 与 C），根据 t 检验和汇总 t 检验，我会得到显着的平均差异。
但是，如果我使用“每对学生的 t”同时对 A、B 和 C 进行比较，则不会发现显着差异。
（示例以图片形式提供）。
有人可以帮助我理解结果差异背后的理论吗？
非常感谢 ！
消费者和市场研究质量和工艺工程分享和交流结果回复：不同类型的平均值比较会产生不同的结果；为什么 ？非常感谢大家的回答。 他们帮助我理解差异，并为我提供了如何分析数据的新想法。 我会“接受”一种解决方案，但显然所有答案都是互补的。 谢谢大家，祝你有美好的一天！
回复：不同类型的平均值比较会产生不同的结果；为什么 ？我怀疑假设是不同的。 看来你已经屏蔽了关卡名称，我不确定你在屏蔽过程中是否犯了任何错误。 我将在你的屏幕截图中突出显示 4 个数字，我希望它们彼此对应（例如，从表面上看，第二个方差分析显示 B/C 之间为 -1.5，LSD 中有一个 1.5，但它似乎是 A/ C，所以我不确定）。
我想指出的是，差异的值是相同的，但差异的标准误差是不同的。 在方差分析中，有注释：假设方差相等。 在 LSD 比较中，我没有在文档中看到关于相等或不等方差假设的明确声明，但我相信该假设是不等方差。 计算标准误差的详细信息可以在这个页面找到比较圈
回复：不同类型的平均值比较会产生不同的结果；为什么 ？你好@A_Random_Name ,
除此之外，我想补充一点，意义并不代表一切。你需要问自己，各组之间的差异是否有意义。您的图表使用蓝线显示某种类型的范围，其中所有点都在其中。如果您只需要在蓝线内，那么看起来您可以考虑样本中最极端的情况。
回复：不同类型的平均值比较会产生不同的结果；为什么 ？首先，欢迎来到社区。 我会给你另一个解释......任何模型效果的重要性都取决于模型中的效果。 如果您在模型中添加或删除项，您可以/将更改模型效果（估计值、显着性等）。 您可能还会质疑共线性。
回复：不同类型的平均值比较会产生不同的结果；为什么 ？你好@A_Random_Name ,
使用特定的统计测试意味着满足该测试的假设。
对于 t 检验，应满足四个主要假设：
- 数据是连续的。
- 样本数据是从总体中随机抽取的。
- 存在方差同质性（即每组数据的变异性相似）。
- 分布近似正态分布。
（来源 ： t 检验 |统计学概论|联合管理计划）
就您的情况而言，在此处使用 t 检验时可能会遇到几个问题，这可能可以解释您看到的差异：
- 由于样本量较小，可能很难检查正态性，因此可能不建议进行参数检验（假设正态分布的统计检验）。 要检查（近似）正态性，您可以查看正态分位数图。
- 方差的同质性也可能不受尊重（在您的示例中，B 组似乎没有方差，C 组方差非常小，A 组方差更大）。 要检查这一点，您可以在“Fit Y by X”平台的红色三角形中测试“不等方差”。 JMP 还将为您提供韦尔奇检验，这是一种修改后的 t 检验，不假设两组之间的方差相等，这可能会为您正在进行的某些比较提供信息。
- 如果要比较两个以上的组，则不应使用 t 检验，而应使用 Tukey-Kramer（在参数检验的情况下，以限制 I 类错误）或 Steel-Dwass（非参数版本）。 有很多可用的统计测试，花些时间看看哪一种最适合您的问题（就满足的目标和假设而言）。
另请查看置信区间，您会在比较中看到置信区间重叠，这可能表明您没有大的效应大小和/或真正的统计差异。 由于样本量较小且不满足 t 检验等参数检验的假设，显着结果可能只是 I 类错误（错误地拒绝了实际上真实的零假设，此处的真实零假设是组均值相同/相等）。
请随时查看 JMP 统计门户或 Fit Y by X 平台中的 JMP 帮助，以获取有关可用统计测试的更多详细信息。
我希望这些第一信息能对您有所帮助:)
