不同類型的均值比較會產生不同的結果；為什麼 ？親愛的社區，您好，
我正在比較三個（小）樣本的平均值。 我有三個組（A、B、C）。 如果我分兩步比較它們（A 與 B，B 與 C），根據 t 檢驗和合併 t 檢驗，我會得到顯著的均值差異。
但是，如果我同時對 A、B 和 C 進行比較，使用 "Each pair Student's t" ，我沒有發現顯著差異。
（示例以圖片形式提供）。
有人可以幫我理解結果差異背後的理論嗎？
非常感謝 ！
其他回复：不同類型的均值比較會產生不同的結果；為什麼 ？非常感謝大家的回答。 他們幫助我理解了差異，並給了我如何分析數據的新想法。 我將“接受”一種解決方案，但顯然所有答案都是互補的。 謝謝大家，祝你有美好的一天！
回复：不同類型的均值比較會產生不同的結果；為什麼 ？我懷疑假設是不同的。 似乎您已經屏蔽了關卡名稱，我不確定您在屏蔽過程中是否有任何錯誤。 我要在你的截圖中突出顯示 4 個數字，我希望它們是相互對應的（例如表面上第二個方差分析顯示 B/C 之間為 -1.5，而 LSD 中有一個 1.5，但它似乎是 A/ C，所以我不確定）。
我想指出的是，差異的值是相同的，但差異的標準誤差是不同的。 在方差分析中，有註釋：假設方差相等。 在 LSD 比較中，我沒有在文檔中看到關於等方差假設或不等方差假設的明確聲明，但我相信假設是不等方差。 並且可以在此頁面上找到計算標準錯誤的詳細信息比較圈
回复：不同類型的均值比較會產生不同的結果；為什麼 ？你好@A_Random_Name ,
在所有這些之上，我想補充一點，重要性並不是一切。您需要問問自己，各組之間的差異是否有意義。您的圖表使用藍線顯示某種類型的範圍 - 其中所有點都在其中。如果您只需要在藍線內，那麼看起來您可以將樣本中最極端的情況包括在內。
回复：不同類型的均值比較會產生不同的結果；為什麼 ？首先，歡迎來到社區。 我會給你另一種解釋......任何模型效果的重要性都取決於模型中的效果。 如果您在模型中添加或刪除項，您可以/將更改模型效果（估計值、顯著性等）。 您可能還會質疑共線性。
回复：不同類型的均值比較會產生不同的結果；為什麼 ？你好@A_Random_Name ,
使用特定的統計測試意味著滿足該測試的假設。
對於 t 檢驗，應滿足四個主要假設：
- 數據是連續的。
- 樣本數據是從總體中隨機抽取的。
- 存在方差同質性（即每組數據的變異性相似）。
- 分佈近似正態。
（來源 ： t檢驗|統計學導論 | JMP )
在你的情況下，你可能有幾個問題在這裡使用 t 檢驗，這可以解釋你看到的差異：
- 由於樣本量較小，可能難以檢查正態性，因此可能不建議使用參數檢驗（假設正態分佈的統計檢驗）。 要檢查（近似）正態性，您可以查看正態分位數圖。
- 方差的同質性也可能不受尊重（在您的示例中，B 組似乎沒有方差，C 組方差很小，A 組方差更大）。 要檢查這一點，您可以在“用 X 擬合 Y”平台的紅色三角形中測試“不等方差”。 JMP 還將為您提供 Welch 檢驗，這是一種修改後的 t 檢驗，不假設您的 2 組之間的方差相等，這可能為您正在進行的某些比較提供信息。
- 如果要比較兩個以上的組，則不應使用 t 檢驗，而應使用 Tukey-Kramer（在參數檢驗的情況下，以限制 I 類錯誤）或 Steel-Dwass（非參數版本）。 有很多可用的統計測試，請花時間看看哪一個最適合您的問題，就滿足的目標和假設而言。
還要查看置信區間，您會在比較中看到置信區間重疊，這可能表明您沒有大的效應量和/或真正的統計差異。 由於 t 檢驗等參數檢驗的樣本量小和假設不滿足，重要的結果可能只是 I 類錯誤（錯誤地拒絕了一個實際上是真的零假設，這裡真正的零假設是組均值相同/等價）。
請隨時查看 JMP 統計門戶或 Fit Y by X 平台中的 JMP 幫助，以獲取有關可用統計檢驗的更多詳細信息。
我希望這些初步信息對您有所幫助 
