在比较实验中，统计分析被用来估计效应大小和确定证据的权重相对于原假设。
内容:
在EDA图中，一个分析节点应该从至少一个结果度量中接收输入，并且至少一个感兴趣的变量应该被包含在分析中作为感兴趣的因素。
如果麻烦变量包含在分析中，例如作为阻塞因素或协变量，那么它们应该使用适当的链接连接到分析节点。
在只包含记录数据子集的分析中，例如，如果在几个时间点测量响应时，在选定的时间点(参见下面示例中的分析2)进行分析，则变量类别(而不是变量本身)应该直接连接到分析节点，以表明分析仅对来自该类别的数据进行。
分析节点的属性中要提供的信息包括分析的方法，是否事后测试而且多个测试修正是否使用了盲法分析(见眩目的部分)。如果盲法没有实现，则原因还应指定。
如果对实验数据进行多次分析，则每个分析应包含一个分析节点。的主要分析，这是用来计算样本量应该识别。
方法的分析
应该仔细选择统计分析策略，以确保从数据中得出有效的结论。选择合适的检验方法取决于结果度量的数量、这些结果度量的性质、感兴趣的自变量，以及在分析中是否需要考虑任何额外的可变性来源(即讨厌变量)。它还取决于所收集的数据是否满足参数假设。
一旦完成了一个实验的图表，并且处理了来自评论的反馈，系统就可以生成与实验设计兼容的统计测试的建议。在这个阶段，系统不知道数据是否满足执行参数分析所需的参数假设，用户必须评估这些假设，例如检查数据是否正态分布，以便选择使用哪种方法。
在实验进行之前，有一个计划分析方法可以从分析节点属性中的下拉菜单中选择。一旦收集到数据，有时就会有偏离计划方法的理由。例如，数据不满足参数假设，数据转换不能解决这个问题，因此非参数分析方法似乎更合适。在这种情况下，可以更新图表和所用的分析方法，连同不使用计划方法的原因可以表示。
无论数据是否满足参数假设，如何假设是评估应该在分析节点的属性中标明。
参数检验和非参数检验
只要满足参数假设，参数检验比非参数检验具有更强的统计力。当数据不满足这些假设时，非参数检验更有效。然而，重要的是要注意，在许多情况下，参数假设可以通过使用数据转换。在考虑非参数数据分析方法之前，应该尝试这种方法。
在评估假设时，应该注意到需要考虑分析的残差，以及数据本身。对于数据集中的每个观测:
观测值=预测值+残差
其中“预测值”是通过将统计模型与数据(例如组均值)拟合而预测的值，“残差”是观测值与预测值之间的差值。
如果数据满足以下假设，则认为该数据适合进行参数分析:
- 数据应该是连续的，而不是绝对的或二进制的
- 响应应是独立的，即一旦考虑到所有的变化来源，每一观测结果不应受到任何其他观测结果的影响。
- 分析的残差应该是正态分布的
- 不同组有相似的方差(方差齐性假设)
正态分布
参数检验，如t检验、ANOVA和ANCOVA，假设您的响应，或者更准确地说，分析的残差，近似正态分布。许多生物反应都遵循这种分布。如果重复测量一个正态分布的响应，在相同的实验条件下，你会期望大多数响应靠近分布的中心，当你远离中心时，观察到的响应越来越少。在中心上方和下方观察到的响应数量大致相同，这就给出了一个对称分布。
对正常情况有各种各样的检验，例如夏皮罗-威尔克检验和科尔莫戈洛夫-斯米尔诺夫检验。然而，如果样本量小，这些测试很难检测出非正常性，就像动物实验中经常出现的情况一样。另一种方法是绘制正常的概率图。这涉及到将残差(每个观察值减去组的平均值)与正态分布时的情况进行绘制。如果图上的点沿着一条直线，那么这很好地表明正态性假设成立。
有关生成正常概率图的更多信息，请单击在这里．
方差齐性
这是大多数参数检验的关键假设之一，它意味着响应的可变性不依赖于响应的大小。例如，组内的可变性并不取决于组均值的大小。这是因为要检验的零假设是，这些组是来自同一群体的样本，因此任何均值或方差的差异都是由于偶然。
在生物反应中，变异常常随着反应的增加而增加。在这种情况下，方差同质性的假设可能不成立。
有几种检验可用于评估方差的齐性，包括Brown-Forsythe检验和Levene 's检验。然而，就像正式的正态性测试一样，当样本量很小的时候，不建议这样做，动物实验经常是这样。另一种方法是生成残差与预测图。如果这个图上的点的散点是随机的，没有扇形效应(表示残差随着预测值的增加而增大)这样的模式，那么方差的同质性假设成立。更多关于剩余和预测图的信息可以在Bate和Clark(2014)中找到。
数据转换
如果数据不是正态分布和/或方差齐性假设不成立，则a数据转换可以帮助研究者满足参数假设，从而使他们能够使用更敏感的参数检验。数据转换涉及用该变量的函数替换该变量。
如果转换了结果度量，可以通过将其连接到数据转换节点来表示。数据转换节点与结果相关;即使两个结果以相同的方式转换，也不能将两个不同的结果度量连接到同一个数据转换节点。数据转换产生用于分析的输出。
常见的变换包括“数学”变换(例如log，平方根或arcsin)或秩变换:
日志e和日志10转换
当反应呈指数增长时(例如细菌细胞计数)，这种转化是有用的。这可能是应用于生物数据的最常见的转换，涉及到每次观察的对数值。这可以在任何一个日志上执行10或日志e规模。
应用对数转换的一个缺点是零响应或负响应不能转换。如果正在分析的结果测量包含零或负值，则有必要在所有响应中添加一个小的偏移量，以便所有数据都为正。
平方根变换
平方根变换包括对每个响应取平方根。平方根变换的缺点是它不能应用于负数。因此，如果有任何回答是否定的，应在所有数字上加一个常数，以确保它们都是正数。
如果响应是计数响应，那么在分析之前值得考虑平方根变换。
反正弦转换
这包括取一个数的反正弦的平方根。对于以1为上界，以0为下界的比例响应，反正弦变换可能是合适的。对于上面和下面有边界的响应，当响应接近这些边界时，其可变性有减少的趋势。反正弦变换有效地增加了边界处响应的可变性，并减少了中间范围内响应的可变性。
任何有上下界的响应都可以使用此方法进行转换，但如果响应不包含在0到1的范围内，则需要首先缩放以适应该范围。
秩转换
当参数假设不成立时，即使在进行了数学变换之后，也可以使用秩变换，以便(对秩变换后的数据)应用参数检验。
秩变换包括按大小对响应进行排序，最大的观测值给出秩1，第二大的观测值给出秩2，依此类推。
注意，对数据进行秩变换会丢失信息，并可能降低实验的威力。排序技术还意味着统计分析的结果不太可能受到任何异常值的影响。例如，在原始尺度上，数据集中最大的观测值可能看起来是一个离群值，但不管实际数值如何，它都被赋予第1级。这个观察结果将被给予相同的级别，不管它有多极端。
关于这些转变的更多信息可以在Bland和Altman (1996)， Conover和Iman(1981)和Bate和Clark(2014)中找到。使用时可以应用上述所有转换InVivoStat并可从参数分析模块中的“转换”下拉菜单中获得。
多个测试修正
在许多与生物学相关的领域中，检验多个假设并因此在一个实验中进行多个比较是比较常见的。例如，如果测量了几种行为，或者实验是高通量的，或者是基因组学/蛋白质组学实验。在这种情况下，重要的是纠正那些错误地看起来很重要的随机事件。新利体育网页版
在只有一个假设的实验中，显著性水平(α)设为0.05意味着当原假设为真时，获得真阴性结果的概率为95%，偶然获得显著结果(假阳性)的概率为5%(1 - 0.95)。
在相同显著性水平下，对于3个假设的实验，得到假阳性结果的概率提高到14% (1 - 0.95)3.)，有25个假设，提高到72% (1 - 0.95)25)，有50个假设，达到92% (1 - 0.95)50)．多重比较程序的目的是将这个概率降低到5%。看到Bonferroni调整下面描述。
事后测试
如果一个实验是用方差分析方法分析的，零假设被拒绝，这意味着在组的平均数之间有差异，但它不表明哪些组是不同的。为了确定具体的差异所在，可以执行后续的事后测试。
有几个事后检验可以选择，这取决于事后比较是否事先计划好，以及是否需要全成对比较，还是只需要与对照组比较。每个实验只应该运行一个事后测试。
测试调整为多次比较
Dunnett测试
Dunnett检验是比较组与对照组时的一个很好的选择，它提供了多次比较的校正，从而减少假阳性结论(I型错误)的可能性。
Tukey HSD(诚实显著性差异)
Tukey HSD测试在对所有事物进行比较时非常有用。它计算所有可能的成对比较，并为多次比较提供足够的补偿。然而，对于选定的两两比较，这种事后检验过于严格，因此增加了假阴性结论的可能性(第二类错误)。
Bonferroni测试
Bonferroni检验可用于组子集之间的计划比较，并同时调整显著性水平，以说明多个比较。该测试被认为是高度保守的，因此与较高的假阴性(第二类错误率)相关。
为了执行Bonferroni校正，通过将显著性水平除以比较数来重新调整显著性水平。因此，3个比较的显著性分界点设为0.017 (α/n = 0.05/3)， 25个比较的显著性分界点设为0.002 (α/n = 0.05/25)。这种修正操作简单，但非常保守;当处理大量的比较时，它大大降低了获得假阳性的风险，但增加了获得假阴性的风险。
步进式测试
除了上述所有测试同时对所有测试应用单一调整之外，还有一些测试以逐步的方式应用调整，例如Hochberg、Hommel和Holm测试。这些测试已被证明是更传统方法的有效替代方案，详见Bate和Clark(2014)。
未经调整的测试
费雪LSD(差异最小)
Fisher的LSD在选定的均值对中执行一系列t检验，其中所有计算中使用的可变性估计是从方差分析表(均方误差)中提取的更可重复的估计。这就是为什么LSD测试被认为比简单地进行许多单独的t检验更可靠的原因之一。然而，它不能纠正多次比较，因此它与较高的假阳性率(I型错误)相关，使更有可能检测到不真实的差异。
感兴趣因素的数量
当研究人员有许多不同的自变量，这些自变量可能会影响反应，也可能不会，他们希望在一个实验中评估它们时，析因设计(即有多个感兴趣的因素的实验)是有用的。进行多个实验，每个实验中单个感兴趣的因素是不同的，这可能不能最有效地利用动物，也不允许评估因素之间的相互作用。对病情建模通常需要不止一个因素来解释结果测量的变化，而析因设计可用于同时测试多个因素的影响。
析因设计可用于评估感兴趣的自变量(如性别、年龄和剂量)的水平，以最大化观察治疗效果的“机会之窗”。例如，一项研究评估了dba和balb c菌株小鼠的炎症反应。这个实验允许科学家选择最敏感的菌株，这样在未来的实验中，当测试新的化合物时，就会有最大的机会窗口，从而意味着所需的动物数量可以减少。当建立一个新的动物模型时，虽然在实验过程的开始阶段进行这样的试点研究似乎是浪费资源，但长期的收益很容易超过最初的成本。
Bate和Clark(2014)区分了两种类型的阶因设计。
当研究人员想要调查许多因素的影响以及它们如何相互作用时，就会采用“大型”析因设计。研究人员可能还想找出那些可以忽略的对反应没有显著影响的因素。这些设计特别有用，例如，在建立一个新的动物模型时。大型析因设计必然涉及许多个体组，但因为我们只对总体效应感兴趣，不需要在组之间进行两两比较，所以个体样本量可能很小。
在动物研究中常用的“小”因子设计通常不超过两三个因子。目的是用适当的统计检验比较一组和另一组的平均数。因此，实验应该有足够的动力(每组都有合适的样本量)，以便对因素组合进行两两比较。
参考资料和进一步阅读
奥特曼和布兰德，2009年。数据分析的参数非参数方法。现年338岁的BMJ a3167。doi:10.1136 / bmj.a3167
贝特，s. t . &克拉克，r. a . 2014。动物实验的设计与统计分析，英国，剑桥大学出版社。
布兰德，j.m，奥特曼，1996。转换数据。BMJ, 312, 770。doi:10.1136 / bmj.312.7033.770
康诺夫和伊曼，1981。秩变换作为参数统计和非参数统计之间的桥梁。美国统计学家，35,124-129。doi:10.2307 / 2683975
费斯汀m.f &奥特曼d.g. 2002。使用实验动物的实验设计和统计分析指南。中国科学(d辑:自然科学版)。doi:10.1093 / ilar.43.4.244
马里诺，2014年。药理学研究中统计方法的使用和误用。生物化学药理学，87,78-92。doi:10.1016 / j.bcp.2013.05.017
中川，s . & cuthill, i.c. 2007。效应量、置信区间和统计显著性:生物学家的实用指南。生物Rev Camb Philos Soc, 82,591 -605。doi:10.1111 / j.1469 - 185 x.2007.00027.x
http://www.3rs-reduction.co.uk/html/12__statisticanalysis.html
http://www.3rs-reduction.co.uk/html/11_regression.html
有关生成正态概率图的更多信息:http://www.youtube.com/watch?v=1Ts2lYrXenE