在组间均值比较这类分析里，ANOVA 几乎是第一反应。但我发现在实际数据分析中，大多数人只会记得三个前提：独立性、正态性、方差齐性。真正踩坑的地方，反而是这三个之外的一些细节。
1. 独立性：常被忽略但最难补救
独立性要求各组内观测彼此独立。听起来理所当然，但实际中经常被违反：
- 同一受试者重复测量（应该用重复测量 ANOVA 或混合模型）
- 同一家庭／班级／医院的个体（聚类结构，应该用多层模型或聚类稳健标准误）
- 时间序列观测（应该用时间序列模型或添加滞后项）
独立性违反造成的标准误低估往往导致 p 值被人为"做小"，结果看起来显著但实际上并不可靠。其他两个前提被违反时结论往往还是比较稳健的，但独立性违反基本等于整个推断作废。
2. 正态性：不是组别正态，而是残差正态
很多教材说"每组数据要服从正态分布"，这其实不完全准确。ANOVA 真正需要的是残差（observation − group mean）服从正态。
在小样本时要重点检查这点，但当总样本 N 大于 30 左右，根据中心极限定理，对正态性偏离的敏感性会大幅降低。
3. 方差齐性：Levene vs Bartlett
这两个检验常见但有差异：
- Bartlett 检验：对正态性假设敏感，如果数据本身就有点偏态，容易误判为方差不齐
- Levene 检验：对正态性更稳健，推荐作为默认选择
如果方差不齐但样本量均衡（各组差不多大），ANOVA 其实还比较稳健；如果样本量不均衡 + 方差不齐，建议改用 Welch ANOVA。
4. 一个被忽略的细节：固定效应 vs 随机效应
常规 ANOVA 默认组别是"固定"的——你研究的就是这几个具体的组。但如果组别其实是"随机抽取自更大总体"的代表（比如从所有学校里随机抽了 5 所），结论的推广范围就完全不同，应该用随机效应模型。
这个区分在心理学、教育学实验中很重要，但在工程和自然科学的实验中常常被忽视。
小结
ANOVA 不是只要看 Levene + Q-Q plot 就稳了。先想清楚数据的采样结构、组别是固定还是随机、观测间的相关性，这些比公式上的"前提检验"更重要。