用變異數比平均數：變異數分析 ANOVA 入門
一次比較多組平均，為何不能只靠兩兩 t 檢定。
三組以上，為什麼不能「兩兩比一比」就好？
假設你是一位營養學研究者，想知道三款早餐——燕麥粥、全麥吐司、白吐司——對學生上午專注力分數的影響。你蒐集了三組學生的專注力分數，現在三組的平均數分別是 78、74、70。它們看起來不一樣，但這「不一樣」是真的有差，還是只是隨機抽到的學生剛好高低不同？
最直覺的做法，是把三組兩兩拿來做 $t$ 檢定：A 對 B、A 對 C、B 對 C，比三次。聽起來合理，卻藏著一個陷阱。每做一次檢定，我們都允許自己有 5% 的機率「明明沒差卻誤判有差」（也就是顯著水準 $\alpha=0.05$）。比一次沒問題，但比很多次，這些「誤判機率」會累積。三組要比 3 次，若每次獨立，整體至少出一次假警報的機率大約是
$$1-(1-0.05)^3 \approx 0.143$$
也就是接近 14%，遠高於我們以為的 5%。組數越多，這個「多重比較」的膨脹越嚴重。變異數分析（Analysis of Variance, ANOVA） 就是為了解決這個問題而生：它用「一次檢定」同時比較所有組別的平均數，把整體誤判率控制在 $\alpha$ 之內。
比的是平均數，為什麼叫「變異數」分析？
這是 ANOVA 最反直覺、卻也最精巧的地方。我們想知道「各組平均數有沒有差」，方法卻是去拆解資料的變異。
想像把所有人的分數丟在一起，它們的總變異（每個分數和總平均的差距平方和）可以拆成兩塊：
- 組間變異（between-group）：各組「組平均」彼此離得多遠。如果早餐真的有效，三組平均會被拉開，組間變異就大。
- 組內變異（within-group）：同一組裡，每個人和自己組平均的差距。這反映的是「跟早餐無關的個人差異與隨機誤差」。
ANOVA 的核心邏輯是比較這兩種變異的相對大小：
$$F=\frac{\text{組間變異（被解釋的）}}{\text{組內變異（隨機誤差）}}=\frac{MS_{between}}{MS_{within}}$$
如果早餐沒有任何效果，那麼組平均之間的差異也只是隨機波動，組間變異會和組內變異差不多大，$F$ 值會接近 1。但若早餐確實造成差異，組間變異會明顯超過組內變異，$F$ 值會遠大於 1。我們再用 $F$ 分配 查出這個 $F$ 值的 $p$ 值，判斷是否顯著。「用變異數來比較平均數」——名字就是這麼來的。
一個帶數字的小範例
把問題簡化，每組只取 3 位學生（實務上需更多）：
| 組別 | 分數 | 組平均 |
|---|---|---|
| 燕麥 | 9, 8, 10 | 9 |
| 全麥 | 7, 6, 8 | 7 |
| 白吐司 | 5, 6, 4 | 5 |
總平均：$\bar{x}=\frac{9+8+10+7+6+8+5+6+4}{9}=\frac{63}{9}=7$。
組間平方和 $SS_{between}$：每組人數 $n=3$，乘上組平均與總平均差距的平方：
$$SS_{between}=3[(9-7)^2+(7-7)^2+(5-7)^2]=3(4+0+4)=24$$
組內平方和 $SS_{within}$：各組內部偏差平方和相加。燕麥組：$(9-9)^2+(8-9)^2+(10-9)^2=2$；全麥組同理 $=2$；白吐司組 $=2$。合計 $SS_{within}=6$。
接著算自由度：組間 $df_b=k-1=3-1=2$（$k$ 為組數）；組內 $df_w=N-k=9-3=6$（$N$ 為總人數）。把平方和除以自由度得到均方：
$$MS_{between}=\frac{24}{2}=12,\qquad MS_{within}=\frac{6}{6}=1$$
$$F=\frac{12}{1}=12$$
查 $F$ 分配表，$df=(2,6)$、$\alpha=0.05$ 的臨界值約為 $5.14$。我們算出的 $F=12 > 5.14$，落在拒絕域，因此 $p<0.05$，我們有證據認為三組平均並非全部相同。
顯著之後呢？別忘了這幾件事
ANOVA 顯著只告訴你「至少有兩組不一樣」，並沒有告訴你是哪幾組不一樣。要知道誰跟誰有差，需要做事後比較（post hoc），例如 Tukey HSD，它在比較時已內建多重比較的校正，不會重蹈本文開頭那個誤判膨脹的覆轍。
還有兩個統計素養的提醒：
第一，顯著不等於重要。$F$ 顯著只代表差異「不太可能純屬巧合」，不代表差異「夠大到有實務意義」。一個 78 分對 77 分的差異在樣本夠大時也可能顯著，但對現實幾乎沒影響。判斷「重要與否」要看效果量，而非只看 $p$ 值。
第二，相關不等於因果。即使本例 ANOVA 顯著，也只能說早餐種類與專注力分數有關聯。若學生不是隨機分派早餐，而是自己選的——愛吃燕麥的人可能本來就作息規律——那麼差異也許來自作息而非早餐。要主張因果，需要隨機分派的實驗設計，而不是只靠一個顯著的 $F$ 值。
ANOVA 是推論統計裡極實用的一把瑞士刀：它讓我們在「多組比較」時保持嚴謹，避免被多重比較的假警報誤導，同時用一個漂亮的變異拆解，把「平均數的差異」轉譯成「變異數的比值」。
深入探討（研究所視角）
形式上，單因子固定效果 ANOVA 的模型為
$$y_{ij}=\mu+\tau_i+\varepsilon_{ij},\qquad \varepsilon_{ij}\sim N(0,\sigma^2)\text{ i.i.d.}$$
其中 $\tau_i$ 為第 $i$ 組的處理效果，且滿足限制 $\sum_i n_i\tau_i=0$。虛無假設 $H_0:\tau_1=\cdots=\tau_k=0$。在 $H_0$ 與常態、變異數同質、獨立三項假設下，可證明 $SS_{between}/\sigma^2\sim\chi^2_{k-1}$、$SS_{within}/\sigma^2\sim\chi^2_{N-k}$ 且兩者獨立（Cochran 定理），故
$$F=\frac{SS_{between}/(k-1)}{SS_{within}/(N-k)}\sim F_{k-1,\,N-k}$$
估計量性質：$MS_{within}$ 的期望值恆為 $E[MS_{within}]=\sigma^2$，是 $\sigma^2$ 的不偏估計；而 $E[MS_{between}]=\sigma^2+\frac{1}{k-1}\sum_i n_i\tau_i^2$，僅在 $H_0$ 成立時才等於 $\sigma^2$。這正是 $F$ 比值能偵測組間差異的數學根源。事實上，ANOVA 的 $F$ 檢定可由最大概似比檢定（likelihood ratio test） 推導而得，在常態假設下兩者等價；而最小平方估計在此即是最大概似估計。
效果量衡量差異的實務大小，常用 $\eta^2=\frac{SS_{between}}{SS_{total}}$（被組別解釋的變異比例），但 $\eta^2$ 偏高估，研究中多改用較不偏的 $\omega^2=\frac{SS_{between}-(k-1)MS_{within}}{SS_{total}+MS_{within}}$。另外，$F$ 檢定與線性迴歸本質相同：ANOVA 等價於以虛擬變數（dummy coding）編碼組別的迴歸，這也說明 ANOVA 只是廣義線性模型（GLM） 的一個特例。
穩健性與替代方法：當變異數同質假設不成立時，宜改用 Welch's ANOVA；當常態假設嚴重違反時，可用無母數的 Kruskal–Wallis 檢定。當組數多時，事後比較的多重比較校正（Bonferroni、Tukey、或控制偽發現率的 Benjamini–Hochberg）至關重要。
貝氏觀點則跳脫 $p$ 值框架：對各 $\tau_i$ 設定先驗（常用階層模型讓組效果共享一個母體先驗，自然產生收縮估計），透過後驗分布或 Bayes factor 直接量化「各組相同」與「各組不同」兩個模型的相對證據強度，避免了「拒絕／不拒絕」的二分困境，也與機器學習中的階層貝氏與隨機效果模型一脈相承。