如何做组间差异检验_基于距离的差异检验方法

简单总结一下常见的基于距离的差异检验方法 常规的 T 检验、方差分析等，可以用于比较组间变量的差异水平。由于这些常规方法都是对于 1-2 个特定变量而言的，那么如果我们想比较所有变量整体的差异，或者说各组对象间在变量组成上是否存在较大的不同，应该怎样做呢？ 多变量情形下，可能会首先想到使用 PCA 等排序分析方法去降维，然后在低维空间的排序图中观测对象的离散程度，组间区分是否明显等。 然后我们首先看下面这个 PCA 。 排序图中，显示 setosa 与 virginica 或 versicolor 之间区分明显， virginica 和 versicolor 之间存在一定程度的重叠。这种组间的区分程度是我们直接通过眼睛观测的，那么，通过观测的评估是否是准确的？比方说， setosa 与 virginica 或 versicolor 之间在变量组成上是否真的存在显著差异呢？类似地， virginica 和 versicolor 在 PCA 图中区分不明显，那么它们真的无区别吗(是否存在潜在差异)？

由于PCA只是探索性分析，用于描述数据分布，不涉及统计检验，因此无法给出一个指标(如p值)作为我们评估组间差异程度的标准。尽管很多情况下可能并不需要，但如果存在必要，我们还需结合其它方法用作评估。

这里就需要考虑特定的统计检验方法，用作组间差异分析。

对于多变量情形下的组间差异分析，可能首先会想到多元方差分析(MANOVA)。然而，MANOVA的有效性取决于严格的前提假设，如多元正态性、方差-协方差矩阵的同质性等，导致在实际情况中大部分案例都是直接拒绝的，因此MANOVA不具普适性。考虑到这一点，统计学家们已经提出了许多方法替代经典的MANOVA，它们在比较多变量的组时更为稳健，并得到了广泛应用。

其中一些方法并非直接通过原始的变量作比较，而是首先基于多变量计算对象间的“距离”，然后将距离测度用作检验的输入，进而确定各组对象间的差异程度。这类方法通常称为“基于距离的检验方法”(Distance‐Based Tests)，常见的如置换多元方差分析(PERMANOVA)、相似性分析(ANOSIM)、Mantel test等。

好了，到这里就开始接本篇的正文部分了，简单地对这些常见的基于距离的检验方法作个概述。