按照这个问题中描述的设计和数据，我做了一个简单的单向受试者内重复测量 (RM) 方差分析，发现了一些显着的 p 值。然后我应用了非正交事后 Tukey 的 HSD 测试，当我得到显着结果时，我应用了 Holm-Bonferroni (1979) 校正。每当一些 p 值在 FWER 校正中幸存下来时，我都会计算 95% 的 CI 和相关成对比较的平均值。
我的问题是：如果我在上述任何步骤中都没有观察到显着的结果，我是否必须对 RM ANOVA 进行功效分析，应用Tukey 的 HSD 测试或Holm-Bonferroni调整，还是只报告结果来自 RM ANOVA 而不进行功率分析？
问题是我只是在实验之后才开始沉浸在生物统计学中，不幸的是我事先没有进行功效分析。
事后功率计算的强硬观点是：不要这样做，因为它没有意义。爱荷华大学的 Russ Lenth 在这里有一篇关于这个主题的文章（他的网站 上还有一个有趣的 Java 小程序，用于事后处理）。
顺便说一句，Tukey's 并不依赖于 ANOVA 结果的显着性。即使整体方差分析不显着，您也可能存在显着的成对差异。
也就是说，如果您要进行 Tukey 校正的成对比较，请不要先检查整体显着性。如果您仅在获得显着的总体 p 值后才运行 Tukey 比较，则您过度校正。
（我相信这对于常规方差分析是正确的；重复测量或非正交性可能会发生其他事情；有人愿意插话吗？）
最后，同意 Freya 的观点，但要提供更多指导，而不是事后功率测试，更合理的报告是置信区间；它们准确地显示了您的实验可能检测到的差异有多大，这通常是人们无论如何想要进行事后功率测试时所追求的。
大多数教科书认为，只有在带有显着 f 的情况下才进行像 Tukey 这样的事后处理才是合适的。如果您选择基于理论的计划比较，则 F 不显着就可以了…… Tukey 是一个相当保守的测试，如果 f 不显着，通常不会显示显着性。你用什么值来计算 Tukey 的均方？置信区间也应该使用均方，而不是单独的方差估计。
关于事后功率估计陷阱的另一个很好的讨论见：
Gerard、PD、DR Smith 和 G. Weerakkody。1998. 回顾性权力分析的局限性。野生动物管理杂志 62:801-807 [链接]。