首先，让我向你保证——正如@amoeba 所提到的——你正走在进入“研究地狱”的正确道路上，这是研究人员（应该）让他们的 p 值决定包含什么的地方或不在分析中。

原因1。

您必须先决定您是否认为Levene的测试是一个很好的异方差测试，以及在测试显着/不显着的情况下该怎么做。此外，尽管您和我可能不同意，但如果您使用阈值来做出决定（不幸的是，这仍然是经典统计中的标准），那么某件事是否更重要或更重要并不重要。

原因 2 和 3。

“两个群体在年龄和智商上都很匹配”，这很好。ANCOVA 最重要的假设之一是协变量和治疗效果的独立性。“这种关联对智商和谷氨酸来说并不重要”，我不完全确定这是一个问题，我实际上相信不是。事实上，ANCOVA 的第二个最重要的假设是协变量与因变量具有相同的关系，而与自变量无关。这通常称为回归斜率的同质性。

问题 1。

这里的问题不是你会被活活吃掉；而是你会被活活吃掉。很可能，您不会（我看到发布的分析更糟糕......）。问题是您正在考虑发布结果，这些结果是您不完全确定的分析结果，因为您违反了实验数据分析中最重要的规则，即不要根据最终结果进行更改。

问题2。

从理论上讲，是的：异方差性可能是数据中发生其他事情的迹象。或不。我们不（不能）知道。但是，鉴于您的样本量较小，我反对在不解决不等方差问题的情况下继续进行分析。您可能需要考虑一些技术，它们可能有效，也可能无效。但是，如果它们不起作用，您就只有一种可能性：不要进行分析（因为您已经这样做了：不要报告结果）。

问题 3。

是的，它确实。同样，您应该先验地决定。如果您对主效应感兴趣，则类型 II 更可取，而当您预期交互作用时，类型 III 更可取。我倾向于选择 III 型，但关于哪种更好的争论仍然存在。

结论。

我的建议是不要发布这些结果并尝试收集更多数据。随着更大的样本（60+），你打破的一些假设变得不那么重要了。也就是说，在确定你已经正确完成所有事情之前，你永远不应该查看最终结果，因为从理论上讲，这是一个不归路。

首先，问问自己为什么 IQ 总是包含在这些模型中。可能有一些原因。智商可能是一个中介（见下文）

其次，从您所说的来看，智商似乎是谷氨酸浓度与您的组变量之间关系的一种中介。匹配不会处理中介关系。建立中介的正确方法尚未完全达成一致（甚至术语也没有完全确定），但我的观点是统计显着性在其中没有多大作用。关键不是关系是否显着（N = 33，显着性很难），而是参数估计值的变化。

第三，“模型变得混乱”这一事实不是排除变量的理由。并非所有的关系都是简单的。排除调解员可能会给出非常错误的关系图景。

我有点担心你情节上的 y 轴标签，“C 谷氨酸 SD 小于 20 - 极值”，这有两个潜在的重要含义。

一方面，可能会认为已经删除了一些“异常值”确定，这是一件棘手的事情。这通常只有在您知道测量错误（而不是混乱）时才应该这样做。对您的轴标签的一种可能解释是，对每个个体进行了多次谷氨酸分析测定，每次测定涉及超过 1 个技术重复，并且如果技术重复与 SD 超过 20 个不一致，则排除某些测定。如果“ - 极端”意味着您进一步删除了个人决定的极端值，那么这是一个需要考虑的额外问题。

其次，如果您的分析 SD 大约为 20，平均值大约为 9，并且谷氨酸浓度肯定不能低于 0，那么您可能不应该在线性范围内分析您的谷氨酸分析，至少在以下方面结合分析结果以获得每个个体的谷氨酸值。我的猜测是谷氨酸测定中的分析误差或多或少与测量值成正比，因此对于这项工作的谷氨酸分析部分，您最好使用对数刻度，以便分析误差的大小与测量值无关测量值，在那个尺度上。在对数尺度上，您的一些“异常值”可能不会那么遥远，并且您的结果可能更可靠（甚至可能支持您的假设）。

您引用的智商和谷氨酸之间的“弱”关系（Pearson Correlation = .203，sig=.213，N=33）不一定那么弱。试图排除两个变量之间的关系不同于试图证明它们之间的重要关系。这种相关系数在许多生物学关系中并不是非典型的，缺乏“意义”可能只是代表少数情况，所以这不是排除智商的理由。

正如您似乎理解的那样，这里的部分问题是动力不足的实验设计。如果在这类研究中通常期望控制年龄和智商，那么需要有足够的案例来适应这一点。每个额外的协变量都会在您的分析中占用一定的自由度，如果协变量与结果变量的关系较弱，则可能会更难检测显着性。使用少量预测变量找到“重要性”并不罕见，然后随着额外预测变量的添加而消失。

如果我对您的谷氨酸测定的性质是正确的，那么无论如何您都需要重新评估这些关系。