看看组间 ANOVA 情况，首先实际进行这样的 ANOVA 测试，然后进行事后（Bonferroni、Šidák 等）或计划的比较测试，您会得到什么？为什么不完全跳过方差分析步骤？
我认为在这种情况下，组间方差分析的一个好处是能够使用 Tukey 的 HSD 作为事后测试。后者需要方差分析表中的组内均方来计算其相关的标准误差。但是，对非配对 t 检验的 Bonferroni 和 Šidák 调整不需要任何方差分析输入。
我想就组内方差分析情况提出同样的问题。我知道在这种情况下，Tukey 的 HSD 测试不是一个相关的考虑因素，这使得这个问题更加紧迫。
实际上，在该特定场景中并不严格需要综合测试，并且像 Bonferroni 或 Bonferroni-Holm 这样的多个推理程序不限于 ANOVA/均值比较设置。它们通常在教科书中作为事后检验出现，或者在统计软件中与 ANOVA 相关联，但是如果您查找有关该主题的论文（例如 Holm，1979），您会发现它们最初是在更广泛的背景下讨论的，并且您如果您愿意，当然可以“跳过方差分析”。
人们仍然运行 ANOVA 的一个原因是，与 Bonferroni 调整之类的成对比较具有较低的功效（有时要低得多）。Tukey HSD 和综合检验可以具有更高的功效，即使成对比较没有显示任何内容，ANOVA F 检验也已经是一个结果。如果您使用少量且随意定义的样本，并且只是在寻找一些可发布的p值，就像许多人一样，即使您总是打算进行成对比较，这也很有吸引力。
此外，如果您真的关心任何可能的差异（而不是特定的成对比较或知道哪个意味着不同），那么 ANOVA 综合测试确实是您想要的测试。类似地，多因素方差分析程序可以方便地提供对主效应和交互作用的测试，这比一堆成对比较更直接有趣（计划的对比可以解决相同类型的问题，但设置起来更复杂）。例如，在心理学中，综合测试通常被认为是实验的主要结果，多重比较仅被视为辅助。
最后，许多人对这个例程感到满意（ANOVA，然后是事后测试）并且根本不知道 Bonferroni 不等式是与 ANOVA 无关的非常普遍的结果，您还可以运行更集中的计划比较或除了执行测试之外，还可以做很多事情。如果您正在使用应用学科中一些最流行的“食谱”并解释了许多常见做法（即使它不能完全证明它们的合理性），那么意识到这一点肯定不容易。
霍尔姆，S. (1979)。一个简单的顺序拒绝多重测试程序。斯堪的纳维亚统计杂志， 6 (2), 65–70。