在应用环境中，了解任何违反假设是否对推理有问题通常更为重要。

基于显着性检验的假设检验在大样本中很少受到关注，因为大多数推论检验对于轻微违反假设是稳健的。

假设图形评估的优点之一是它们将注意力集中在违反程度而不是任何违反的统计意义上。

但是，也可以关注数据的数字摘要，量化违反假设的程度，而不是统计显着性（例如，偏度值、峰度值、最大组方差与最小组方差的比率等）。您还可以获得这些值的标准误差或置信区间，随着样本的增加，它们会变得更小。这种观点与统计显着性不等同于实际重要性的一般观点是一致的。

几张图通常比来自正态性或同方差性检验的 p 值更具启发性。根据自变量绘制观察到的因变量。针对拟合绘制观察结果。针对自变量绘制残差。调查这些图上看起来很奇怪的任何东西。如果事情看起来不奇怪，我不会担心对假设的重大测试。

这些是一些非常好的网络指南，用于检查 ANOVA 的假设以及如果失败该怎么办。这是一个。这是另一个。

基本上你的眼睛是最好的判断，所以做一些探索性的数据分析。这意味着绘制数据 - 直方图和箱线图是评估正态性和同方差性的好方法。请记住，方差分析对于轻微违反这些行为是稳健的。

QQ 图是检测非正态性的好方法。

对于同方差性，请尝试 Levene 检验或 Brown-Forsythe 检验。两者都是相似的，尽管 BF 更强大一些。与 Bartlett 检验相比，它们对非正态性的敏感性较低，但即便如此，我发现它们在样本量较小的情况下并不是最可靠的。

QQ情节

布朗-福赛斯测试

列文的测试