MANOVA（Multivariate Analysis of Variance，多变量方差分析）是一种强大的统计方法，用于同时检验一个或多个分类自变量对两个或更多连续因变量的平均值是否存在显著影响。与单变量方差分析（ANOVA）不同，MANOVA考虑了因变量之间的相关性，从而可以有效控制第一类错误（假阳性）率，并揭示变量间的联合效应。在生物医学研究中，MANOVA常用于比较不同实验条件对多项生理指标（如血压、心率、激素水平）的综合影响，或评估基因型对多个表型参数的总体效应。
MANOVA的核心目的
- 同时分析多个因变量：与只能分析一个因变量的ANOVA不同，MANOVA考虑了因变量之间的相关性，从而降低了犯第一类错误（假阳性）的风险。
- 识别整体差异：它检验不同组别（由自变量定义）在多维因变量空间中的质心（重心）是否存在显著差异。
- 控制实验误差：当研究涉及多个相关结果指标时，分别进行多次ANOVA会增加假阳性概率，而MANOVA通过一次性分析来控制整体误差率。
MANOVA的适用场景
- 医学研究：比较不同治疗方案对患者的多个健康指标（如血压、心率、血糖）的综合影响。
- 心理学：评估不同干预措施对多个心理量表得分（如焦虑、抑郁、幸福感）的联合效应。
- 生物学：分析不同基因型或环境条件下，生物体的多个形态或生理参数（如株高、叶面积、生物量）是否有显著差异。
- 神经科学：比较不同脑区激活模式在多任务条件下的差异，或评估药物对多个神经递质水平的综合作用。
MANOVA的关键假设
- 独立性：观测值之间相互独立。
- 多元正态性：因变量在各组内联合服从多元正态分布。
- 方差-协方差矩阵齐性：各组的方差-协方差矩阵相等（常用Box's M检验）。
- 线性关系：因变量之间存在一定程度的线性相关（但不宜过高，以避免多重共线性）。
常用检验统计量
MANOVA输出通常包含以下四个检验统计量，用于判断整体效果是否显著：
| 统计量 | 说明 |
|---|---|
| Pillai's Trace | 最稳健的统计量，对违反假设不敏感，推荐使用 |
| Wilks' Lambda | 最常用的统计量，值越小（接近0）表示组间差异越大 |
| Hotelling's Trace | 对组间差异敏感，但要求数据满足假设 |
| Roy's Largest Root | 最强大但最不稳健，仅在特定条件下使用 |
MANOVA与ANOVA的比较
| 特性 | ANOVA | MANOVA |
|---|---|---|
| 因变量数量 | 1个 | 2个或以上 |
| 协方差结构 | 忽略 | 考虑因变量间协方差 |
| 假阳性控制 | 多次检验时膨胀 | 一次检验控制整体误差 |
| 解释焦点 | 单个因变量组间差异 | 多维质心差异 |
| 统计功效 | 对相关因变量功效较低 | 能够发现组合效应，功效更高 |
在生物信息学和数据分析中，MANOVA常被用于高通量组学数据（如转录组、蛋白质组）的初步分析，以识别不同条件对多个分子特征的联合调控。例如，比较疾病组与对照组在多个代谢物或基因表达水平上的整体差异，可为进一步筛选关键生物标志物提供依据。实践时，建议先检验数据是否满足假设（如通过Q-Q图评估多元正态性），若严重偏离可考虑非参数替代方法（如PERMANOVA）。