前面我们谈过 ANCOVA 存在的意义——当干扰因素暗中作祟时，单纯比均值会失真。这一页落到定义，看它到底是怎么做到的。

三种方法经常被混用，但各自解决的是不同问题

方差分析假设各组'站在同一条起跑线'，但现实中协变量本就不齐。协方差分析的核心，就是用统计手段把这些'起点偏差'扣除，让各组在公平基础上比处理效应。

检验协变量与因变量是否存在直线关系，决定它能否进入协方差分析。

齐性检验是 ANCOVA 的前提：先确认各组回归斜率是否真的相等。

上一张我们验证了回归系数可以合并。这页进入核心计算：用回归线把每组的均数点平移到协变量总均值处，得到修正均数。扣掉协变量带来的先天优势，组间比较才公平。

修正均数算出来后，用假设检验判断组间差异是真是假。

上一节我们完成了修正均数的假设检验。但 F 检验能识别处理效应差异，前提是处理组是被随机分出来的——完全随机设计（CRD）正是这一前提的实验来源。

把前面各分项概念串成一条流水线,从建模到最终检验,五步走完整套流程。

顺着箭头看三药比较的完整流程，两个菱形是必须通过的检验关卡。

上页我们演示了单因素协方差分析的全流程。但实际研究往往不止一个处理因素——比如同时比较药物种类和性别差异——这时模型必须从单因素扩展为两因素甚至更多。

上一页完全随机设计假设所有个体差不多，直接随机分组。但现实总不配合：田有坡度、患者年龄悬殊——这些不关我们的事，却影响指标。怎么办？先按相似性分组，再随机。

两因素协方差分析把处理因素和区组因素同时纳入模型，分五步走完整套流程。

用一只「小鼠增重实验」演示协方差分析完整流程：从分组到修正后方差分析，八步走完一遍。

上一页我们用协变量控制了连续型混杂因素。其实方差分析里早有类似思路——拉丁方设计控制行和列两个区组因素。今天看这两种方法骨子里想的是同一件事。

先按研究设计分流，再汇入同一模型；实线表示分析路径，虚线表示解释边界。

上页动物实验里，我们用协变量吸收了初始体重的干扰——但为什么必须先验证线性？为什么样本量不能省？这页把容易踩的坑和边界条件梳一遍。

协方差分析中的「修正均数」是指什么？

先独立思考再看参考答案，三个问题分别对应核心回顾、应用边界与知识迁移。