在心理学研究中，对于获得的数据往往有多种统计方法。对于相同的数据，有时，使用不同统计方法得到的统计结论是一样的，有时，使用不同统计方法得到的统计结论却是不一样的。如果是前一种情况，那还好说；如果是后一种情况，双该如何看待呢？

例如，有研究者把16名被试分为3组，让他们分别观看3种不同类型的电影，在观看电影之前与之后测量他们的焦虑水平。焦虑指标有3个，分别是焦虑自评、脉搏、呼吸率。前测的数据是协变量，后测的数据是因变量。同时，依据被试的年龄，可把他们分为18岁以下和18岁及以上两个水平。显然，把年龄作为一个因素，是想考察它如何影响电影类型与焦虑的关系，即，把年龄当作调节变量来看待，并非研究的主要变量。

从心理实验的角度讲，这项研究有两个因素，一个是电影类型，分3个水平（真实的、虚构的、中性的），一个是年龄，分两个水平。研究者要检验的假设是，有经验的人会觉得，反映真实生活的电影比虚构的或中性的题材更令人焦虑。

对于获得的数据，即被试观看电影前与观看电影后的数据，先进行各种必要的甄别，结果表明，它们适合进行有关分析），至少可以进行如下分析——

其一，1个自变量和3个因变量的多元方差分析。

先忽略年龄因素，分析电影类型对3个因变量的效应。这是最简单的多元方差分析。当然，它不是回答前述主要研究问题的良好方法，除非研究者控制了不同组之间的前测差异。

多元方差分析结果表明，Wilks’ Λ=0.357，对应的F(6,22)=2.469, p=0.056，为边缘显著。从均值可以看出，真实电影情况的焦虑评定最高。

一元检验的结果表明，对于焦虑自评，F(2,13)=4.283, p=0.037；对于脉搏，F(2,13)=7.082, p=0.008；对于呼吸率，F(2,13)=6.209, p=0.013。此时，应当采用Bonferroni校正，以控制错误率。因此，显著性水平应当升为0.05/3，即0.016。经过校正，观看后的脉搏和呼吸率仍然达到了显著水平，观看后的焦虑自评没有达到显著水平。

其二，2个自变量和3个因变量的多元方差分析。

现在把年龄因素加入分析，即以电影类型和年龄作为自变量，做多元方差分析。结果发现，电影类型的效应显著，Λ=0.0222, F(6,16) =2.999, p=0.037；年龄的主效应不显著，F(3,8) < 1）；二者的交互作用不显著，F(6,16) =2.180, p=0.100。这种结果表明，研究中考查的“年龄”因素可能界定不清或不当。

其三，1个自变量、3个因变量和3个协变量的多元方差分析。

对于这项研究，如果不考虑前测，那么，相应的研究就鲜有价值。像焦虑等人格变量具有极大的个体差异，纵然对被试进行随机分配，也难以有效解决这个问题。所以，这些前测会影响数据收集之前的取样和设计方面。例如，它们可以用做脉搏、呼吸率的基线测量，从而，研究者可以确保3个组是同等的。如果研究者确信在这些指标的前测上没有差异，那么，才能接受前面的分析结果。

当然，一种替代的做法是，把前测数据作为多元方差分析的协变量。如果测试的被试很难招募，例如，在临床领域就是如此，那么，这种做法将是特别有用的。

多元协方差分析的结果表明，电影类型的效应显著，F(6,18)=4.167，p=0.008。所有的一元方差分析的结果也均是显著的。这一结果显得支持了研究者的假设，并且可以认为真实电影组更高的焦虑评定通过考虑前测数据而得到了增强。

其四，3个因变量的重复测量的多元方差分析。

对于例子中的数据，还可以做重复测量的多元方差分析。统计结果发现，电影组和时间之间存在显著的整体的交互作用。同时，电影类型的主效应不显著。使用Tukey进行多重比较发现，焦虑自评、脉搏和呼吸率在3种电影组之间的差异均不显著。

由此，对比这一研究的几种统计分析，不难体会，上述几种统计分析表明，不同统计方法得到的结果可能是不同的，具体而言：

当进行1个自变量和3个因变量的多元方差分析时，电影类型的效应是否显著，取决于采用的统计指标，可能是不显著，或边缘显著，或显著；

当进行2个自变量和3个因变量的多元方差分析时，电影类型的效应显著，即使以Wilks’ Λ做为指标来考查，也是如此；

当进行1个自变量、3个因变量和3个协变量的多元方差分析时，电影类型的效应显著，即使采用Pillai标准也是这样；

当进行3个因变量的重复测量的多元方差分析（即，多元协方差分析）时，电影类型的效应不显著。

究竟哪种统计分析是更合适的，这其实取决于研究者的具体问题。就上例而言，第三种分析应当是更合适的。同时，这里的材料还提示了更多的内容，值得进一步深思。