In quantitativen Studien, die Vergleiche von Bedingungen oder Behandlungen beinhalten, gibt es zwei grundlegende Arten von Designs zu berücksichtigen: zwischen-Subjekten oder innerhalb-Subjekten (auch als wiederholte Maßnahmen bezeichnet). In a between-subjects design, jeder Teilnehmer erhält nur eine Bedingung oder Behandlung, in der Erwägung, dass in einem within-subjects-design-jeder Teilnehmer erhält mehrere Bedingungen oder Behandlungen., Jeder Entwurfsansatz hat seine Vor-und Nachteile; Es gibt jedoch einen besonderen statistischen Vorteil, dass Designs innerhalb von Subjekten im Allgemeinen Designs zwischen Subjekten übertreffen.
Designs innerhalb von Fächern haben eine größere statistische Kraft als Designs zwischen Fächern, was bedeutet, dass Sie weniger Teilnehmer an Ihrer Studie benötigen, um statistisch signifikante Effekte zu finden. Zum Beispiel erfordert die Zwischen-Probanden-Version eines Standard-T-Tests eine Stichprobengröße von 128, um eine Potenz von zu erreichen .,80, während die Version innerhalb der Probanden nur eine Stichprobengröße von 34 benötigt, um die gleiche Leistung zu erzielen. Dieser Vorteil von Designs innerhalb der Fächer könnte für einige Studenten allgemein bekannt sein, aber viele Studenten wissen möglicherweise nicht, warum dies der Fall ist. Die Antwort liegt darin, wie die Varianz in einer Analyse innerhalb der Probanden aufgeteilt (oder „partitioniert“) wird.
Nehmen Sie zum Beispiel eine Varianzanalyse (ANOVA). In a between-subjects ANOVA, die Gesamtabweichung setzt sich der Behandlung Varianz-und Fehler-Varianz., Sie bestimmen, ob es Unterschiede zwischen Gruppen gibt, indem Sie den Anteil der Behandlungsvarianz an der Fehlervarianz untersuchen. Die Fehlervarianz in diesem Design kann auf individuelle Unterschiede zwischen den Teilnehmern zurückzuführen sein (z. B. demografische Unterschiede). Mit anderen Worten, Sie versuchen, durch das „Rauschen“ der Varianz aufgrund individueller Unterschiede zu sehen, welche Auswirkungen Ihre Behandlung hat.
In einer ANOVA innerhalb der Subjekte können wir die Varianz jedoch noch weiter aufteilen., Insbesondere können wir die Varianz aufgrund individueller Unterschiede vom Rest der „Fehler“ – Varianz partitionieren. Somit besteht die Gesamtvarianz in der ANOVA innerhalb der Probanden aus der Behandlungsvarianz, der Varianz zwischen den Probanden (dh individuellen Unterschieden) und der Fehlervarianz. Wir bestimmen immer noch die Wirkung der Behandlung, indem wir 
den Anteil der Behandlungsvarianz an der Fehlervarianz untersuchen., Durch die Aufteilung der Varianz zwischen den Probanden reduzieren wir die Fehlervarianz in der Gleichung und reduzieren so das“ Rauschen“, das wir durchschauen müssen, um einen signifikanten Behandlungseffekt zu sehen. Anders ausgedrückt, da wir nicht an Unterschieden zwischen Teilnehmern an einem Design innerhalb der Probanden interessiert sind, können wir die Varianz zwischen den Probanden wegwerfen, um ein klareres Bild davon zu erhalten, was in den Daten vor sich geht.
Ein tieferes Verständnis der statistischen Vorteile von Designs innerhalb von Fächern kann Ihnen helfen, fundiertere Entscheidungen über Ihr Forschungsdesign zu treffen, das sich vorwärts bewegt!