为什么R在一组1上为方差分析返回一个较低的p值？

我尝试使用重复的方差分析将一个大型数据集分类为不同的类别。对于数据集中的每个元素，我有12个数据点，分别代表四个条件中的三个副本，它们是两个变量1的两个组合。与控件相比，数据是一些相对表达式，这意味着对于控件本身，所有12个值都是1：

>at
    v1 v2  values
 1.  a  X  1
 2.  b  X  1
 3.  a  X  1
 4.  b  X  1
 5.  a  X  1
 6.  b  X  1
 7.  a  Y  1
 8.  b  Y  1
 9.  a  Y  1
10.  b  Y  1
11.  a  Y  1
12.  b  Y  1

我是这样分析的（Tukey包装器提供了关于它是向上还是向下的信息，以及它是否不同，这就是我使用它的原因）：

---

aov

基于F检验生成一个p值，这对于“完美匹配”来说是不可靠的（没有预期的分布），例如当所有结果都相同时。对数据集进行方差分析似乎不是个好主意。。。也许可以提供一些样本数据和排序标准？谢谢Cole！知道这一点真的很好。我正在尝试将每个元素分为9个分类箱中的一个，这取决于它在a中是更高的，在a和b中是相等的，还是在b中更高，同时在X中是更高的，在X和Y中是相等的，还是在Y中更高。示例数据：我将提交三个示例元素starters@cole,我现在添加了示例数据-我想知道是否应该使用nls来对数据进行排序。

    stats <- TukeyHSD(aov(values~v1+v2, data=at))

> stats
Tukey multiple comparisons of means
95% family-wise confidence level

Fit: aov(formula = values ~ v1 + v2, data = at)

$v1
            diff           lwr          upr     p adj
a-b 4.440892e-16 -1.359166e-16 1.024095e-15 0.1173068

$v2
             diff           lwr          upr     p adj
X-Y -4.440892e-16 -1.024095e-15 1.359166e-16 0.1173068

           aX1   bX1   aX2   bX2   aX3   bX3   aY1   bY1   aY2   bY2   aY3   bY3
element1   0.112 0     0.172 0.072 0.058 0.055 0     0     0.046 0     0.042 0   
element2   0.859 0.294 0.565 0     0.669 0     0.11  0     1.707 0     1.324 0
element3   1.255 0.721 3.645 1.636 5.36  6.701 0     0.097 0.533 0.209 0.358 2.219