Калькулятор F-теста на равенство двух дисперсий

Калькулятор F-теста на равенство двух дисперсий

Растущий AI Skill PRO

Введите расчет

Математическая формула

s2=1N−1∑(xi−x‾)2s^2 = \frac{1}{N-1}\sum (x_i-\bar{x})^2
Показать шаги расчёта (2)
  1. Двустороннее отклонение

    F<Fα/2илиF>F1−α/2гдеα=Уровень значимости alphaи тест являетсяАльтернативная гипотезаF < F_{\alpha/2}\ \text{или}\ F > F_{1-\alpha/2}\ \text{где}\ \alpha = \text{Уровень значимости alpha}\ \text{и тест является}\ \text{Альтернативная гипотеза}

    Гипотеза отвергается, если F выходит за пределы равнохвостых критических значений при выбранном alpha.

  2. F-статистика

    F=s12s22=Данные выборки 1 дисперсияДанные выборки 2 дисперсияF = \frac{ s_1^2}{s_2^2} = \frac{\text{Данные выборки 1} \text{ дисперсия}}{\text{Данные выборки 2} \text{ дисперсия}}

    Отношение выборочных дисперсий, выборка 1 к выборке 2.

Статистика использования

Реклама

Результаты

F-статистика
13,1705
Степени свободы числителя 7
Степени свободы знаменателя 6
Дисперсия выборки 1 1,0850
Дисперсия выборки 2 0,0824
Нижнее критическое значение 0,1954
Верхнее критическое значение 5,6955
p-значение 0,005860
Отклонить H0 Да

Сообщить об ошибке на этой странице

Что делает этот калькулятор

Этот калькулятор выполняет F-тест на равенство дисперсий двух генеральных совокупностей. Вставьте две исходные выборки, и он вычислит дисперсию каждой выборки, F-статистику, обе степени свободы, критическое значение или значения на заданном уровне значимости, p-значение и решение об отклонении или неотклонении гипотезы. Инструмент подходит студентам, аналитикам и инженерам, которым нужно проверить, имеют ли два процесса, прибора или группы одинаковый разброс, прежде чем выбрать дальнейший метод, например t-тест с объединённой дисперсией или тест Уэлча.

Две выборки с разным разбросом показаны в виде точечных диаграмм, а их дисперсии представлены в виде отношения
F-статистика сравнивает разброс двух выборок, деля дисперсию одной выборки на дисперсию другой.

Как пользоваться

Вводите данные в таком порядке:

  • Данные выборки 1: не менее двух чисел, разделённых запятыми, точками с запятой, пробелами или переносами строк, с точкой как десятичным разделителем.
  • Данные выборки 2: вводятся так же.
  • Альтернативная гипотеза: двусторонняя (дисперсии не равны), greater (дисперсия 1 больше) или less (дисперсия 1 меньше).
  • Уровень значимости alpha: значение, например 0.05, которое должно быть больше 0 и меньше 0.5.

Выборка 1 всегда является числителем отношения, поэтому для односторонних тестов порядок выборок имеет значение.

Формула

$$F = \frac{s_1^2}{s_2^2}, \qquad s^2 = \frac{1}{N-1}\sum_{i=1}^{N}(x_i-\bar{x})^2$$

Здесь \(s_1^2\) и \(s_2^2\) — выборочные дисперсии, \(x_i\) — наблюдения, \(\bar{x}\) — выборочное среднее, а \(N\) — объём выборки. Статистика следует F-распределению с \(N_1-1\) степенями свободы в числителе и \(N_2-1\) в знаменателе, если нулевая гипотеза верна и данные нормальны.

Реклама

Соглашения и допущения

  • Дисперсии вычисляются с делителем \(n-1\), а выборка 1 является числителем.
  • Степени свободы равны \(N_1-1\) и \(N_2-1\).
  • Верхняя альтернатива: гипотеза отвергается, если \(F\) превышает квантиль \(1-\alpha\). Нижняя альтернатива: отвергается, если \(F\) ниже квантиля \(\alpha\). Двусторонний тест: отвергается, если \(F\) ниже квантиля \(\alpha/2\) или выше квантиля \(1-\alpha/2\).
  • Неравенства строгие, поэтому F, в точности равное критическому значению, не приводит к отклонению.
  • p-значение — это верхний хвост для верхней альтернативы и нижний хвост для нижней альтернативы. Для двустороннего теста оно равно \(\min(1, 2\min(p_{\text{нижний}}, p_{\text{верхний}}))\). Метод следует критическим областям NIST, но на странице NIST формула p-значения не приводится, поэтому правило удвоенного хвоста является проектным решением, согласованным с этими областями. Гипотеза отвергается тогда и только тогда, когда \(p<\alpha\).
  • Ранги, совпадения и поправки на непрерывность не применяются, так как тест параметрический.
  • Тест предполагает независимые выборки из нормальных генеральных совокупностей и чувствителен к отклонениям от нормальности.
  • Результаты вычисляются с полной точностью и отображаются с точностью около 4–6 значащих цифр.

Пример расчёта

Выборка 1: 12.1, 13.4, 11.8, 14.2, 12.9, 13.7, 12.5, 14.8 (n = 8). Выборка 2: 12.4, 12.8, 12.2, 13.0, 12.6, 12.9, 12.5 (n = 7). Тест двусторонний, с \(\alpha = 0.05\).

$$s_1^2 = 1.0850,\quad s_2^2 = 0.082381$$

$$F = \frac{1.0850}{0.082381} = 13.1705,\quad df_1 = 7,\ df_2 = 6$$

Критические значения равны 0.1954 (нижнее) и 5.6955 (верхнее). Поскольку \(13.1705 > 5.6955\), нулевая гипотеза отвергается. p-значение равно 0.005860, что меньше 0.05 и подтверждает решение.

Как читать результат и ограничения

F значительно больше 1 означает, что выборка 1 более разбросана, чем выборка 2; F, близкое к 0, означает обратное. Небольшое p-значение является свидетельством против равенства дисперсий. Большое значение означает, что данные не показывают различий, но это не доказательство равенства, особенно при малых выборках. F-тест заметно менее устойчив, чем тесты Левене или Брауна–Форсайта, при асимметричных или тяжёлохвостых данных, поэтому сначала проверьте нормальность. Если в выборке 2 дисперсия равна нулю, F не определено.

Реклама
Скошенное вправо F-распределение с заштрихованными областями отклонения в обоих хвостах
В двустороннем тесте нулевая гипотеза о равенстве дисперсий отвергается, когда F попадает в любой из заштрихованных хвостов за пределами критических значений.

Часто задаваемые вопросы

Что означает значимый результат?

p-значение меньше alpha, поэтому наблюдаемое отношение дисперсий было бы маловероятным, если бы обе генеральные совокупности имели одинаковую дисперсию.

Важен ли порядок выборок?

Перестановка выборок даёт \(1/F\) и меняет местами односторонние альтернативы. Двустороннее решение остаётся тем же.

Почему двустороннее p-значение удваивается?

Двусторонний тест делит alpha поровну между обоими хвостами, поэтому меньшая вероятность хвоста удваивается и ограничивается единицей.

Сколько наблюдений нужно?

Минимум два в каждой выборке, однако малые выборки дают низкую мощность для обнаружения реальных различий.

Что делать, если данные не нормальны?

F-тест может давать вводящие в заблуждение результаты. Рассмотрите более устойчивый тест, например тест Левене.

Источники

Источники и ссылки

Последнее обновление: