Máy tính kiểm định F cho tính bằng nhau của hai phương sai

Máy tính kiểm định F cho tính bằng nhau của hai phương sai

Phổ biến AI Skill PRO

Nhập phép tính

Công thức

s2=1N−1∑(xi−x‾)2s^2 = \frac{1}{N-1}\sum (x_i-\bar{x})^2
Xem các bước tính (2)
  1. Bác bỏ hai phía

    F<Fα/2hoặcF>F1−α/2trong đóα=Mức ý nghĩa alphavà kiểm định làGiả thuyết đốiF < F_{\alpha/2}\ \text{hoặc}\ F > F_{1-\alpha/2}\ \text{trong đó}\ \alpha = \text{Mức ý nghĩa alpha}\ \text{và kiểm định là}\ \text{Giả thuyết đối}

    Bác bỏ khi F nằm ngoài các giá trị tới hạn đuôi bằng nhau ở mức alpha đã chọn.

  2. Thống kê F

    F=s12s22=Dữ liệu mẫu 1 phương saiDữ liệu mẫu 2 phương saiF = \frac{ s_1^2}{s_2^2} = \frac{\text{Dữ liệu mẫu 1} \text{ phương sai}}{\text{Dữ liệu mẫu 2} \text{ phương sai}}

    Tỷ số giữa các phương sai mẫu, mẫu 1 chia cho mẫu 2.

Thống kê sử dụng

Quảng cáo

Kết quả

Thống kê F
13,1705
Bậc tự do tử số 7
Bậc tự do mẫu số 6
Phương sai mẫu 1 1,0850
Phương sai mẫu 2 0,0824
Giá trị tới hạn dưới 0,1954
Giá trị tới hạn trên 5,6955
p-value 0,005860
Bác bỏ H0 Có

Báo lỗi nội dung trang này

Máy tính này làm gì

Máy tính này thực hiện kiểm định F về tính bằng nhau của hai phương sai tổng thể. Bạn dán vào hai mẫu dữ liệu thô, và máy tính sẽ tính phương sai của từng mẫu, thống kê F, cả hai bậc tự do, giá trị tới hạn tại mức ý nghĩa bạn chọn, p-value, cùng quyết định bác bỏ hoặc không bác bỏ. Công cụ này phù hợp với sinh viên, nhà phân tích và kỹ sư cần kiểm tra xem hai quy trình, thiết bị hoặc nhóm có cùng độ phân tán hay không trước khi chọn phương pháp tiếp theo như t-test gộp hoặc t-test Welch.

Hai mẫu có độ phân tán khác nhau được biểu diễn bằng biểu đồ chấm, với phương sai của chúng đặt thành tỉ số
Thống kê F so sánh độ phân tán của hai mẫu bằng cách chia phương sai của mẫu này cho phương sai của mẫu kia.

Cách sử dụng

Nhập dữ liệu theo thứ tự sau:

  • Dữ liệu mẫu 1: ít nhất hai số, phân tách bằng dấu phẩy, dấu chấm phẩy, dấu cách hoặc xuống dòng, dùng dấu chấm làm dấu thập phân.
  • Dữ liệu mẫu 2: nhập theo cách tương tự.
  • Giả thuyết đối: hai phía (phương sai không bằng nhau), lớn hơn (phương sai 1 lớn hơn) hoặc nhỏ hơn (phương sai 1 nhỏ hơn).
  • Mức ý nghĩa alpha: giá trị như 0.05, phải lớn hơn 0 và nhỏ hơn 0.5.

Mẫu 1 luôn là tử số của tỷ số, nên thứ tự các mẫu quan trọng đối với kiểm định một phía.

Công thức

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

Ở đây \(s_1^2\) và \(s_2^2\) là các phương sai mẫu, \(x_i\) là các quan sát, \(\bar{x}\) là trung bình mẫu và \(N\) là cỡ mẫu. Thống kê này tuân theo phân phối F với \(N_1-1\) bậc tự do ở tử số và \(N_2-1\) bậc tự do ở mẫu số, khi giả thuyết không đúng và dữ liệu có phân phối chuẩn.

Quảng cáo

Quy ước và giả định

  • Phương sai dùng mẫu số \(n-1\), và mẫu 1 là tử số.
  • Bậc tự do là \(N_1-1\) và \(N_2-1\).
  • Đối thuyết trên: bác bỏ nếu \(F\) vượt phân vị \(1-\alpha\). Đối thuyết dưới: bác bỏ nếu \(F\) nhỏ hơn phân vị \(\alpha\). Hai phía: bác bỏ nếu \(F\) nhỏ hơn phân vị \(\alpha/2\) hoặc lớn hơn phân vị \(1-\alpha/2\).
  • Các bất đẳng thức là nghiêm ngặt, nên F bằng đúng giá trị tới hạn thì không bị bác bỏ.
  • P-value là đuôi trên với đối thuyết lớn hơn và đuôi dưới với đối thuyết nhỏ hơn. Với kiểm định hai phía, p-value là \(\min(1, 2\min(p_{\text{dưới}}, p_{\text{trên}}))\). Phương pháp này theo các miền tới hạn của NIST, nhưng trang NIST không đưa ra công thức p-value, nên quy tắc nhân đôi đuôi này là một lựa chọn thiết kế phù hợp với các miền đó. Bác bỏ khi và chỉ khi \(p<\alpha\).
  • Không áp dụng hiệu chỉnh theo thứ hạng, hiệu số hay hiệu chỉnh liên tục, vì đây là kiểm định tham số.
  • Kiểm định giả định các mẫu độc lập lấy từ tổng thể chuẩn và nhạy cảm với sai lệch so với phân phối chuẩn.
  • Kết quả được tính với độ chính xác đầy đủ và hiển thị khoảng 4 đến 6 chữ số có nghĩa.

Ví dụ minh họa

Mẫu 1 gồm 12.1, 13.4, 11.8, 14.2, 12.9, 13.7, 12.5, 14.8 (n = 8). Mẫu 2 gồm 12.4, 12.8, 12.2, 13.0, 12.6, 12.9, 12.5 (n = 7). Kiểm định là hai phía với \(\alpha = 0.05\).

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

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

Các giá trị tới hạn là 0.1954 (dưới) và 5.6955 (trên). Vì \(13.1705 > 5.6955\), giả thuyết không bị bác bỏ. P-value là 0.005860, nhỏ hơn 0.05 và xác nhận quyết định này.

Đọc kết quả và hạn chế

Nếu F lớn hơn 1 đáng kể, mẫu 1 phân tán hơn mẫu 2; nếu F gần 0, điều ngược lại xảy ra. P-value nhỏ là bằng chứng chống lại giả thuyết phương sai bằng nhau. P-value lớn cho thấy dữ liệu không thể hiện sự khác biệt, nhưng điều này không chứng minh được sự bằng nhau, đặc biệt với mẫu nhỏ. Kiểm định F kém bền vững hơn nhiều so với kiểm định Levene hoặc Brown-Forsythe khi dữ liệu lệch hoặc có đuôi dày, nên hãy kiểm tra tính chuẩn trước. Nếu mẫu 2 có phương sai bằng 0, F không xác định.

Quảng cáo
Phân phối F lệch phải với vùng bác bỏ tô đậm ở cả hai đuôi
Trong kiểm định hai phía, giả thuyết không về phương sai bằng nhau bị bác bỏ khi F rơi vào một trong hai đuôi tô đậm vượt quá giá trị tới hạn.

Câu hỏi thường gặp

Kết quả có ý nghĩa thống kê nghĩa là gì?

P-value nhỏ hơn alpha, nên tỷ số phương sai quan sát được sẽ khó xảy ra nếu hai tổng thể có cùng phương sai.

Thứ tự của các mẫu có quan trọng không?

Đổi chỗ hai mẫu cho ra \(1/F\) và hoán đổi các đối thuyết một phía. Quyết định với kiểm định hai phía vẫn giữ nguyên.

Tại sao p-value hai phía được nhân đôi?

Kiểm định hai phía chia đều alpha cho hai đuôi, nên xác suất của đuôi nhỏ hơn được nhân đôi và giới hạn tối đa ở 1.

Cần bao nhiêu quan sát?

Ít nhất hai quan sát cho mỗi mẫu, tuy nhiên mẫu nhỏ cho khả năng phát hiện khác biệt thực sự rất thấp.

Nếu dữ liệu của tôi không có phân phối chuẩn thì sao?

Kiểm định F có thể cho kết quả gây hiểu lầm. Hãy cân nhắc một kiểm định bền vững hơn như Levene.

Nguồn tham khảo

Nguồn tham khảo

Cập nhật lần cuối:

Phổ biến nhất trong Toán học và Thống kê

Xem tất cả máy tính Toán học và Thống kê