什么是F分布的分位点?
F分布的分位点(也叫逆F、分位数或临界值)是指这样一个数值 x:当分子自由度为 \(d_1\)、分母自由度为 \(d_2\) 时,F分布的累积概率恰好等于某个设定的概率值。它是F分布累积分布函数(CDF)的反函数,正是我们在做方差分析(ANOVA)、回归整体显著性检验以及方差比(方差齐性)检验时,要从F分布表里查找的那个临界值。
如何使用本计算器
首先选择累积方式。如果你手中的概率是 \(P = \Pr(F \le x)\),请选择下尾累积P——例如 \(P = 0.95\) 会返回一个数值,分布中有 95% 的部分落在它以下。如果你拿到的是尾部概率 \(Q = \Pr(F > x)\),则选择上尾累积Q——例如 \(Q = 0.05\) 会返回常用的上侧 5% 临界值。接着填入概率(须严格介于 0 与 1 之间)、分子自由度 \(d_1\) 和分母自由度 \(d_2\),然后提交即可。
公式解析
F分布的累积分布函数可以借助正则化不完全贝塔函数 \(I\) 来表示:令 \(a = d_1/2\)、\(b = d_2/2\),并代入 \(w = \frac{d_1 x}{d_1 x + d_2}\),则 \(\text{F-CDF}(x) = I_w(a, b)\)。要对它求逆,本计算器在区间 \((0, 1)\) 上对 \(w\) 使用二分法求解 $$I_w(a, b) = \text{targetP},$$ 其中 \(I_w\) 的计算采用 Lanczos 对数伽马函数和《Numerical Recipes》中的连分式算法。求得 \(w\) 后再回代得到 $$x = \frac{d_2 \cdot w}{d_1 \cdot (1 - w)}.$$ 在上尾模式下,目标概率取为 \(\text{targetP} = 1 - Q\)。
实例演算
取 \(P = 0.95\)、\(d_1 = 5\)、\(d_2 = 10\),我们要求的是上侧 5% 的F临界值。此时 \(a = 2.5\)、\(b = 5\),对 \(I_w(2.5, 5) = 0.95\) 求逆,得到 \(w \approx 0.6245\),于是 $$x = \frac{10 \times 0.6245}{5 \times 0.3755} \approx 3.3258,$$ 与表中查得的 \(F_{0.05}(5, 10) = 3.3258\) 完全吻合。
F 临界值表(上侧 5% 水平)
该表列出了上尾临界值 \(F_{0.05}(d_1, d_2)\),即 F 分布右侧占 5% 面积的点。这些对应于上尾概率 \(Q = 0.05\),因此下尾概率为 \(P = 0.95\)。要重现某个数值,请输入 P = 0.95(或 Q = 0.05),并给出分子自由度 \(d_1\) 和分母自由度 \(d_2\)。列为 \(d_1\)(分子),行为 \(d_2\)(分母)。数值保留 4 位小数。
| d2 \ d1 | 1 | 2 | 3 | 4 | 5 | 6 | 8 | 10 | 12 |
|---|---|---|---|---|---|---|---|---|---|
| 5 | 6.6079 | 5.7861 | 5.4095 | 5.1922 | 5.0503 | 4.9503 | 4.8183 | 4.7351 | 4.6777 |
| 10 | 4.9646 | 4.1028 | 3.7083 | 3.4780 | 3.3258 | 3.2172 | 3.0717 | 2.9782 | 2.9130 |
| 15 | 4.5431 | 3.6823 | 3.2874 | 3.0556 | 2.9013 | 2.7905 | 2.6408 | 2.5437 | 2.4753 |
| 20 | 4.3513 | 3.4928 | 3.0984 | 2.8661 | 2.7109 | 2.5990 | 2.4471 | 2.3479 | 2.2776 |
| 30 | 4.1709 | 3.3158 | 2.9223 | 2.6896 | 2.5336 | 2.4205 | 2.2662 | 2.1646 | 2.0921 |
| 60 | 4.0012 | 3.1504 | 2.7581 | 2.5252 | 2.3683 | 2.2541 | 2.0970 | 1.9926 | 1.9174 |
| 120 | 3.9201 | 3.0718 | 2.6802 | 2.4472 | 2.2899 | 2.1750 | 2.0164 | 1.9105 | 1.8337 |
| ∞ | 3.8415 | 2.9957 | 2.6049 | 2.3719 | 2.2141 | 2.0986 | 1.9384 | 1.8307 | 1.7522 |
示例读数:\(F_{0.05}(5,10) = 3.3258\),\(F_{0.05}(1,10) = 4.9646\) 和 \(F_{0.05}(2,10) = 4.1028\)。∞ 行等于 \(\chi^2_{0.05}(d_1)/d_1\);当 \(d_1 = 1\) 时,即 \(1.96^2 = 3.8415\)。
临界值的解读
右侧检验。在方差分析和回归 F 检验中,当观测统计量超过上尾临界值时,在显著性水平 \(\alpha\) 下拒绝原假设 \(H_0\):
$$F_{\text{obs}} > F_{\alpha}(d_1, d_2) \;\Rightarrow\; \text{拒绝 } H_0.$$
其中 \(d_1\) 为分子自由度(例如,单因素方差分析中组数减 1),\(d_2\) 为分母自由度(例如,残差自由度)。
P 与 Q。计算器接受下尾概率 \(P = \Pr(F \le x)\) 或上尾概率 \(Q = \Pr(F > x)\),且 \(P = 1 - Q\)。显著性水平直接对应上尾,即 \(\alpha = Q\),因此 5% 的检验使用 \(Q = 0.05\),即 \(P = 0.95\)。
双侧方差比检验。要检验两个方差在双侧备择假设下是否相等,需将显著性水平分配到两侧,使用两个临界值:\(F_{\alpha/2}(d_1, d_2)\)(上侧)和 \(F_{1-\alpha/2}(d_1, d_2)\)(下侧)。若比值落在上侧值之上或下侧值之下,则拒绝 \(H_0\)。下侧值由倒数恒等式得出:
$$F_{1-\alpha}(d_1, d_2) = \frac{1}{F_{\alpha}(d_2, d_1)}.$$
注意自由度发生了互换。例如,由表可得 \(F_{0.05}(10, 5) = 4.7351\),因此 \(F_{0.95}(5, 10) = 1/4.7351 \approx 0.2112\)。
随 \(d_2\) 增大的变化。表中每一列都随 \(d_2\) 增大而减小,因为分母的估计变得更加精确。当 \(d_2 \to \infty\) 时,临界值趋近于 \(\chi^2_{\alpha}(d_1)/d_1\)。表中的 ∞ 行即展示了这一极限。
形状。F 分布仅在 \(x > 0\) 时有定义,并且呈右偏态,自由度较小时尤为明显。这就是为什么下侧和上侧临界值关于 1 并不对称,以及为什么下尾需要使用倒数恒等式。
常见问题
P 和 Q 有什么区别? P 是从负无穷累积到 \(x\) 的下尾(累积)概率;Q 是超过 \(x\) 的上尾概率。两者的关系为 \(P = 1 - Q\)。
为什么概率必须严格介于 0 和 1 之间? 概率为 0 对应分位点 \(x = 0\),概率为 1 对应 \(x\) 趋于无穷大,二者都不是有限、有实际意义的临界值。
自由度可以是非整数吗? 可以——对任意正实数 \(d_1\) 和 \(d_2\),公式都成立;不过在方差分析中,自由度通常取整数。