两方差相等性F检验计算器

两方差相等性F检验计算器

增长中 AI Skill PRO

输入计算

数学公式

s2=1N−1∑(xi−x‾)2s^2 = \frac{1}{N-1}\sum (x_i-\bar{x})^2
显示计算步骤 (2)
  1. 双侧拒绝域

    F<Fα/2或F>F1−α/2其中α=显著性水平 alpha且检验为备择假设F < F_{\alpha/2}\ \text{或}\ F > F_{1-\alpha/2}\ \text{其中}\ \alpha = \text{显著性水平 alpha}\ \text{且检验为}\ \text{备择假设}

    在所选alpha下,当F落在等尾临界值之外时拒绝原假设。

  2. F统计量

    F=s12s22=样本1数据 方差样本2数据 方差F = \frac{ s_1^2}{s_2^2} = \frac{\text{样本1数据} \text{ 方差}}{\text{样本2数据} \text{ 方差}}

    样本方差之比,样本1除以样本2。

使用统计

广告

结果

F统计量
13.1705
分子自由度 7
分母自由度 6
样本1方差 1.0850
样本2方差 0.0824
下临界值 0.1954
上临界值 5.6955
p值 0.005860
拒绝H0 是

报告本页错误

本计算器的功能

本计算器用于检验两个总体方差是否相等的F检验。粘贴两组原始样本后,它会计算每组样本的方差、F统计量、两个自由度、显著性水平下的临界值、p值,以及拒绝或不拒绝原假设的决策。它适合学生、分析师和工程师使用,可在选择合并t检验或Welch t检验等后续方法之前,检查两个过程、仪器或组别的离散程度是否一致。

用点图展示离散程度不同的两个样本,并将它们的方差写成比值
F 统计量通过用一个样本的方差除以另一个样本的方差,来比较两个样本的离散程度。

使用方法

请按以下顺序输入参数:

  • 样本1数据:至少两个数字,用逗号、分号、空格或换行分隔,小数点使用句点。
  • 样本2数据:输入方式相同。
  • 备择假设:双侧(方差不相等)、大于(方差1更大)或小于(方差1更小)。
  • 显著性水平 alpha:例如0.05,必须大于0且小于0.5。

样本1始终作为比值的分子,因此对于单侧检验,两组样本的顺序很重要。

公式

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

其中 \(s_1^2\) 和 \(s_2^2\) 为样本方差,\(x_i\) 为观测值,\(\bar{x}\) 为样本均值,\(N\) 为样本量。当原假设成立且数据服从正态分布时,该统计量服从分子自由度为 \(N_1-1\)、分母自由度为 \(N_2-1\) 的F分布。

广告

约定与假设

  • 方差使用除数 \(n-1\),样本1为分子。
  • 自由度为 \(N_1-1\) 和 \(N_2-1\)。
  • 上侧备择:若 \(F\) 超过 \(1-\alpha\) 分位数则拒绝。下侧备择:若 \(F\) 低于 \(\alpha\) 分位数则拒绝。双侧:若 \(F\) 低于 \(\alpha/2\) 分位数或高于 \(1-\alpha/2\) 分位数则拒绝。
  • 不等式为严格不等式,因此恰好等于临界值的F不会导致拒绝。
  • 大于备择假设的p值为上尾概率,小于备择假设的p值为下尾概率。双侧检验的p值为 \(\min(1, 2\min(p_{\text{lower}}, p_{\text{upper}}))\)。该方法遵循NIST的临界区域,但NIST页面未给出p值公式,因此这种双尾加倍规则是与这些区域保持一致的设计选择。当 \(p<\alpha\) 时恰好拒绝。
  • 由于本检验为参数检验,不适用秩、并列值或连续性校正。
  • 本检验假设样本相互独立且来自正态总体,并且对偏离正态性较为敏感。
  • 结果以完整精度计算,并以约4至6位有效数字显示。

算例

样本1为 12.1, 13.4, 11.8, 14.2, 12.9, 13.7, 12.5, 14.8(n = 8)。样本2为 12.4, 12.8, 12.2, 13.0, 12.6, 12.9, 12.5(n = 7)。检验为双侧检验,\(\alpha = 0.05\)。

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

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

临界值为 0.1954(下限)和 5.6955(上限)。由于 \(13.1705 > 5.6955\),原假设被拒绝。p值为 0.005860,小于 0.05,与决策结果一致。

结果解读与局限性

F远大于1表示样本1比样本2更分散;F接近0则表示相反的情况。较小的p值说明存在反对方差相等的证据。较大的p值则表示数据未显示出差异,但这并不能证明方差相等,尤其是在样本量较小时。当数据呈偏态或尾部较重时,F检验的稳健性远不及Levene检验或Brown-Forsythe检验,因此应先检查正态性。若样本2的方差为零,F无定义。

广告
右偏的 F 分布,两侧尾部均有阴影标出的拒绝域
在双侧检验中,当 F 超过临界值落入任一阴影尾部时,方差相等的原假设被拒绝。

常见问题

显著结果意味着什么?

p值小于alpha,说明若两个总体的方差相同,观测到的方差比出现的可能性很小。

样本顺序是否重要?

交换样本会得到 \(1/F\),并且会交换单侧备择假设的方向。双侧检验的决策保持不变。

为什么双侧p值要加倍?

双侧检验将alpha平均分配到两个尾部,因此较小尾部的概率要加倍,并以1为上限。

需要多少观测值?

每组至少两个,但样本量较小时,检测真实差异的效能较低。

如果我的数据不服从正态分布怎么办?

F检验可能给出误导性结果。可考虑使用更稳健的检验,例如Levene检验。

来源

资料来源与参考

最后更新:

数学和统计热门计算器

查看全部数学和统计计算器