計算
樣本標準偏差的平方,即:
S =∑(-) /(n-1)
兩組數據就能得到兩個S 值
F=S /S
然後計算的F值與查表得到的F表值比較,如果
F < F 表明兩組數據沒有顯著差異;
F ≥ F表明兩組數據存在顯著差異。
表格
置信度95%時F值(單邊)
f大 f小 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | ∞ |
2 3 4 5 6 7 8 9 10 ∞ | 19.0 9.55 6.94 5.79 5.14 4.74 4.46 4.26 4.10 3.00 | 19.16 9.28 6.59 5.41 4.76 4.35 4.07 3.86 3.71 3.60 | 19.25 9.12 6.39 5.19 4.53 4.12 3.84 3.63 3.48 2.37 | 19.30 9.01 6.26 5.05 4.39 3.97 3.69 3.48 3.33 3.21 | 19.33 8.94 6.16 4.95 4.28 3.87 3.58 3.37 3.22 2.10 | 19.36 8.88 6.09 4.88 4.21 3.79 3.50 3.29 3.14 2.01 | 19.37 8.84 6.04 4.82 4.51 3.73 3.44 3.23 3.07 1.94 | 19.38 8.81 6.00 4.78 4.10 3.68 3.39 3.18 3.02 1.88 | 19.39 8.78 5.96 4.74 4.06 3.63 3.34 3.13 2.97 1.83 | 19.5 8.53 5.63 4.36 3.67 3.23 2.93 2.71 2.54 1.00 |
橫向為大方差數據的自由度;縱向為小方差數據的自由度。
適用場合
通常的F檢驗例子包括:
•假設一系列服從常態分配的母體,都有相同的標準差。這是最典型的F檢驗,該檢驗在方差分析(ANOVA)中也非常重要。
•假設一個回歸模型很好地符合其數據集要求。
注意事項
F檢驗對於數據的正態性非常敏感,因此在檢驗方差齊性的時候,Levene檢驗, Bartlett檢驗或者Brown–Forsythe檢驗的穩健性都要優於F檢驗。 F檢驗還可以用於三組或者多組之間的均值比較,但是如果被檢驗的數據無法滿足均是常態分配的條件時,該數據的穩健型會大打折扣,特別是當顯著性水平比較低時。但是,如果數據符合常態分配,而且alpha值至少為0.05,該檢驗的穩健型還是相當可靠的。
若兩個母體有相同的方差(方差齊性),那么可以採用F檢驗,但是該檢驗會呈現極端的非穩健性和非常態性, 可以用t檢驗、巴特勒特檢驗等取代。
關係
F檢驗的分子、分母其實各是一個卡方變數除以各自的自由度。
F檢驗用來檢驗單一變數可否排除於模型外時, F=t。
1.F檢驗的分子、分母其實各是一個卡方變數除以各自的自由度。
2.F檢驗用來檢驗單一變數可否排除於模型外時, F=t。