F檢驗

F檢驗

F檢驗(F-test),最常用的別名叫做聯合假設檢驗(英語:joint hypotheses test),此外也稱方差比率檢驗、方差齊性檢驗。它是一種在零假設(null hypothesis, H0)之下,統計值服從F-分布的檢驗。其通常是用來分析用了超過一個參數的統計模型,以判斷該模型中的全部或一部分參數是否適合用來估計母體。 F檢驗這名稱是由美國數學家兼統計學家George W. Snedecor命名,為了紀念英國統計學家兼生物學家羅納德·費雪(Ronald Aylmer Fisher)。Fisher在1920年代發明了這個檢驗和F分配,最初叫做方差比率(Variance Ratio)。

基本信息

計算

樣本標準偏差的平方,即:

F檢驗 F檢驗
F檢驗 F檢驗

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。

相關詞條

相關搜尋

熱門詞條

聯絡我們