免费F统计量计算器

什么是F统计量？

F统计量（也称为F比率）是在零假设下服从F分布的一种检验统计量。其主要目的是比较两个正态分布总体的方差，构成 F检验 的基础。该统计量的最简单的表达式是两个样本方差的比值：

$$F = \frac{s_1^2}{s_2^2}$$

其中 $s_1^2$ 和 $s_2^2$ 是两个独立样本的方差。在实际中，较大的方差放在分子中，使得 $F \geq 1$；这种基本版本通常称为 方差比检验。

除了直接的方差比较，F统计量还是 ANOVA（方差分析）和 线性回归分析 的基石。在回归中，回归F统计量 检验整体模型是否解释了因变量方差的显著部分——即至少有一个解释变量的系数不为零。这是当 F检验计算器 或 F分布计算器 设置为“多重回归”模式时所解决的核心问题。

执行基本F检验：分步指南

要执行两个方差相等的基本F检验，请遵循以下步骤：

1. 提出假设。
   零假设 $H_0$ 表示两个总体方差相等（$\sigma_1^2 = \sigma_2^2$）。备择假设 $H_1$ 表示它们不同（$\sigma_1^2 \neq \sigma_2^2$）。

2. 计算样本方差。
   从每个样本计算方差 $s_1^2$ 和 $s_2^2$。

3. 计算F值。
   用较大的方差除以较小的方差：$F = s_{\text{large}}^2 / s_{\text{small}}^2$。

4. 确定自由度。
   对于大小为 $n$ 的样本，自由度为 $\text{df}_1 = n_1 - 1$（分子）和 $\text{df}_2 = n_2 - 1$（分母）。

5. 选择显著性水平（$\alpha$）。
   常见选择为0.05（95%置信度）、0.01或0.10。

6. 查找临界值。
   使用F分布表或在线 方差比计算器，查找给定 $\alpha$、$\text{df}_1$ 和 $\text{df}_2$ 的临界值 $F_{\text{crit}}$。

7. 做出决策。
   如果计算出的 $F > F_{\text{crit}}$，则拒绝 $H_0$ 并认为方差显著不同；否则不能拒绝 $H_0$。

这个简单的流程仅需要样本数据和一个可靠的F表或 F检验计算器。

多重线性回归中的F统计量

在多重回归中，F检验比较完整（无限制）模型与省略一部分预测变量的受限模型。零假设是所有被省略的系数联合为零——即它们对解释因变量没有贡献。

为了计算F统计量，我们使用两个模型的残差平方和（SSR）：

$$F = \frac{(\text{SSR}_{\text{R}} - \text{SSR}_{\text{F}}) / J}{\text{SSR}_{\text{F}} / (N - K)}$$

其中：

• $\text{SSR}_{\text{R}}$ = 受限模型的残差平方和，
• $\text{SSR}_{\text{F}}$ = 全模型的残差平方和，
• $J$ = 限制的数量（设为零的系数数量），
• $K$ = 全模型的总系数数量（包括截距），
• $N$ = 观测值数量。

如果受限模型的拟合程度远不如全模型，那么 $\text{SSR}_{\text{R}}$ 将明显大于 $\text{SSR}_{\text{F}}$，从而产生大的F值。然后F统计量服从自由度为 $J$ 和 $N-K$ 的F分布。

示例
假设一个回归有 $N = 44$、$K = 4$，我们检验 $J = 2$ 个限制。在5%显著性水平下，临界值约为 $F_{2, 40; 0.05} = 2.606$。如果计算出的F超过此阈值，我们拒绝零假设，并认为这组变量显著改善了模型。

解释F统计量

大的F统计量提供了反对零假设的证据。在实践中，结果通常附带p值报告：如果 $p < \alpha$，则拒绝零假设。

F分布的主要性质：

• 它 总是正的，因为方差（以及平方和）是非负的。
• 它是 右偏的（非对称）；形状取决于自由度。
• 随着两个自由度的增加，分布趋近于对称。

F检验 vs. t检验

t检验 评估单个系数的显著性，而 F检验 同时评估多个系数。对于单个限制，F统计量等于相应t统计量的平方。F检验也是 ANOVA 的核心，它比较组间方差与组内方差。

使用F统计量计算器

在线 F统计量计算器（通常称为 F检验计算器 或 方差比计算器）自动执行上述所有计算。您只需输入样本方差（或SSR值）、自由度和显著性水平，工具即可返回F值及其关联的p值。这样的计算器在进行回归、ANOVA以及任何涉及比较方差的情境的快速假设检验中非常宝贵。