F-Statistik-Rechner - ANOVA und Varianzquotiententest
Berechne F-Statistik, Freiheitsgrade, p-Wert und kritischen F-Wert zum Vergleich zweier Stichprobenvarianzen in einer ANOVA oder einem F-Quotiententest.
Gib Stichprobenvarianz und Stichprobengröße für jede Gruppe ein, wähle ein Signifikanzniveau und erhalte die F-Statistik mit einer klaren Entscheidung zum Verwerfen oder Nicht-Verwerfen.
F-Statistik-Rechner
Vergleiche zwei Gruppenvarianzen mit dem F-Quotiententest
Daten Gruppe 1
Daten Gruppe 2
Über den F-Statistik-Rechner
Die F-Statistik ist ein Quotient aus zwei Varianzen und wird verwendet, um zu bestimmen, ob Unterschiede zwischen Gruppenmittelwerten oder Gruppenvarianzen statistisch signifikant sind. Benannt nach Sir Ronald A. Fisher, bildet sie das Rückgrat der Varianzanalyse (ANOVA) und ist außerdem die zentrale Größe im F-Test auf Gleichheit zweier Varianzen. Immer wenn entschieden werden muss, ob die Streuung der Werte in einer Gruppe wesentlich von der einer anderen abweicht, liefert die F-Statistik eine strenge, wahrscheinlichkeitsbasierte Antwort.
Im Kern ist die F-Statistik einfach F = s₁² / s₂², wobei s₁² und s₂² die Stichprobenvarianzen zweier unabhängiger Gruppen sind. Konventionsgemäß wird die größere Varianz in den Zähler gesetzt, sodass F immer ≥ 1 ist; dadurch liegt die relevante Wahrscheinlichkeitsmasse im rechten Rand der F-Verteilung. Der resultierende Wert wird anschließend mit einer theoretischen F-Verteilung verglichen, die durch zwei Freiheitsgradwerte parametrisiert ist: df₁ = n₁ − 1 (Zähler) und df₂ = n₂ − 1 (Nenner). Ein großer F-Wert bedeutet, dass die Varianzen sehr verschieden sind; ein F nahe 1 bedeutet, dass sie ähnlich sind.
Die F-Verteilung ist rechtsschief und nimmt nur nichtnegative Werte an. Ihre genaue Form hängt von df₁ und df₂ ab. Für einen zweiseitigen Test — den häufigsten Typ, der jede Differenz unabhängig von der Richtung prüft — wird der p-Wert als 2 × P(F > F_obs) berechnet, wobei P(F > F_obs) die Fläche im rechten Rand der F-Verteilung jenseits der beobachteten Statistik ist. Ist dieser p-Wert kleiner oder gleich dem gewählten Signifikanzniveau α, wird die Nullhypothese H₀: σ₁² = σ₂² verworfen und geschlossen, dass sich die Varianzen signifikant unterscheiden.
In der ANOVA hat die F-Statistik eine etwas andere Form: Sie ist der Quotient aus der Varianz zwischen Gruppen (Mean Squares Between, MSB) und der Varianz innerhalb der Gruppen (Mean Squares Within, MSW). Sind alle Gruppenmittelwerte identisch, sollten MSB und MSW ungefähr gleich sein, was F ≈ 1 ergibt. Wenn die Gruppenmittelwerte auseinanderlaufen, wächst MSB relativ zu MSW und F steigt, bis schließlich der kritische Schwellenwert überschritten wird.
Häufige Anwendungen der F-Statistik sind Qualitätskontrolle in der Fertigung (produzieren zwei Maschinen Teile mit derselben Variabilität?), Bildungsforschung (führen zwei Lehrmethoden zu gleich konsistenten Testergebnissen?), Finanzanalyse (haben zwei Aktien eine ähnliche Volatilität?) und Agrarwissenschaft (erzielen zwei Düngemittel Erträge mit derselben Konsistenz?). Vor einem t-Test mit zwei Stichproben verwenden viele Analysten zuerst den F-Test, um die Annahme gleicher Varianzen zu prüfen; verwirft der F-Test H₀, ist ein Welch-t-Test (ungleiche Varianzen) geeigneter.
Dieser Rechner automatisiert die Berechnung der F-Verteilungs-CDF mithilfe der regularisierten unvollständigen Betafunktion und liefert präzise p-Werte für beliebige positive Freiheitsgrade, ohne dass statistische Tabellen nötig sind. Der kritische F-Wert wird durch numerische Inversion der CDF gefunden. Beide Ausgaben stimmen mit den Werten aus R, Python (scipy) und SPSS überein.
Beispiele zum F-Statistik-Rechner
Drei reale Szenarien, die zeigen, wie der F-Test zum Vergleich von Varianzen angewendet wird.
| Eingabe | Ergebnis | Kontext |
|---|---|---|
| s₁² = 0.34, n₁ = 25; s₂² = 0.29, n₂ = 25; α = 0.05 | F = 1.1724, p ≈ 0.6767 — H₀ nicht verwerfen | Zwei Maschinen produzieren Schrauben. Die Varianz des Durchmessers unterscheidet sich auf dem 5%-Niveau nicht signifikant. |
| s₁² = 110, n₁ = 41; s₂² = 135, n₂ = 31; α = 0.05 | F = 1.2273, p ≈ 0.5061 — H₀ nicht verwerfen | Zwei Lehrmethoden. Die Varianzen der Testergebnisse unterscheiden sich nicht signifikant; beide Methoden liefern eine ähnliche Konsistenz. |
| s₁² = 1.5, n₁ = 30; s₂² = 1.2, n₂ = 30; α = 0.01 | F = 1.25, p ≈ 0.5717 — H₀ nicht verwerfen | Varianzen täglicher Aktienrenditen. Beim Signifikanzniveau von 1% gibt es keinen Hinweis auf unterschiedliche Volatilität. |
| s₁² = 550, n₁ = 50; s₂² = 620, n₂ = 50; α = 0.10 | F = 1.1273, p ≈ 0.5659 — H₀ nicht verwerfen | Ernteertrag mit zwei Düngemitteln. Die Varianz der Erträge ist auf dem 10%-Niveau statistisch ähnlich. |
So verwendest du den F-Statistik-Rechner
- Gib im Abschnitt „Daten Gruppe 1“ die Stichprobenvarianz (s²) und die Stichprobengröße (n) für Gruppe 1 ein. Beide Werte müssen Zahlen sein: Varianz ≥ 0 und Stichprobengröße ≥ 2.
- Gib im Abschnitt „Daten Gruppe 2“ die entsprechende Varianz und Stichprobengröße für Gruppe 2 ein.
- Wähle das gewünschte Signifikanzniveau α aus dem Dropdown aus — 0.01, 0.05 oder 0.10 sind die drei Standardoptionen.
- Klicke auf „Berechnen“. Der Rechner setzt die größere Varianz in den Zähler, berechnet F = s_max² / s_min², leitet die Freiheitsgrade ab (df₁ = n_max − 1, df₂ = n_min − 1) und bewertet den zweiseitigen p-Wert sowie den kritischen F-Wert.
- Vergleiche den p-Wert mit α. Wenn p ≤ α, verwerfe H₀ und schließe, dass sich die Varianzen signifikant unterscheiden. Andernfalls wird H₀ nicht verworfen. Klicke auf „Zurücksetzen“, um alle Felder zu löschen und neu zu beginnen.
FAQ zum F-Statistik-Rechner
Was ist die F-Statistik?
Die F-Statistik ist der Quotient zweier Stichprobenvarianzen: F = s₁² / s₂². Konventionsgemäß steht die größere Varianz im Zähler, sodass F ≥ 1 ist. Unter der Nullhypothese, dass beide Populationsvarianzen gleich sind, folgt sie einer F-Verteilung mit df₁ = n₁ − 1 und df₂ = n₂ − 1 Freiheitsgraden.
Was bedeutet der p-Wert in einem F-Test?
Der p-Wert ist die Wahrscheinlichkeit, eine F-Statistik zu beobachten, die so extrem oder extremer ist als die berechnete, unter der Annahme, dass H₀ (gleiche Varianzen) wahr ist. Ein kleiner p-Wert (≤ α) bedeutet, dass ein so großer Quotient unter H₀ unwahrscheinlich ist, daher wird H₀ verworfen. Ein großer p-Wert bedeutet, dass die Daten mit gleichen Varianzen vereinbar sind.
Wann sollte ich einen einseitigen statt eines zweiseitigen F-Tests verwenden?
Verwende einen zweiseitigen Test (hier Standard), wenn du jede Differenz zwischen den Varianzen unabhängig von der Richtung erkennen möchtest. Verwende einen einseitigen Test nur, wenn du eine vorab festgelegte gerichtete Hypothese hast, zum Beispiel σ₁² > σ₂². Für einen einseitigen p-Wert halbiere den zweiseitigen p-Wert dieses Rechners.
Welche Annahmen hat der F-Test?
Der F-Test auf Varianzgleichheit setzt voraus, dass beide Stichproben aus normalverteilten Populationen stammen und dass die Stichproben unabhängig sind. Wenn Normalität zweifelhaft ist, ziehe den Levene-Test oder den Brown–Forsythe-Test in Betracht, die robuster gegenüber Nicht-Normalität sind.
Wie wird der kritische F-Wert verwendet?
Der kritische F-Wert F_crit ist der Schwellenwert, ab dem H₀ beim gewählten α verworfen wird. Wenn F_obs > F_crit, verwerfe H₀. Der kritische Wert ist äquivalent zum p-Wert-Ansatz: F_obs > F_crit genau dann, wenn p-Wert < α. Beide Methoden liefern immer dieselbe Entscheidung.
Was ist der Unterschied zwischen einem F-Test und einem t-Test?
Ein t-Test vergleicht die Mittelwerte zweier Gruppen, während ein F-Test (im Zwei-Stichproben-Kontext) deren Varianzen vergleicht. In der ANOVA vergleicht die F-Statistik die Varianz zwischen Gruppenmittelwerten mit der Varianz innerhalb der Gruppen und testet damit effektiv, ob alle Gruppenmittelwerte gleich sind. Der t-Test mit zwei Stichproben kann als Spezialfall betrachtet werden, bei dem der F-Wert gleich t² ist.