Calculateur de statistique F - ANOVA et test du rapport de variances

La statistique F est un rapport de deux variances utilisé pour déterminer si les différences entre moyennes de groupes ou variances de groupes sont statistiquement significatives. Nommée d'après Sir Ronald A. Fisher, elle constitue l'ossature de l'analyse de variance (ANOVA) et représente aussi la quantité clé du test F d'égalité de deux variances. Chaque fois que vous devez décider si la dispersion des valeurs d'un groupe diffère de manière significative de celle d'un autre, la statistique F fournit une réponse rigoureuse fondée sur les probabilités. À la base, la statistique F est simplement F = s₁² / s₂², où s₁² et s₂² sont les variances d'échantillon de deux groupes indépendants. Par convention, la variance la plus grande est placée au numérateur afin que F soit toujours ≥ 1, ce qui limite toute la masse de probabilité pertinente à la queue droite de la distribution F. La valeur obtenue est ensuite comparée à une distribution F théorique paramétrée par deux valeurs de degrés de liberté : df₁ = n₁ − 1 (numérateur) et df₂ = n₂ − 1 (dénominateur). Une grande valeur de F signifie que les variances sont très différentes ; un F proche de 1 signifie qu'elles sont similaires. La distribution F est asymétrique à droite et ne prend que des valeurs non négatives. Sa forme exacte dépend de df₁ et df₂. Pour un test bilatéral — le type le plus courant, qui recherche toute différence quelle qu'en soit la direction — la valeur p est calculée comme 2 × P(F > F_obs), où P(F > F_obs) est l'aire dans la queue droite de la distribution F au-delà de la statistique observée. Si cette valeur p est inférieure ou égale au niveau de signification α choisi, vous rejetez l'hypothèse nulle H₀: σ₁² = σ₂² et concluez que les variances diffèrent significativement. Dans l'ANOVA, la statistique F prend une forme légèrement différente : c'est le rapport entre la variance intergroupes (carrés moyens intergroupes, ou MSB) et la variance intragroupes (carrés moyens intragroupes, ou MSW). Si les moyennes des groupes sont toutes identiques, MSB et MSW devraient être à peu près égaux, donnant F ≈ 1. À mesure que les moyennes des groupes divergent, MSB augmente relativement à MSW et F s'accroît, jusqu'à dépasser le seuil critique. Les applications courantes de la statistique F incluent le contrôle qualité en fabrication (deux machines produisent-elles des pièces avec la même variabilité ?), la recherche en éducation (deux méthodes d'enseignement donnent-elles des résultats de test aussi réguliers ?), l'analyse financière (deux actions ont-elles une volatilité similaire ?) et les sciences agricoles (deux engrais donnent-ils des cultures avec la même régularité ?). Avant d'effectuer un test t à deux échantillons, de nombreux analystes utilisent d'abord le test F pour vérifier l'hypothèse d'égalité des variances ; si le test F rejette H₀, un test t de Welch (variances inégales) est plus approprié. Ce calculateur automatise le calcul de la CDF de la distribution F à l'aide de la fonction bêta incomplète régularisée, ce qui fournit des valeurs p précises pour tout degré de liberté positif sans recourir aux tables statistiques. La valeur F critique est trouvée en inversant numériquement la CDF. Les deux sorties sont cohérentes avec les valeurs produites par R, Python (scipy) et SPSS.