두 분산 동등성 F-검정 계산기
F-검정으로 두 모집단 분산이 같은지 판단합니다. F통계량, p값, 자유도, 명확한 통계적 결정을 확인하세요.
각 그룹의 표본분산과 표본크기를 입력하고 유의수준을 설정하면 두 분산이 통계적으로 같은지 즉시 확인할 수 있습니다.
두 분산 동등성 F-검정
두 독립 표본이 동일한 모집단 분산을 갖는지 검정합니다
그룹 1
그룹 2
두 분산 동등성 F-검정 소개
두 분산 동등성 F-검정은 두 독립 모집단이 같은 분산을 갖는지 판단하는 데 사용되는 고전적인 통계 절차입니다. Sir Ronald A. Fisher의 이름을 딴 이 검정은 두 그룹의 모집단 분산이 같다고 가정하는 두 표본 t-검정을 적용하기 전에 진단 확인으로 널리 사용됩니다. F-검정이 이 가정을 기각하면, 등분산을 요구하지 않는 Welch t-검정을 대신 사용해야 합니다.
검정통계량은 두 표본분산의 비율입니다: F = s₁² / s₂². 관례적으로 더 큰 표본분산을 분자에 두어 F ≥ 1이 되게 하며, 이렇게 하면 모든 임계 영역이 F-분포의 상위 꼬리에 놓여 해석이 단순해집니다. 귀무가설 H₀는 모집단 분산이 같다는 것(σ₁² = σ₂²)을 의미하고, 대립가설 H₁은 서로 다르다는 것(σ₁² ≠ σ₂²)을 의미합니다. 자유도는 df₁ = n₁ − 1(분자) 및 df₂ = n₂ − 1(분모)이며, 여기서 n₁과 n₂는 각각의 표본크기입니다.
유의성을 평가하려면 계산된 F값을 자유도 (df₁, df₂)를 갖는 F-분포와 비교합니다. 양측 검정의 p값은 2 × P(F > F_obs)와 같습니다. p값이 선택한 유의수준 α(일반적으로 0.05 또는 0.01) 이하이면 H₀를 기각하고 분산이 유의하게 다르다고 판단합니다. 선택한 α에서의 임계 F값은 동등한 의사결정 경계를 제공합니다. 즉 F_obs > F_crit이면 H₀를 기각합니다.
F-검정은 실무에서 폭넓게 활용됩니다. 제조업에서는 두 생산 라인이 동일한 치수 변동성을 가진 부품을 생산하는지 확인하며, 이는 균일한 공정을 가정하는 품질관리 절차의 전제 조건입니다. 임상 연구에서는 두 치료군의 반응 변동성이 유사한지 확인하며, 이는 연구 설계와 해석 모두에 영향을 줍니다. 금융에서는 두 자산 또는 포트폴리오의 변동성을 비교하여 위험 평가와 분산투자 전략에 정보를 제공합니다. 농업에서는 두 비료가 같은 수확량 일관성을 가진 작물을 생산하는지 평가합니다.
F-검정은 강력하지만 중요한 한계가 있습니다. 정규성에서 벗어나는 경우에 매우 민감합니다. 검정이 타당하려면 두 표본 모두 정규분포 모집단에서 나와야 합니다. 정규성이 불확실할 때 분석가들은 평균으로부터의 원시 편차를 절대 편차나 중앙값 편차로 대체하는 더 강건한 Levene 검정 또는 Brown–Forsythe 검정을 선호하는 경우가 많습니다. 이 계산기는 정규화된 불완전 베타 함수를 통해 정확한 F-분포 CDF를 사용하여 R (var.test), Python (scipy.stats.levene), SPSS와 일치하는 p값을 생성합니다.
분산 동등성 F-검정 — 예제
제조, 교육, 금융 분야의 세 가지 풀이 예제입니다.
| 입력 | 결과 | 맥락 |
|---|---|---|
| s₁² = 0.34, n₁ = 25; s₂² = 0.29, n₂ = 25; α = 0.05 | F = 1.1724, p ≈ 0.6767 — H₀ 기각 실패 | 두 기계가 볼트를 생산합니다. 볼트 지름 분산은 유의하게 다르지 않으며 두 기계의 일관성은 비슷합니다. |
| s₁² = 110, n₁ = 41; s₂² = 125, n₂ = 31; α = 0.05 | F = 1.1364, p ≈ 0.6679 — H₀ 기각 실패 | 두 가지 교수법입니다. 시험 점수 분산은 통계적으로 같으며 두 방법은 유사한 결과 일관성을 보입니다. |
| s₁² = 5.2, n₁ = 100; s₂² = 4.8, n₂ = 100; α = 0.01 | F = 1.0833, p ≈ 0.6366 — H₀ 기각 실패 | 두 주식의 일일 수익률 변동성을 비교합니다. 1% 수준에서는 위험 프로필이 다르다는 증거가 없습니다. |
| s₁² = 18, n₁ = 16; s₂² = 12, n₂ = 16; α = 0.10 | F = 1.5, p ≈ 0.3952 — H₀ 기각 실패 | 두 비료에서의 식물 높이입니다. 10% 수준에서 식물 성장 분산은 통계적으로 다르지 않습니다. |
분산 동등성 F-검정 계산기 사용법
- 그룹 1의 표본분산 (s²)—그룹 평균으로부터의 평균 제곱 편차—과 해당 그룹의 관측 수 (n)를 입력합니다.
- 그룹 2 필드에 해당 분산과 표본크기를 입력합니다.
- 드롭다운에서 유의수준 α를 선택합니다: 0.01 (1%), 0.05 (5%) 또는 0.10 (10%). 발표된 연구에서 가장 흔한 선택은 0.05입니다.
- 「계산」을 클릭합니다. 계산기는 자동으로 더 큰 분산을 분자에 두고 F = s_max²/s_min²를 계산하며, F-분포를 사용해 양측 p값을 계산하고 임계 F값을 표시합니다.
- 결과를 해석합니다. p값 ≤ α이면 분산이 유의하게 다르므로 표준 등분산 t-검정 대신 Welch t-검정을 사용해야 합니다. 그렇지 않으면 등분산을 가정할 수 있습니다.
분산 동등성 F-검정 — FAQ
분산 동등성 F-검정은 무엇을 검정하나요?
귀무가설 H₀: σ₁² = σ₂²를 대립가설 H₁: σ₁² ≠ σ₂²에 대해 검정합니다. 유의한 결과 (p ≤ α)는 두 모집단 분산이 통계적으로 다르다는 뜻입니다. 유의하지 않은 결과는 데이터가 등분산과 일치한다는 뜻이지만, 분산이 같다는 것을 증명하지는 않습니다.
왜 두 표본 t-검정 전에 F-검정을 사용하나요?
합동 두 표본 t-검정은 두 그룹이 같은 모집단 분산을 갖는다고 가정합니다. 이 가정이 위반되면 검정은 잘못된 p값을 낼 수 있습니다. 먼저 F-검정을 실행하면 이 가정을 확인할 수 있습니다. F-검정이 유의하면 등분산을 가정하지 않는 Welch t-검정을 사용하세요.
분산 동등성 F-검정의 가정은 무엇인가요?
두 표본은 모두 정규분포 모집단에서 추출되어야 하며, 표본들은 서로 독립이어야 합니다. F-검정은 비정규성에 상당히 민감하여 중간 정도의 이탈만으로도 p값이 왜곡될 수 있습니다. 정규성이 의심되면 Levene 검정 또는 Brown–Forsythe 검정을 사용하세요.
왜 항상 더 큰 분산을 분자에 두나요?
더 큰 분산을 분자에 두면 F ≥ 1이 되어 임계 영역이 F-분포의 상위 꼬리에 한정되고 하위 꼬리 표를 확인할 필요가 없습니다. 양측 검정에서는 p값이 단순히 2 × P(F > F_obs)가 되어 계산이 간단합니다.
임계 F값은 어떻게 해석하나요?
임계 F값 (F_crit)은 F-분포의 상위 α/2를 잘라내는 값입니다. 계산된 F가 F_crit을 초과하면 유의수준 α에서 H₀를 기각합니다. p값을 사용하는 방법과 임계값을 사용하는 방법은 항상 같은 결정을 내리며, 같은 비교를 요약하는 두 가지 동등한 방식입니다.
언제 F-검정 대신 Levene 검정을 사용해야 하나요?
데이터가 정규분포를 따르지 않을 수 있을 때는 비정규성에 강건한 Levene 검정이 더 적합합니다. 정규성이 성립하면 분산 동등성 F-검정이 최적의 검정이지만, 왜도나 두꺼운 꼬리를 가진 데이터는 제1종 오류율을 심하게 왜곡할 수 있습니다. 실제로 많은 통계학자는 이 위험을 피하기 위해 기본적으로 Levene 검정을 사용합니다.