两方差相等 F 检验计算器

两方差相等的 F 检验是一种经典统计方法，用于判断两个独立总体是否具有相同方差。该检验以 Ronald A. Fisher 爵士命名，常在应用双样本 t 检验前作为诊断检查，因为双样本 t 检验假设两组具有相等的总体方差。如果 F 检验拒绝这一假设，则应改用不要求方差相等的 Welch t 检验。 检验统计量是两个样本方差的比值：F = s₁² / s₂²。按惯例，将较大的样本方差放在分子中，使 F ≥ 1，这样所有临界区域都位于 F 分布的上尾，解释也更简单。原假设 H₀ 表示总体方差相等 (σ₁² = σ₂²)，备择假设 H₁ 表示二者不同 (σ₁² ≠ σ₂²)。自由度为 df₁ = n₁ − 1（分子）和 df₂ = n₂ − 1（分母），其中 n₁ 和 n₂ 分别为相应样本量。 评估显著性时，将计算得到的 F 值与具有 (df₁, df₂) 自由度的 F 分布进行比较。对于双尾检验，p 值等于 2 × P(F > F_obs)。如果 p 值小于或等于所选显著性水平 α（通常为 0.05 或 0.01），则拒绝 H₀，并认为方差存在显著差异。所选 α 下的临界 F 值提供了等价的决策边界：若 F_obs > F_crit，则拒绝 H₀。 F 检验有广泛的实际应用。在制造业中，它用于验证两条生产线生产的零件是否具有相同的尺寸变异性，这是许多假设流程一致的质量控制程序的前提。在临床研究中，它检查两个治疗组的反应变异性是否相似，这会影响研究设计和结果解释。在金融领域，它比较两项资产或投资组合的波动率，为风险评估和分散化策略提供依据。在农业中，它评估两种肥料是否能产生同等稳定产量的作物。 尽管 F 检验很有用，但它有一个重要限制：对偏离正态性的情况非常敏感。两个样本都必须来自正态分布总体，检验才有效。当正态性不确定时，分析人员通常更倾向使用更稳健的 Levene 检验或 Brown–Forsythe 检验，这些方法用绝对偏差或中位数偏差替代相对于均值的原始偏差。本计算器通过正则化不完全贝塔函数使用精确的 F 分布 CDF，生成与 R (var.test)、Python (scipy.stats.levene) 和 SPSS 一致的 p 值。