F统计量计算器 - ANOVA与方差比检验
计算用于在ANOVA或F比率检验中比较两个样本方差的F统计量、自由度、p值和临界F值。
输入每组的样本方差和样本量，选择显著性水平，即可得到F统计量以及清晰的拒绝/不拒绝结论。
F统计量计算器
使用F比率检验比较两组方差
第1组数据
第2组数据
关于F统计量计算器
F统计量是两个方差的比值，用于判断组均值或组方差之间的差异是否具有统计显著性。它以罗纳德·A·费舍尔爵士命名，是方差分析（ANOVA）的核心，也是检验两个方差是否相等的F检验中的关键统计量。每当你需要判断一组数值的离散程度是否与另一组存在实质差异时，F统计量都能给出严谨的、基于概率的答案。
从本质上看，F统计量就是 F = s₁² / s₂²，其中 s₁² 和 s₂² 是两个独立组的样本方差。按照惯例，较大的方差放在分子中，使 F 始终 ≥ 1，从而将关注的概率质量限制在F分布的右尾。随后将该值与由两个自由度参数决定的理论F分布进行比较：df₁ = n₁ − 1（分子）和 df₂ = n₂ − 1（分母）。较大的F值表示方差差异很大；接近1的F值表示方差相似。
F分布右偏且只取非负值。其具体形状取决于 df₁ 和 df₂。对于双尾检验（最常用的类型，用于检测任何方向的差异），p值计算为 2 × P(F > F_obs)，其中 P(F > F_obs) 是观测统计量右侧F分布右尾的面积。如果该p值小于或等于所选显著性水平 α，则拒绝原假设 H₀: σ₁² = σ₂²，并认为两个方差存在显著差异。
在ANOVA中，F统计量的形式略有不同：它是组间方差（组间均方，MSB）与组内方差（组内均方，MSW）的比值。如果各组均值完全相同，MSB 和 MSW 应大致相等，因此 F ≈ 1。随着组均值差异增大，MSB 相对于 MSW 增长，F 也随之增大，最终超过临界阈值。
F统计量的常见应用包括制造业质量控制（两台机器生产的零件变异性是否相同？）、教育研究（两种教学方法带来的考试成绩是否同样稳定？）、金融分析（两只股票的波动率是否相似？）以及农业科学（两种肥料的作物产量稳定性是否一致？）。在进行双样本t检验之前，许多分析人员会先使用F检验验证等方差假设；如果F检验拒绝 H₀，则更适合使用Welch t检验（不等方差）。
本计算器使用正则化不完全贝塔函数自动完成F分布CDF计算，无需查统计表即可为任意正自由度提供准确的p值。临界F值通过数值反演CDF获得。两个输出均与 R、Python（scipy）和 SPSS 产生的结果一致。
F统计量计算器示例
三个真实场景，展示如何应用F检验比较方差。
| 输入 | 结果 | 背景 |
|---|---|---|
| s₁² = 0.34, n₁ = 25; s₂² = 0.29, n₂ = 25; α = 0.05 | F = 1.1724, p ≈ 0.6767 — 不拒绝 H₀ | 两台机器生产螺栓。直径方差在5%水平下没有显著差异。 |
| s₁² = 110, n₁ = 41; s₂² = 135, n₂ = 31; α = 0.05 | F = 1.2273, p ≈ 0.5061 — 不拒绝 H₀ | 两种教学方法。考试成绩方差没有显著差异；两种方法产生的稳定性相似。 |
| s₁² = 1.5, n₁ = 30; s₂² = 1.2, n₂ = 30; α = 0.01 | F = 1.25, p ≈ 0.5717 — 不拒绝 H₀ | 股票日收益率方差。在1%显著性水平下，没有证据表明波动率不同。 |
| s₁² = 550, n₁ = 50; s₂² = 620, n₂ = 50; α = 0.10 | F = 1.1273, p ≈ 0.5659 — 不拒绝 H₀ | 两种肥料的作物产量。产出方差在10%水平下统计上相似。 |
如何使用F统计量计算器
- 在“第1组数据”部分输入第1组的样本方差 (s²) 和样本量 (n)。两个值都必须是数字：方差 ≥ 0，样本量 ≥ 2。
- 在“第2组数据”部分输入第2组对应的方差和样本量。
- 从下拉菜单中选择所需的显著性水平 α — 0.01、0.05 或 0.10 是三种标准选择。
- 点击“计算”。计算器会将较大的方差放入分子，计算 F = s_max² / s_min²，推导自由度（df₁ = n_max − 1，df₂ = n_min − 1），并评估双尾p值和临界F值。
- 将p值与 α 比较。如果 p ≤ α，则拒绝 H₀，并认为方差存在显著差异。否则，不拒绝 H₀。点击“重置”清空所有字段并重新开始。
F统计量计算器常见问题
什么是F统计量？
F统计量是两个样本方差的比值：F = s₁² / s₂²。按照惯例，较大的方差放在分子中，因此 F ≥ 1。在两个总体方差相等的原假设下，它服从自由度为 df₁ = n₁ − 1 和 df₂ = n₂ − 1 的F分布。
F检验中的p值代表什么？
p值是在假设 H₀（方差相等）为真时，观察到与计算结果同样极端或更极端的F统计量的概率。较小的p值（≤ α）表示如此大的比值在 H₀ 下不太可能出现，因此应拒绝 H₀。较大的p值表示数据与方差相等相一致。
什么时候应使用单尾F检验，什么时候使用双尾F检验？
当你想检测两个方差是否存在任何差异而不关心方向时，请使用双尾检验（此处默认）。只有在事先有方向性假设时才使用单尾检验，例如 σ₁² > σ₂²。对于单尾p值，可将本计算器给出的双尾p值减半。
F检验有哪些假设？
用于检验方差相等的F检验要求两个样本均来自正态分布总体，并且样本相互独立。如果对正态性有疑问，可考虑Levene检验或Brown–Forsythe检验，它们对非正态性更稳健。
临界F值如何使用？
临界F值 F_crit 是在所选 α 下拒绝 H₀ 的阈值。如果 F_obs > F_crit，则拒绝 H₀。临界值方法与p值方法等价：当且仅当 p值 < α 时，F_obs > F_crit。两种方法始终给出相同结论。
F检验和t检验有什么区别？
t检验比较两组的均值，而F检验（在双样本情境中）比较两组的方差。在ANOVA中，F统计量比较组均值之间的方差与组内方差，实质上检验所有组均值是否相等。双样本t检验可视为F值等于 t² 的一种特殊情况。