F检验：修订间差异

来自决策链云智库
无编辑摘要
无编辑摘要
第28行： 第28行：
}}
}}


{{Short description|统计假设检验，通常使用多重限制}}
 
{{DISPLAYTITLE:''F''检验}}
{{简短描述|统计假设检验，通常使用多重限制}}
[[文件:F-test_plot.svg|缩略图|一个在显著性水平为0.05的情况下，自由度d1和d2等于10的f检验概率密度函数图。（红色阴影区域表示临界区域）]]
{{DISPLAYTITLE:''F'' 检验}}
'''''F''检验'''是任何用来比较两个样本方差或多个样本间方差比的[[统计检验]]。[[检验统计量]]，随机变量F，用于确定测试数据是否在真实[[零假设]]下，以及对误差项(ε)的真实惯常假设下具有[[F分布|''F''分布]]。<ref name=":0">{{Cite book |last=Berger |first=Paul D. |url=http://link.springer.com/10.1007/978-3-319-64583-4 |title=实验设计 |last2=Maurer |first2=Robert E. |last3=Celli |first3=Giovana B. |date=2018 |publisher=Springer International Publishing |isbn=978-3-319-64582-7 |location=Cham |pages=108 |language=en |doi=10.1007/978-3-319-64583-4}}</ref> 它通常用于[[模型选择|比较统计模型]]，这些模型已经被拟合到一个[[数据]]集上，以确定哪个模型最适合从中抽取数据的[[人口统计学|人口]]。当模型已经使用[[最小二乘法]]拟合到数据上时，通常会出现确切的“''F''检验”。这个名称由[[George W. Snedecor]]创造，以纪念[[Ronald Fisher]]。Fisher最初在20世纪20年代将此统计量作为方差比发展出来。<ref>{{cite book |last=Lomax |first=Richard G. |year=2007 |title=统计概念：第二课程 |url=https://archive.org/details/introductiontost0000loma_j6h1 |url-access=registration |page=[https://archive.org/details/introductiontost0000loma_j6h1/page/10 10] |isbn=978-0-8058-5850-1 }}</ref>
[[文件:F-test_plot.svg|thumb|自由度为 d1 和 d2 等于 10，显著性水平为 0.05 的 f-test 概率密度函数图。（红色阴影区域表示临界区域）]]
'''''F'' 检验''' 是用来比较两个样本的方差或者多个样本间方差比的任何 [[统计检验]]。[[检验统计量]]，随机变量 F，被用来确定在真实的 [[零假设]]下，以及对误差项（ε）的真实惯常假设下，被检验的数据是否具有 [[F 分布|''F'' 分布]]。<ref name=":0">{{Cite book |last=Berger |first=Paul D. |url=http://link.springer.com/10.1007/978-3-319-64583-4 |title=实验设计 |last2=Maurer |first2=Robert E. |last3=Celli |first3=Giovana B. |date=2018 |publisher=Springer International Publishing |isbn=978-3-319-64582-7 |location=Cham |pages=108 |language=en |doi=10.1007/978-3-319-64583-4}}</ref> 它最常用于 [[模型选择|比较统计模型]]，这些模型已被拟合到一个 [[数据]] 集上，以确定哪个模型最适合从中抽样得到数据的 [[统计群体|群体]]。当模型使用 [[最小二乘法]]拟合到数据上时，精确的 "''F'' 检验" 主要出现。这个名称由 [[乔治·W·斯内德科]]创造，以纪念 [[罗纳德·费希尔]]。费希尔最初在20世纪20年代将该统计量发展为方差比。<ref>{{cite book |last=Lomax |first=Richard G. |year=2007 |title=统计概念：第二课程 |url=https://archive.org/details/introductiontost0000loma_j6h1 |url-access=registration |page=[https://archive.org/details/introductiontost0000loma_j6h1/page/10 10] |isbn=978-0-8058-5850-1 }}</ref>
 
==常见例子==
 
''F'' 检验的常见例子包括研究以下情况
 
* [[文件:One-way ANOVA Table generated using Matlab.jpg|thumb|使用 Matlab 生成的单因素方差分析表，有 3 个随机组，每组有 30 个观察值。F 值在倒数第二列中被计算]]
  假设一组给定的 [[正态分布|正态分布]]群体的 [[算术平均数|均值]]都相等，且都具有相同的 [[标准差]]。这可能是最著名的 ''F'' 检验，并且在 [[方差分析]] (ANOVA) 中扮演重要角色。
  ** [[方差分析]] (ANOVA) 的 F 检验遵循三个假设
  **# [[正态性 (统计学)|正态性]]
  **# [[方差齐性]]
  **# [[独立性 (概率论)|误差独立性]] 和 [[随机性|随机抽样]]
 
* 假设一个提出的回归模型很好地拟合 [[数据]]。参见 [[缺乏拟合平方和]]。
* 假设在 [[回归分析]]中的数据集遵循两个提出的线性模型中较简单的一个，这两个模型是 [[统计```markdown
# F 检验
 
F 检验是统计中用于比较两个样本方差或多个样本方差比的一种检验方法。它涉及到的检验统计量是 F 分布，该分布可用于在零假设成立的情况下，以及误差项符合特定假设的前提下，判断数据是否符合预期分布。F 检验通常用于模型选择，帮助决定哪个统计模型最适合描述数据集。当通过最小二乘法拟合数据时，F 检验尤为重要。这个检验是以统计学家罗纳德·费希尔的名字命名的，他在20世纪20年代提出了这种检验方法。
 
## 常见例子
 
F 检验的应用包括：
 
- 方差分析（ANOVA），它用于假设所有正态分布的群体均值相等且具有相同的标准差。ANOVA 中的 F 检验基于三个假设：
  1. 数据呈正态分布
  2. 各组数据方差相等（方差齐性）
  3. 误差项独立且来自随机抽样
 
- 回归分析中的 F 检验，用于假设提出的回归模型与数据拟合良好。
 
- 线性模型比较，用于确定两个提出的线性模型中哪一个更适合数据集，通常比较一个更为复杂的模型和一个简单模型。
 
![](https://upload.wikimedia.org/wikipedia/commons/thumb/3/3e/F-test_plot.svg/220px-F-test_plot.svg.png)
 
*图示：自由度为 d1 和 d2 等于 10，显著性水平为 0.05 的 F 检验概率密度函数图。红色阴影区域表示临界区域。*
 
![](https://upload.wikimedia.org/wikipedia/commons/thumb/c/c9/One-way_ANOVA_Table_generated_using_Matlab.jpg/220px-One-way_ANOVA_Table_generated_using_Matlab.jpg)
 
*图示：使用 Matlab 生成的单因素方差分析表，包含 3 个组，每组 30 个观察值。F 值在表中倒数第二列给出。*
 
 


{{Navplate AlgorithmNodeList}}
{{Navplate AlgorithmNodeList}}


[[Category:方差分析]]
[[Category:方差分析]]

2024年1月18日 (四) 09:45的版本

F Test.png
节点状态
PC可用
在 V1.0部署
F检验F Test.svg
节点开发者决策链算法研发部 (Dev.Team-DPS)
节点英文名F检验
功能主类别数据分析
英文缩写F检验
功能亚类别方差分析
节点类型数据挖掘
开发语言R
节点简介

F检验也称方差比率检验、方差齐性检验。它是一种在零假设（null hypothesis, H0）之下，统计值服从F-分布的检验。主要通过比较两组数据的方差, 以确定两者密度是否有显著性差异, 也是检查多组均值之间的差异。

用途：用于比较两个或多个样本或群体的方差是否显著不同。F检验常常用在方差分析中，以确定不同组别之间是否存在显著差异。

参数：选择连续型数值变量

端口数量与逻辑控制(PC)
Input-入口4个
Output-出口3个
Loop-支持循环是
If/Switch-支持逻辑判断否
输入输出
可生成图片类型（推荐）
可生成数据表类型（推荐）
相关节点
上一节点McNemar检验
下一节点One_Way_ANOVA
WikimediaUI-Globe.svg相关网站





模板:简短描述

文件:F-test plot.svg
自由度为 d1 和 d2 等于 10，显著性水平为 0.05 的 f-test 概率密度函数图。（红色阴影区域表示临界区域）

F 检验 是用来比较两个样本的方差或者多个样本间方差比的任何 统计检验。检验统计量，随机变量 F，被用来确定在真实的 零假设下，以及对误差项（ε）的真实惯常假设下，被检验的数据是否具有 F 分布。[1] 它最常用于 比较统计模型，这些模型已被拟合到一个 数据 集上，以确定哪个模型最适合从中抽样得到数据的 群体。当模型使用 最小二乘法拟合到数据上时，精确的 "F 检验" 主要出现。这个名称由 乔治·W·斯内德科创造，以纪念 罗纳德·费希尔。费希尔最初在20世纪20年代将该统计量发展为方差比。[2]

常见例子

F 检验的常见例子包括研究以下情况 

 假设一组给定的 正态分布群体的 均值都相等，且都具有相同的 标准差。这可能是最著名的 F 检验，并且在 方差分析 (ANOVA) 中扮演重要角色。
 ** 方差分析 (ANOVA) 的 F 检验遵循三个假设
 **# 正态性
 **# 方差齐性
 **# 误差独立性 和 随机抽样
  • 假设一个提出的回归模型很好地拟合 数据。参见 缺乏拟合平方和。
  • 假设在 回归分析中的数据集遵循两个提出的线性模型中较简单的一个，这两个模型是 [[统计```markdown
  1. F 检验

F 检验是统计中用于比较两个样本方差或多个样本方差比的一种检验方法。它涉及到的检验统计量是 F 分布，该分布可用于在零假设成立的情况下，以及误差项符合特定假设的前提下，判断数据是否符合预期分布。F 检验通常用于模型选择，帮助决定哪个统计模型最适合描述数据集。当通过最小二乘法拟合数据时，F 检验尤为重要。这个检验是以统计学家罗纳德·费希尔的名字命名的，他在20世纪20年代提出了这种检验方法。

    1. 常见例子

F 检验的应用包括：

- 方差分析（ANOVA），它用于假设所有正态分布的群体均值相等且具有相同的标准差。ANOVA 中的 F 检验基于三个假设： 

 1. 数据呈正态分布
 2. 各组数据方差相等（方差齐性）
 3. 误差项独立且来自随机抽样

- 回归分析中的 F 检验，用于假设提出的回归模型与数据拟合良好。

- 线性模型比较，用于确定两个提出的线性模型中哪一个更适合数据集，通常比较一个更为复杂的模型和一个简单模型。

![](https://upload.wikimedia.org/wikipedia/commons/thumb/3/3e/F-test_plot.svg/220px-F-test_plot.svg.png)

  • 图示：自由度为 d1 和 d2 等于 10，显著性水平为 0.05 的 F 检验概率密度函数图。红色阴影区域表示临界区域。*

![](https://upload.wikimedia.org/wikipedia/commons/thumb/c/c9/One-way_ANOVA_Table_generated_using_Matlab.jpg/220px-One-way_ANOVA_Table_generated_using_Matlab.jpg)

  • 图示：使用 Matlab 生成的单因素方差分析表，包含 3 个组，每组 30 个观察值。F 值在表中倒数第二列给出。*


查找其他类别的节点，请参考以下列表

取自“https://wiki.statsape.com/index.php?title=F检验&oldid=5019”