可生成图片类型（推荐）
可生成数据表类型（推荐）
 | |
| 节点状态 | PC可用
在 V1.0部署
|
|---|---|
F检验  | |
| 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 | |
| 相关节点 | |
| 上一节点 | McNemar检验 |
| 下一节点 | One_Way_ANOVA |
文件:F-test plot.svg
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）
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。[1] 它通常用于比较统计模型，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。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。[2]
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
列表
工具和辅助节点（Utils）
- ↑ Berger, Paul D.; Maurer, Robert E.; Celli, Giovana B. (2018). 实验设计 (in English). Cham: Springer International Publishing. p. 108. doi:10.1007/978-3-319-64583-4. ISBN 978-3-319-64582-7.
- ↑ Lomax, Richard G. (2007). 统计概念：第二课程. p. 10. ISBN 978-0-8058-5850-1.