F检验的应用

1. 对于正态总体来说，两个总体的方差比较可以用F-分布来检验：

两个独立样本分别来自正态总体1(σ₁²)和正态总体来2(σ₂²), 其样本方差分别为S₁² 和S₂²。需通过样本方差S₁² 和S₂²来检验两个正态分布总体的方差是否存在显著差异。

1.1 建立假设
原假设： σ₁² = σ₂²
备择假设： σ₁² ≠ σ₂²

1.2 计算F统计值
基于原假设，即σ₁²=σ₂²，则$\frac{S_1^2}{S_2^2}$的抽样分布服从F分布，分子自由度为n₁-1, 分母自由度为n₂-1 。

1.3 确定F临界值
F的临界值取决于分子自由度为n₁-1, 分母自由度为n₂-1 和?值（设定的显著性水平），通过查F分布值表获取。

1.4 比较F临界值与F统计值，得出结论
将F临界值与F=$\frac{S_1^2}{S_2^2}$进行比较, 若F统计值>F临界值，得出方差存在显著差异（有统计学意义），接受原假设； 反之，方差不存在显著差异（无统计学意义），拒绝原假设，接受备择假设。

2. F检验应用于方差分析(Analysis of variance，简称ANOVA)

2.1 方差分析的前提：
(1)对于每个总体，因变量均服从正态分布；
(2)每个总体的方差σ²相同；
(3)从每个总体中抽取的样本是相互独立的。

有k个总体均服从正态分布，且方差相等，均值分别为?₁, ?₂, …, ?_k, 需判定这些均值是否具有显著性的差异。
现从这些总体中承机抽取得到k个样本，数量分别为n₁, n₂, …, n_k。

2.2 检验步骤：
a. 提出假设
原假设： ?₁= ?₂=…=?_j=…=?_k
备择假设：总体均值不全相等

b. 计算基础数据
各样本均值：${\overline{x}}_j=\frac{{\sum }_{i=1}^{n_j}{x}_{ij}}{n_j}$
各样本方差：$S_j^2=\frac{{\sum }_{i=1}^{n_j}(x_{ij}-{\overline{x}}_j{)}^2}{n_j-1}$
所有样本的均值： $\overline{\overline{x}}=\frac{{\sum }_{j=1}^k{\sum }_{i=1}^{n_j}{x}_{ij}}{n_r}$, 其中n_r = n₁ + n₂ + … + n_k。

c. 总体方差的组间估计：
处理平方和：SSTR (sum of squares due to treatments)
$$SSTR=\sum _{j=1}^k{n}_j\ast ({\overline{x}}_j-\overline{\overline{x}}{)}^2$$
处理均方：MSTR （mean square due to treatments)
$$MSTR=\frac{SSTR}{k-1}=\frac{{\sum }_{j=1}^k{n}_j\ast ({\overline{x}}_j-\overline{\overline{x}}{)}^2}{k-1}$$

d. 总体方差的组内估计
误差均方：MSE (mean square due to error)
$$MSE=\frac{{\sum }_{j=1}^k(n_j-1)\ast S_j^2}{n_r-k}$$
MSE为无偏估计，是基于每个处理内部的变动，不受原假设是否为真的影响。

e. 方差估计量的比较：F检验
检验统计量 $$F=\frac{MSTR}{MSE}$$
对于给定的?值， 若F > F_?，则拒绝原假设，接受备择假设，即这些总体的均值不全相等。