python 单因子方差分析_假设检验之F检验-方差分析

这一次我们来了解一下假设检验中另一个重要检验-F检验

什么是F检验？

F检验(F-test)，最常用的别名叫做联合假设检验(英语：joint hypotheses test)，此外也称方差比率检验、方差齐性检验，方差分析，它是一种在(H0)之下，统计值服从的检验。其通常是用来分析用了超过一个参数的统计模型，以判断该模型中的全部或一部分参数是否适合用来估计总体

F检验对于数据的正态性非常敏感，因此在检验方差齐性的时候，Levene检验, Bartlett检验或者Brown–Forsythe检验的稳健性都要优于F检验。 F检验还可以用于三组或者多组之间的均值比较(方差分析)，但是如果被检验的数据无法满足均是正态分布的条件时，该数据的稳健型会大打折扣，特别是当显著性水平比较低时。但是，如果数据符合正态分布，而且alpha值至少为0.05，该检验的稳健型还是相当可靠的。

若两个母体有相同的方差(方差齐性)，那么可以采用F检验，但是该检验会呈现极端的非稳健性和非常态性，可以用T、巴特勒特检验等取代。

在上节做独立双样本T检验的时候，需要先判断两个样本的方差是否相等，需要做方差齐性检验，提到了Levene检验，现在聊一下这个方差齐性检验。

方差齐性检验

1，什么是方差齐性检验？

方差齐性检验是对两样本方差是否相同进行的检验。

也有好多人把方差齐性检验说成是F检验，和两样本平均数的差异性检验在假设检验的基本思想上是没有什么差异性的，只是所选择的抽样分布不一样。方差齐性检验所选择的抽样分布为F分布，即是F=Sx/Sy，方差齐性检验其实就是两个正态总体的方差比的F检验。

2，为什么要做方差齐性检验？

对于T检验而言，两个样本的方差是否相同决定了T统计量是否相同，我们做T检验的时候经常会出现F值，就是因为要做方差齐性检验，这两兄弟经常一起出现。

对于方差分析，方差齐性检验是方差分析的重要前提，是方差可加性原则应用的一个条件。方差分析中有三条前提假设，一是：不同水平的总体方差相等。因为F检验对方差齐性的偏离较为敏感，故方差齐性检验十分必要。在线性回归分析中，也要满足三条前提假设，除了方差齐性检验外，还有两个是：因变量是否符合正态分布和是否待分析