如果常数项没有经过显著性检验_一文详解F检验

F检验是被誉为现代统计学之父的R.A. Fisher爵士提出、由George W. Snedecor命名的统计检验方法，主要用于方差齐性检验、方差分析等等。

本文介绍F检验的如下应用：

1. 方差齐性检验（F-test of equality of variances）
2. 方差分析（Analysis of Variance, ANOVA）
3. 线性回归方程整体的显著性检验

其中第二条方差分析分很多种类，根据因素的多少可分为单因素方差分析和多因素方差分析；根据试验设计可分为完全随机设计和随机区组设计等；根据交互项又可分为无交互项的方差分析和有交互项的方差分析等；又有完全随机设计、随机区组设计、拉丁方设计、析因设计、正交设计、平衡不完全区组设计等等很多可能相互重叠但概念又不尽相同的类型。本文在方差分析这一点只介绍最简单的一种——完全随机设计的单因素方差分析，其他类型的方差分析，除了可能涉及到如何科学地进行试验设计的知识，方差分析的基本思想都是相同的。其他类型的方差分析具体见参考文献[1]，有关试验设计（Design of Experiment, DOE）的知识见参考文献[2]。

1.方差齐性检验

目的：方差齐性是方差分析和一些均数比较

检验的重要前提，利用

检验进行方差齐性检验是最原始的，但对数据要求比较高。

要求：样本来自两个独立的、服从正态分布的总体。

检验原理

记两独立总体为：

从两总体中抽取的样本为：

定义样本均值和样本方差：

方差齐性双侧检验的原假设和备择假设：

，即两总体方差相等

，即两总体方差不等

由

分布的构造定义：

其中

分别为

分子自由度和分母自由度。

在

成立的条件下，即

成立的条件下：

一般约定取较大的方差作为分子，较小的方差作为分母，这样计算出来的

，缩小了范围，便于查表做出结论。给定显著性水平

，利用样本数据计算统计量

，若

，这在一次抽样中几乎是不可能发生的（其发生的可能性为

值）此时拒绝原假设，认为方差不齐，否则就不拒绝原假设（即认为方差齐）。

对于单侧检验：

若利用样本计算出来的统计量

，则拒绝原假设，否则不拒绝原假设。

对于单侧检验：

若

，则拒绝原假设，否则不拒绝原假设。

2.完全随机设计的单因素方差分析（completely randomized design one-way ANOVA）

假设我们要研究一个因素对于一个指标的影响，试图比较这个因素内各个取值水平对于这个指标的影响是否相同。譬如我们要研究饲料对于鸡的增重的影响，这里面饲料就是一个因素，相同时间内鸡的增重就是研究的指标，饲料可能有很多种配方，不同的配方就代表饲料这个因素的不同的水平，我们对于每个水平做试验（每个水平的试验次数可以不同），可以得到如下的结果（数据是编造的）：

其中共有r个水平，每个水平的试验次数不一定相同，从这些数据显然可以看出Yr的均值最大，且Y1比Y2大。但这只是我们直观上的判断，要给出科学依据就要用到方差分析（Analysis of Variance, ANOVA），这里只考虑了一个因素Y，所以是单因素方差分析，这是最简单的方差分析。所有的方差分析研究的都是因子的不同水平是否有差异，这个差异就是看同一因子的各个水平下的指标的均值的差异是否显著。但我们不能想当然地直接将各个水平的指标平均、比较然后得到结论，这样又是刚才说的直观的判断。因为也许客观来说真的是直观上的结论，但抽样是有误差的，如何证明各个水平的差异不是由抽样的误差造成的呢？譬如上面这个例子中，假如，假如，假如各个水平的影响是相同的（

），由于抽样误差导致这么大的差异，在一次抽样中是小概率事件，极有可能让我们怀疑原假设。从这个意义上说，如何度量“抽样得到的各个水平的差异'更多地'是来自各个水平自身的差异，'较少地'来自抽样误差便成了这