【统计03】 Brown-Forsythe 和 Welch 方差分析检验及prism中的使用

在统计学中，方差分析（ANOVA）是一种常用的检验方法，用于比较多个组之间的均值差异。然而，传统的方差分析方法通常假设各组的方差相等（即方差齐性）。在实际应用中，这一假设往往难以满足。为了应对这种情况，统计学家提出了多种改进方法，其中 Brown-Forsythe 检验和 Welch 方差分析检验是两种常用的替代方法。本文将详细介绍这两种方法的原理、适用场景以及实际应用中的注意事项。

一、Brown-Forsythe 检验

1. 原理

Brown-Forsythe 检验是一种用于检验方差齐性的方法。它通过对每个组的数据进行中位数的调整，从而减少数据偏斜对方差齐性检验的影响。具体来说，Brown-Forsythe 检验计算每个组数据与组中位数的绝对偏差，并对这些绝对偏差进行方差分析。通过这种方式，Brown-Forsythe 检验能够在一定程度上克服数据偏斜和异常值的影响，提供更为可靠的方差齐性检验结果。

2. 适用场景

Brown-Forsythe 检验适用于以下场景：

• 数据分布偏斜或存在异常值，导致传统的方差齐性检验（如 Levene 检验）结果不可靠。

• 需要对多个组的方差进行比较，但数据不满足正态分布假设。

3. 优点

• 对数据偏斜和异常值具有较高的鲁棒性。

• 适用于非正态分布的数据。

4. 缺点

• 计算过程相对复杂，需要对每个组的数据进行中位数调整。

• 在样本量较小的情况下，检验结果可能不够稳定。

二、Welch 方差分析检验

1. 原理

Welch 方差分析检验是一种改进的方差分析方法，它不假设各组的方差相等。Welch 检验通过调整传统的 F 检验统计量，使其适用于方差不齐的情况。具体来说，Welch 检验计算每个组的均值和方差，并使用这些值来计算调整后的 F 统计量。该方法通过对自由度的调整，使得在方差不齐的情况下，检验结果仍然具有较高的可靠性。

2. 适用场景

Welch 方差分析检验适用于以下场景：

• 各组数据的方差不相等（方差不齐）。

• 数据不满足正态分布假设，但需要进行均值比较。

3. 优点

• 不需要假设各组方差相等，适用于方差不齐的情况。

• 对数据分布的要求较低，具有较高的鲁棒性。

4. 缺点

• 计算过程相对复杂，需要对每个组的均值和方差进行单独计算。

• 在样本量较小的情况下，检验结果可能不够稳定。

三、实际应用及注意事项

1. 数据检查

在进行 Brown-Forsythe 检验或 Welch 方差分析检验之前，需要对数据进行初步检查，包括：

• 检查数据的分布情况，判断是否满足正态分布假设。

• 检查数据的方差齐性，可以使用 Levene 检验或 Brown-Forsythe 检验进行初步判断。

2. 方法选择

根据数据的特点和检验结果，选择合适的方法：

• 如果数据满足正态分布且方差齐性，可以使用传统的方差分析方法。

• 如果数据不满足方差齐性，但满足正态分布，可以使用 Welch 方差分析检验。

• 如果数据不满足正态分布且方差不齐，可以使用 Brown-Forsythe 检验或其他非参数检验方法。

3. 结果解读

在得到检验结果后，需要注意以下几点：

• 如果检验结果显著，说明各组之间存在显著差异，但不能确定具体哪些组之间存在差异。

• 需要进一步进行多重比较，可以使用 Tamhane T2、Games-Howell 等方法进行组间两两比较。

一般在prism（graphpad）中，对于方差不齐的数据，我们只要勾上 Brown-Forsythe 和 Welch 方差分析，即可自动做带 Brown-Forsythe 和 Welch矫正的one way ANOVA

Prism报告了W比率，类似于普通方差分析中的F比率。如果所有组的样本量相等，则W值与普通单因素方差分析中的F比率相同。如果样本量不相等，则W与F不同。

此外，Prism还会报告分子和分母的自由度。分子自由度与普通方差分析中的分子自由度相同，而分母自由度则不同。

P值的计算方法与基于F比率的计算相同，但使用W比率。因此，Welch检验的P值可能大于或小于普通方差分析的P值，具体取决于数据。