KNOWECON WIKI

ARTICLE

两独立样本方差差异的假设检验

两独立样本方差差异的假设检验 两独立样本方差差异的假设检验是一种用于比较两个独立总体的方差（ ^2 ）是否相等的统计推断方法。方差衡量的是数据围绕其均值的离散程度，也称为变异性或波动性。当研究者需要判断两个不同总体的变异性是否存在统计学意义上的显著差异时，就会使用这一检验。在实践中，我们通过从两个总体中分别抽取独立样本，并比较它们的样本方差（ s^2 ）来进

浏览 30 更新 2025-10-22

两独立样本方差差异的假设检验

两独立样本方差差异的假设检验是一种用于比较两个独立总体的方差（σ2 \sigma^2 ）是否相等的统计推断方法。方差衡量的是数据围绕其均值的离散程度，也称为变异性或波动性。当研究者需要判断两个不同总体的变异性是否存在统计学意义上的显著差异时，就会使用这一检验。在实践中，我们通过从两个总体中分别抽取独立样本，并比较它们的样本方差（s2 s^2 ）来进行推断，因为样本方差是总体方差的无偏估计量。

该检验在许多统计分析中具有重要的应用价值。最典型的场景是作为两独立样本t检验的前置步骤：经典的学生t检验（Student's t-test）要求两组总体方差相等，即满足方差齐性（Homoscedasticity）条件。若方差不相等，则应使用不假定方差齐性的Welch's t检验。此外，在方差分析（ANOVA）、回归分析以及实验设计等领域中，方差齐性也是一项重要的前提假设，违背该假设可能导致检验结果不可靠。

最常用的两独立样本方差差异检验方法是 F检验 (F-test for Equality of Variances)。

F检验 (F-test)

F检验是一种基于F分布的参数检验方法。其核心思想是：若两个总体的方差相等（σ12=σ22 \sigma_1^2 = \sigma_2^2 ），则两个独立样本的方差之比 s12/s22 s_1^2 / s_2^2 应接近1。若该比值显著偏离1（过大或过小），则有理由怀疑两总体方差不相等。F检验因使用F分布作为其抽样分布而得名。

前提假设

F检验的有效性严格依赖于以下两个关键假设，使用前必须认真核查数据是否满足：

  1. 独立性 (Independence)：两个样本必须是相互独立的。即一个样本中观测值的选取不应以任何方式影响另一个样本中的观测值。这是所有两样本检验的基本前提。
  2. 正态性 (Normality)：两个样本所来自的总体必须服从正态分布。这一点至关重要——F检验对偏离正态性极度敏感。即使样本量较大，非正态分布也会导致检验结果的{{第一类错误}}率严重偏离名义显著性水平，使结论不可靠。这是F检验最致命的弱点。

假设检验步骤

1. 建立假设

  • 零假设 H0 H_0 ：两总体方差相等。
H0:σ12=σ22H_0: \sigma_1^2 = \sigma_2^2
  • 备择假设 H1 H_1 ：根据研究问题，有三种常见形式。
  • 双尾检验（最常用，检验方差是否不同）：
H1:σ12≠σ22H_1: \sigma_1^2 \neq \sigma_2^2
  • 右尾检验（检验第一个方差是否更大）：
H1:σ12>σ22H_1: \sigma_1^2 > \sigma_2^2
  • 左尾检验（检验第一个方差是否更小）：
H1:σ12<σ22H_1: \sigma_1^2 < \sigma_2^2

2. 计算检验统计量

检验统计量为两个样本方差之比：

F=s12s22F = \frac{s_1^2}{s_2^2}

在 H0 H_0 为真的条件下，该统计量服从F分布，分子自由度为 df1=n1−1 df_1 = n_1 - 1 ，分母自由度为 df2=n2−1 df_2 = n_2 - 1 。这里 n1 n_1 和 n2 n_2 分别是两个样本的样本量。

实践约定：为方便查阅F分布表（通常只提供右尾临界值），通常将较大的样本方差放在分子上，使 F≥1 F \ge 1 ，这样只需查阅F分布的右尾即可得到临界值。

3. 做出统计决策

在显著性水平 α \alpha 下，可采用临界值法或p-value法进行决策。

  • 临界值法：根据检验类型和自由度查找F分布表。对于双尾检验，临界值为 Fα/2, df1, df2 F_{\alpha/2,\,df_1,\,df_2} ；对于单尾检验（右尾），临界值为 Fα, df1, df2 F_{\alpha,\,df_1,\,df_2} 。若 F>Fcritical F > F_{critical} ，则拒绝 H0 H_0 ，否则不拒绝。
  • p-value法：计算p-value并与 α \alpha 比较。若 p<α p < \alpha 则拒绝 H0 H_0 。对于双尾检验，由于已将较大方差置于分子强制F值落入右尾，需将单尾概率乘以2：p=2×P(Fdf1, df2≥Fobserved) p = 2 \times P(F_{df_1,\,df_2} \ge F_{observed}) 。

计算示例

假设研究者希望比较两种教学方法A和B下学生考试成绩的波动性是否相同。从两组学生中分别随机抽取样本，得到：

  • A组：nA=21 n_A = 21 ，样本方差 sA2=120 s_A^2 = 120
  • B组：nB=16 n_B = 16 ，样本方差 sB2=75 s_B^2 = 75

在 α=0.10 \alpha = 0.10 的显著性水平下进行双尾检验。

  1. 建立假设：H0:σA2=σB2 H_0: \sigma_A^2 = \sigma_B^2 （方差相同）；H1:σA2≠σB2 H_1: \sigma_A^2 \neq \sigma_B^2 （方差不同）
  2. 计算统计量：将较大方差 sA2=120 s_A^2=120 置于分子，F=120/75=1.6 F = 120 / 75 = 1.6 ，df1=21−1=20 df_1 = 21 - 1 = 20 ，df2=16−1=15 df_2 = 16 - 1 = 15
  3. 临界值法决策：双尾检验，α/2=0.05 \alpha/2 = 0.05 ，查表得 F0.05, 20, 15≈2.33 F_{0.05,\,20,\,15} \approx 2.33 。因计算值 1.6<2.33 1.6 < 2.33 ，不拒绝 H0 H_0
  4. 结论：在 α=0.10 \alpha = 0.10 水平下，没有足够的统计证据表明两种教学方法的学生成绩方差存在显著差异，可以认为方差齐性成立

重要考虑与替代方法

F检验最致命的弱点是其对正态性假设的高度敏感性。当数据存在峰度（分布尖峰或扁平）或偏度（分布不对称）时，F检验的实际第一类错误率会严重偏离名义水平。即使增加样本量，这一问题也无法得到有效改善。因此，许多统计学家建议在方差齐性检验中使用对非正态性更稳健的替代方法：

  • Levene's test（莱文检验）：最常用的稳健替代方法。它不直接比较样本方差，而是计算每个观测值与其组内均值之差的绝对值，然后对这些绝对偏差进行方差分析。由于使用绝对偏差而非平方偏差，Levene检验对非正态数据的敏感性远低于F检验，在大多数实际应用中更为可靠。
  • Brown-Forsythe test：Levene检验的一种重要变体。它使用与组内中位数的绝对偏差而非均值偏差。由于中位数对异常值（Outliers）的耐抗性优于均值，Brown-Forsythe检验在数据存在异常值时最为稳健。
  • Bartlett's test（巴特利特检验）：另一种方差齐性检验方法，但其对正态性的要求与F检验一样严格。当数据偏离正态时，Bartlett检验同样会产生严重偏差，因此不推荐在非正态数据中使用。

现代统计学界的一种主流观点认为，与其先进行方差齐性检验再根据结果选择t检验的类型（这一策略本身也存在级联检验的问题），不如直接使用 Welch's t-test（不等方差t检验）。Welch's t-test在两总体方差相等时统计功效损失极小，而在方差不等时则远优于标准t检验，是一种在几乎所有情况下都表现稳健的现代方法。