KNOWECON WIKI

ARTICLE

均方 (Mean Square, MS)

均方 (Mean Square, MS) 均方（Mean Square，简称 MS）是统计学和计量经济学中衡量数据变异性的核心指标，定义为平方和（Sum of Squares, SS）除以其相应的自由度（degrees of freedom, df）。其数学表达为： 当自由度为 n-1 时，均方即为样本方差的无偏估计量 s^2。均方在方差分析（ANOVA）、

浏览 0 更新 2025-10-26

均方 (Mean Square, MS)

均方（Mean Square，简称 MS）是统计学和计量经济学中衡量数据变异性的核心指标，定义为平方和（Sum of Squares, SS）除以其相应的自由度（degrees of freedom, df）。其数学表达为：

MS=SSdf=∑i=1n(xi−xˉ)2n−1\text{MS} = \frac{\text{SS}}{\text{df}} = \frac{\sum_{i=1}^{n} (x_i - \bar{x})^2}{n - 1}

当自由度为 n−1n-1 时，均方即为样本方差的无偏估计量 s2s^2。均方在方差分析（ANOVA）、回归分析和假设检验中扮演基础性角色，是构造F检验统计量的关键要素。

均方的数学定义

给定一组观测值 x1,x2,…,xnx_1, x_2, \dots, x_n，总平方和 SS=∑(xi−xˉ)2\text{SS} = \sum (x_i - \bar{x})^2，均方定义为：

MS=SSdf\text{MS} = \frac{\text{SS}}{\text{df}}

自由度 df 通常等于观测值数量减去被估计参数个数。这一除法对平方和进行"平均化"，使不同自由度的变异来源可在同一尺度上比较。

均方与方差的关系

总体方差 σ2=∑(xi−μ)2N\sigma^2 = \frac{\sum (x_i - \mu)^2}{N}，而样本方差即均方的特例：

s2=∑(xi−xˉ)2n−1=MSs^2 = \frac{\sum (x_i - \bar{x})^2}{n-1} = \text{MS}

使用 n−1n-1 而非 nn 是因为样本均值消耗了一个自由度，保证了无偏性。

方差分析中的均方

在单因素方差分析中，总变异分解为组间和组内两部分。

组间均方（MSB）度量各组均值与总均值的离散程度：

MSB=∑nj(xˉj−xˉ)2k−1\text{MSB} = \frac{\sum n_j (\bar{x}_j - \bar{x})^2}{k-1}

组内均方（MSW），也称均方误差（MSE），度量各组内观测值与其组均值的离散程度：

MSW=∑∑(xij−xˉj)2N−k\text{MSW} = \frac{\sum \sum (x_{ij} - \bar{x}_j)^2}{N-k}

F统计量为两者比值：F=MSB/MSW∼F(k−1,N−k)F = \text{MSB} / \text{MSW} \sim F_{(k-1, N-k)}。当组间变异显著大于组内变异时，F 值较大，拒绝原假设。

回归分析中的均方

在线性回归中，总平方和（SST）分解为回归平方和（SSR）与残差平方和（SSE）。相应的均方为：

MSR=SSRk,MSE=SSEn−k−1\text{MSR} = \frac{\text{SSR}}{k}, \quad \text{MSE} = \frac{\text{SSE}}{n-k-1}

回归均方（MSR）度量模型解释的变异，残差均方（MSE）是误差方差 σ2\sigma^2 的无偏估计。回归整体显著性F检验为：

F=MSRMSE∼F(k,n−k−1)F = \frac{\text{MSR}}{\text{MSE}} \sim F_{(k, n-k-1)}

调整后的 R2R^2 通过均方思想惩罚多余变量：Rˉ2=1−MSE/MST\bar{R}^2 = 1 - \text{MSE} / \text{MST}。

均方期望与统计推断

均方期望（EMS）是理解方差分析检验逻辑的基础。对于固定效应模型：

E(MSB)=σ2+∑njτj2k−1,E(MSW)=σ2E(\text{MSB}) = \sigma^2 + \frac{\sum n_j \tau_j^2}{k-1}, \quad E(\text{MSW}) = \sigma^2

当所有处理效应 τj=0\tau_j = 0 时，两均方期望相等，F 值接近 1。对于随机效应模型，均方期望包含随机效应方差成分，可用于方差组分分析。

均方根误差

均方根误差（RMSE）定义为 MSE 的平方根：

RMSE=MSE=∑(yi−y^i)2n−k−1\text{RMSE} = \sqrt{\text{MSE}} = \sqrt{\frac{\sum (y_i - \hat{y}_i)^2}{n - k - 1}}

RMSE 量纲与因变量相同，比 MSE 更具直观性。在机器学习中，RMSE 是最常用的回归评价指标之一。

历史与发展

均方思想可追溯至卡尔·皮尔逊和罗纳德·费希尔在 20 世纪初的工作。费希尔于 1918 年引入方差分析，均方作为关键统计量由此确立。F 分布和 F 检验基于均方比率，奠定了现代实验设计和统计推断的基础。此后，均方在实验设计、方差组分分析和质量工程中持续发挥重要作用。