组间均方

组间均方 (Between-Group Mean Square)

组间均方（Between-Group Mean Square，常缩写为 $MSB$ 或 $MS_{\text{between}}$）是方差分析（ANOVA）中衡量不同处理组或分组之间变异程度的核心统计量。其定义为组间平方和（Sum of Squares Between, $SSB$）除以对应的自由度 $k - 1$，即：

其中 $k$ 为组数，$n_i$ 为第 $i$ 组的样本量，$\bar{Y}_{i\cdot}$ 为第 $i$ 组的样本均值，$\bar{Y}_{\cdot\cdot}$ 为总均值。组间均方本质上是对处理效应引起的变异的量化——当各组的总体均值确实存在差异时，组间均方将倾向于大于纯随机误差所能解释的水平。它与组内均方（Within-Group Mean Square, $MSW$）共同构成方差分析的两大支柱，二者的比值 $F = MSB / MSW$ 即为检验"所有组均值相等"这一原假设的F检验统计量。

变异分解的统计逻辑

方差分析的核心在于将数据的总变异 $SS_T$ 分解为两个正交来源：组间变异 $SSB$ 和组内变异 $SSW$（也称误差变异）。这一分解基于恒等式：

对应的自由度满足可加性：$N - 1 = (k - 1) + (N - k)$，其中 $N = \sum n_i$。在原假设（各组均值相等）下，$MSB$ 和 $MSW$ 均为总体方差 $\sigma^2$ 的无偏估计，因此 $F$ 值围绕1波动；当备择假设成立时，$MSB$ 的期望值额外包含一个由处理效应差异产生的正项，使 $F$ 值显著大于1。这一构造是罗纳德·费希尔建立方差分析理论时的核心洞见。

期望均方与检验功效

在单因素固定效应模型 $Y_{ij} = \mu + \tau_i + \epsilon_{ij}, \; \epsilon_{ij} \sim N(0, \sigma^2)$ 下，两个均方的期望值分别为：

当且仅当所有处理效应 $\tau_i = 0$ 时，二者期望相等。存在非零效应时，$E(MSB) > E(MSW)$，差异取决于样本量和效应大小的乘积——这正是检验功效（Statistical Power）的数学基础。在备择假设下，$F$ 统计量服从非中心F分布，其非中心参数 $\lambda = \sum n_i \tau_i^2 / \sigma^2$ 直接决定了检验区分原假设与备择假设的能力。

效应量与多重比较

F检验显著后，研究者需借助效应量（Effect Size）衡量实际意义。最常用的 $\eta^2$（Eta-squared）定义为：

它表示分组因素可解释的变异比例，值域 $[0, 1]$。另一常用指标 Cohen's $f = \sqrt{\eta^2 / (1 - \eta^2)}$，对应小（0.10）、中（0.25）、大（0.40）的经验阈值。

F检验拒绝原假设后，需通过多重比较（Multiple Comparison）定位具体差异来源：Tukey的HSD法、Bonferroni校正以及Scheffé方法均为常用策略。这些方法在控制族系误差率（FWER）或错误发现率（FDR）的前提下进行成对检验，而组间均方是构建所有检验统计量和置信区间的共同输入。若方差齐性假设不成立，可转向Welch ANOVA或Kruskal-Wallis检验等替代方法。

经济学与社会科学中的延伸

组间均方的分解逻辑已渗透至多个经济学领域。在计量经济学中，面板数据固定效应模型通过"组内去均值"消除不随时间变化的异质性——这在数学上等价于剥离组间变异、仅在组内维度进行识别。在收入不平等研究中，广义熵指数可按组间和组内分解，组间均方所捕捉的正是地区、教育水平或行业等分组因素对总体不平等的贡献份额。在政策评估与随机对照试验中，组间均方通过F检验为判断干预的因果效应提供基础推断工具。

需注意，组间均方对异常值和方差齐性偏离较为敏感：异方差或非正态时，标准F检验可能产生膨胀的I类错误率，此时应转向基于Bootstrap的方差分析或贝叶斯分层模型。对于聚类或层级数据，传统框架已被推广至混合效应模型和多层线性模型（HLM）。