F分布

F分布 (F-distribution)

F分布（F-distribution），也称 Fisher-Snedecor 分布，是以统计学家 Ronald Fisher 和 George Snedecor 命名的一种连续概率分布。它在数理统计中占据核心地位，是假设检验尤其是方差分析（ANOVA）、回归分析以及比较两个总体方差场景中的基础工具。F分布完全由其分子自由度 $d_1$ 和分母自由度 $d_2$ 两个参数确定，记为 $F(d_1, d_2)$。

定义与构造

F分布来源于两个独立的卡方分布随机变量的比率，这一构造方式是理解其在各种检验中如何产生的关键。

设 $U_1$ 与 $U_2$ 为两个独立的随机变量，分别服从自由度为 $d_1$ 和 $d_2$ 的卡方分布：

将两者分别除以其各自的自由度后取比值，所得的随机变量即服从F分布：

其中 $d_1$ 称为分子自由度（numerator degrees of freedom），$d_2$ 称为分母自由度（denominator degrees of freedom）。

这一构造在方差分析中有直接对应：组间均方（MSB）与组内均方（MSW）在零假设下都是对总体方差的无偏估计，且分别与卡方分布相关联，因此其比值自然构成一个F统计量。同理，在回归分析中，回归均方（MSR）与残差均方（MSE）的比值也服从F分布。

概率密度函数

F分布的概率密度函数形式较为复杂。若 $X \sim F(d_1, d_2)$，其密度函数为：

其中 $B(\cdot, \cdot)$ 是贝塔函数。对于应用层面而言，理解分布的形状和性质比记忆该公式更为重要。

核心性质

取值范围：F分布定义在 $[0, \infty)$ 上，因为它是两个非负随机变量（方差或均方估计量）的比率。

形状特征：F分布呈右偏态（positively skewed）。当 $d_1$ 和 $d_2$ 较小时，偏斜程度显著；随着两个自由度增大，分布逐渐趋于对称。下图景反映了随着样本信息增加，方差比估计的精度提高，极端值出现的概率降低。

倒数性质：这是F分布极为实用的一个性质。若 $X \sim F(d_1, d_2)$，则其倒数服从自由度互换的F分布：

该性质使得只需编制右侧尾部的F临界值表即可覆盖左侧尾部的检验需求——查左侧 $\alpha$ 分位数等同于查右侧 $1-\alpha$ 分位数并取倒数。

期望与方差：

当 $d_2$ 很大时，期望趋近于 1。这符合直觉：分母自由度足够大时，$U_2/d_2$ 收敛于其期望值 1，F统计量的行为主要由分子部分 $U_1/d_1$ 决定。方差的存在要求 $d_2 > 4$，体现了厚尾特征对低自由度的敏感性。

与其他分布的联系：

• 与t分布的关系：若 $T \sim t(v)$，则 $T^2 \sim F(1, v)$。这直接说明了在简单线性回归中，对单个斜率系数的 t 检验与对整个模型的 F 检验在数学上等价——F统计量恰好是 t 统计量的平方。这一对应关系也有助于理解：t分布的双尾检验与F分布的单尾（右侧）检验提供了相同的 p 值。
• 与卡方分布的渐近关系：当分母自由度 $d_2 \to \infty$ 时，$d_1 \cdot F(d_1, d_2)$ 的分布收敛于 $\chi^2(d_1)$。这是因为 $U_2/d_2 \xrightarrow{p} 1$，F 统计量退化为 $U_1/d_1$ 乘以常数，其分布逼近缩放后的卡方。

统计推断中的核心应用

方差分析（ANOVA）

ANOVA 是F分布最经典的应用场景，用于检验三个或以上总体的均值是否相等。零假设为 $H_0: \mu_1 = \mu_2 = \dots = \mu_k$，备择假设为至少有一个均值不同。

F检验统计量构造为组间变异与组内变异的比较：

其中 $k$ 是组数，$N$ 是总样本量，SSB 和 SSW 分别为组间平方和与组内平方和。在零假设下，MSB 与 MSW 都是对同一总体方差 $\sigma^2$ 的无偏估计，因此F值应在 1 附近。若F值显著大于临界值，则表明组间差异远大于随机变异所能解释的范围，从而拒绝零假设。

回归分析中的整体显著性检验

在多元线性回归中，F检验用于评估模型整体的解释能力。零假设为所有斜率系数同时为零：$H_0: \beta_1 = \beta_2 = \dots = \beta_p = 0$。

其中 SSR 是回归平方和，SSE 是残差平方和，$p$ 是自变量个数，$n$ 是样本容量。如果模型没有任何解释力，MSR 与 MSE 均估计同一个 $\sigma^2$，F值接近 1。较大的F值意味着回归所解释的变异显著超过残差变异，模型整体具有统计显著性。

此外，F检验还可用于嵌套模型的比较——检验一组变量的系数是否联合为零。设完整模型含 $p$ 个变量，简化模型含 $q$ 个变量（$q < p$），则：

这在检验季度虚拟变量、交互项或多项式项是否应纳入模型时尤为常用。

两总体方差比较

F检验可以直接用于比较两个来自正态分布的独立总体的方差是否相等。零假设 $H_0: \sigma_1^2 = \sigma_2^2$，检验统计量为两个样本方差之比：

实际操作中通常将较大的样本方差放在分子，以确保F值不小于 1，便于查阅右侧临界值表。该检验是许多后续分析（如两样本 t 检验中判断是否采用等方差假设）的前置步骤。但需注意，F检验对方差相等的检验对正态性假设较为敏感——当总体偏离正态时，即使方差真相等，F统计量也可能显著偏离 1，导致第一类错误率失真。此时可考虑使用 Levene检验 或 Bartlett检验 作为稳健替代。

直觉与总结

F分布的精髓在于它是两个方差估计量的比值分布。其核心直觉简洁而深刻：如果两个独立的方差估计量（如ANOVA中的组间均方和组内均方，或回归中的回归均方和残差均方）都是在估计同一个总体方差 $\sigma^2$，那么它们的比值应该在 1 附近随机波动；反之，若比值系统性地远离 1，便有统计依据认定它们所反映的变异来源不同——或是均值之间存在真实差异（ANOVA的逻辑），或是模型具备显著的解释能力（回归的逻辑），或是两个总体的离散程度确实不等（方差比较的逻辑）。

这一简洁的原理使F分布成为推断统计中比较方差和均值的基石，其应用横跨经济学（如检验生产函数中规模报酬不变假设）、金融学（如检验CAPM中多个资产的联合截距是否为零）、生物学（如比较不同处理下作物产量的组间差异）以及工程学（如比较不同生产工艺下产品指标的稳定性）等众多实证领域。