F检验

F检验 (F-test)

F检验（F-test）是一种以方差比较为核心的假设检验方法，由英国统计学家罗纳德·爱尔默·费歇尔（Ronald Aylmer Fisher）创立并命名。F检验的核心统计量遵循F分布，其本质是两个方差估计量之比，被广泛用于方差分析 (ANOVA)、回归分析以及线性约束检验中，是评估统计模型整体有效性的基础工具。

核心原理：方差分解

F检验的逻辑建立在方差分解之上。因变量的总变异（总平方和，SST）可分解为两部分：

其中，SSR（回归平方和，亦称模型平方和 SSM 或组间平方和 SSB）是模型能够解释的变异；SSE（残差平方和，亦称组内平方和 SSW）是模型无法解释的随机变异。若模型有效，SSR 应显著大于 SSE。

F统计量的构建

F统计量定义为两个均方（Mean Square, MS）之比——将平方和除以对应的自由度（df）得到方差估计值：

其中 $df_1$ 为分子自由度（模型中参数个数或组数减一），$df_2$ 为分母自由度（样本量减去模型所用参数）。直观理解：分子度量模型解释的平均变异（信号），分母度量随机误差的平均变异（噪声）。F值远大于1意味着信号显著超过噪声，支持模型有效。

假设检验框架

F检验遵循标准假设检验程序：

1. 建立假设：零假设 $H_0$ 断言模型无效（回归系数全为零，或各组均值相等）；备择假设 $H_a$ 断言模型有效（至少一个系数非零，或至少一组均值不同）。
2. 计算F统计量：由样本数据带入公式。
3. 决策规则：在显著性水平 $\alpha$（如0.05）下，若 $F > F_{\text{critical}}$ 或计算出的p值 $< \alpha$，拒绝 $H_0$。F分布是由 $(df_1, df_2)$ 共同决定的右偏分布。
4. 结论：拒绝 $H_0$ 表明统计上存在显著证据支持模型有效，但无法指明具体哪个变量或哪组之间显著。

主要应用场景

回归整体显著性检验：在多元线性回归 $Y = \beta_0 + \beta_1 X_1 + \cdots + \beta_p X_p + \epsilon$ 中，$H_0: \beta_1 = \beta_2 = \cdots = \beta_p = 0$，自由度 $df_1 = p$，$df_2 = n-p-1$。显著F值表明所有自变量联合解释力显著，但单个系数显著性需通过t检验逐一判定。

方差分析 (ANOVA)：比较 $k$ 组均值，$H_0: \mu_1 = \mu_2 = \cdots = \mu_k$，$F = MSB/MSW$，自由度 $df_1 = k-1$，$df_2 = N-k$。显著结果需通过事后检验（如Tukey's HSD或Bonferroni校正）进行两两比较。

线性约束检验：比较无约束模型与约束模型：

其中 $q$ 为约束数量，$k$ 为无约束模型自变量数。此法在邹检验中用于检验结构性变化。

方差齐性检验：检验两总体方差相等 $H_0: \sigma_1^2 = \sigma_2^2$，$F = S_1^2 / S_2^2$（较大方差置于分子）。这是两样本t检验的前提步骤。

假设条件与稳健性

F检验的有效性依赖三个关键假设：独立性（观测值互不相关）、正态性（各组的因变量或残差服从正态分布）、方差齐性（各组总体方差相等，或误差方差在自变量各水平上恒定）。F检验对方差齐性违反较敏感；在样本量足够大时，由于中心极限定理，对轻度正态性偏离具有一定稳健性。当假设不满足时，可考虑Welch校正或非参数替代方法。