F统计量

F统计量 (F-statistic)

F统计量 (F-statistic) 是将两个方差的比值构造而成的检验统计量，得名于统计学家罗纳德·费雪 (Sir Ronald Fisher)。其核心思想是衡量模型解释的变异（信号）相对于未解释的随机变异（噪声）的大小，广泛应用于方差分析 (ANOVA) 和线性回归的整体显著性检验。

基本定义与F分布

F统计量的基本形式为信号与噪声之比：

在零假设 ($H_0$) 成立时，F统计量服从F分布——一个仅取非负值、向右偏斜的连续概率分布。F分布的形状由两个自由度参数唯一确定：分子自由度 ($df_1$) 和分母自由度 ($df_2$)。分子自由度对应模型中受约束参数的数量，分母自由度对应用于估计误差变异的独立信息量。

假设检验时，将计算所得的F值与给定显著性水平下的F分布临界值比较，或直接依据p值判断：若 $p < \alpha$，则拒绝零假设，认为模型整体显著；否则无法拒绝零假设，模型缺乏足够的解释力。

方差分析中的应用

在单因素ANOVA中，F统计量比较组间变异与组内变异：

其中 $SS_B = \sum_{i=1}^{k} n_i (\bar{x}_i - \bar{x})^2$ 为组间平方和，衡量各组均值与总均值的偏离；$SS_W = \sum_{i=1}^{k} \sum_{j=1}^{n_i} (x_{ij} - \bar{x}_i)^2$ 为组内平方和，捕获组内随机波动。$k$ 为组数，$N$ 为总样本量。

零假设 $H_0: \mu_1 = \mu_2 = \cdots = \mu_k$ 假定所有组均值相等。若F值显著偏大，说明组间差异远超随机波动所能解释的范围，从而拒绝零假设。但显著的F检验仅表明"存在差异"，具体哪些组之间存在差异需通过多重比较（如图基HSD检验或邦弗伦尼校正）进一步确定。

ANOVA的有效性依赖于三个前提假设：各组数据来自正态总体（正态性）、各组方差相等（方差齐性）、观测值相互独立（独立性）。违背这些假设时，应考虑韦尔奇方差分析 (Welch's ANOVA) 或克鲁斯卡尔-沃利斯检验等替代方法。

线性回归中的整体显著性检验

在线性回归中，F统计量检验所有自变量联合是否对因变量具有显著解释力：

其中 $SSR = \sum (\hat{y}_i - \bar{y})^2$ 为回归平方和（模型解释的变异），$SSE = \sum (y_i - \hat{y}_i)^2$ 为残差平方和（模型未解释的变异），$p$ 为自变量个数，$n$ 为样本量。

零假设 $H_0: \beta_1 = \beta_2 = \cdots = \beta_p = 0$ 假定所有回归系数（截距除外）均为零——即模型不比仅含截距的零模型更有解释力。拒绝零假设意味着至少有一个自变量与因变量存在显著的线性关系。这一检验与决定系数 ($R^2$) 存在密切关联：$F = \frac{R^2 / p}{(1 - R^2) / (n - p - 1)}$，高 $R^2$ 通常对应显著的F值。

此外，F检验还可用于检验多个系数的联合线性约束，如验证模型中某几个变量是否可以同时从模型中移除（邹检验即为其中特例）。

关键注意事项

使用F统计量时需注意以下几点。其一，F检验对异常值和方差非齐性敏感，在有极端观测时可能产生误导性结论。其二，大样本下即使模型解释力极低，F检验也可能因统计效能过高而拒绝零假设，因此统计显著不等同于实质重要——应同时报告效应量（如ANOVA中的 $\eta^2$ 或回归中的 $R^2$）。其三，F检验假定误差项服从正态分布且相互独立；在异方差或自相关存在时，标准F检验不再有效，需采用异方差稳健标准误或广义最小二乘法等修正手段。