F检验 (F-test)，亦称联合假设检验（joint hypotheses test）、方差比率检验、方差齐性检验。
它是一种在零假设（null hypothesis, H0）之下，统计值服从F-分布的检验。其通常是用来分析用了超过一个参数的统计模型，以判断该模型中的全部或一部分参数是否适合用来估计总体。
F检验这名称是由美国数学家兼统计学家George W. Snedecor命名，为了纪念英国统计学家兼生物学家罗纳德·费希尔（Ronald Aylmer Fisher）。Fisher在1920年代发明了这个检验和F-分布，最初称为方差比率（Variance Ratio）[1]。

1.1.2 百度百科的定义

F检验_百度百科F检验（F-test），最常用的别名叫做联合假设检验（英语：joint hypotheses test），此外也称方差比率检验、方差齐性检验。它是一种在零假设（null hypothesis, H0）之下，统计值服从F-分布的检验。其通常是用来分析用了超过一个参数的统计模型，以判断该模型中的全部或一部分参数是否适合用来估计母体。F检验这名称是由美国数学家兼统计学家George W. Snedecor命名，为了纪念英国统计学家兼生物学家罗纳德·费雪（Ronald Aylmer Fisher）。Fisher在1920年代发明了这个检验和F分配，最初叫做方差比率（Variance Ratio）。https://baike.baidu.com/item/F%E6%A3%80%E9%AA%8C/9910842?fr=ge_ala

F检验（F-test），最常用的别名叫做联合假设检验（英语：joint hypotheses test），此外也称方差比率检验、方差齐性检验。
它是一种在零假设（null hypothesis, H0）之下，统计值服从F-分布的检验。其通常是用来分析用了超过一个参数的统计模型，以判断该模型中的全部或一部分参数是否适合用来估计母体。

1.2 F检验的别名

F检验 F-test
联合假设检验 joint hypotheses test
方差比率检验 variance ratio test
方差齐性检验 Homogeneity of variance test
就是比较两个目标的方差是否相同/是否存在显著差异？

对应比较：均值齐性检验 T检验和Z检查

我觉得T检验和Z检查，都是比较均值差异的，而不是比较方差齐性的。
也就是都是比较均值齐性的， Homogeneity of Average

1.3 F检验的判断手段 / 要达成的目标 / 适用范围

1.3.1 判断手段

它是一种在零假设（null hypothesis, H0）之下，判断统计值服从F-分布的检验
根据求得的F值查表而得到的P值，判断是否，接受原假设H0
F检验临界值表提供了右尾F检验的临界值。
当F检验的统计量大于该值时，我们的F检验结果在统计上是有意义的。

1.3.2 对H0原假设的理解

H0 原假设，一般都是假设两者是相同分布的这种理想假设。
- 为什么说是理想假设，因为现实的样本里往往一定存在误差，不可能相同。因此这个H0假设是一个理想假设
- 虽然永远无法认识总体，但现实中的我们总是一厢情愿的希望，样本从总体里来是无误差的
- 理想状态：和之前说的，真实值，观测值，预测值这3种基础数据关系里的真实值一样，本质是永远无法观测到的，只存在于我们的大脑的理想国之中，所以我认为这里是需要懂一点哲学形而上的东西的。
- 举例子：均匀骰子是1/6, 均匀硬币是0.5，我们认为抽样的人群能代表世界上所有人，这都是理想值（所谓的“真实值”，只存在于彼岸的真实值。即使有时候算出来刚好相等，那也应该是恰好相等而已）

1.3.3 判断目标/目的

以判断该模型中的全部或一部分参数是否适合用来估计总体

1.3.4 适用的范围，场合

适用场合

1 最典型的F检验：检验一系列服从正态分布的总体，是否有相同的标准差
2 应用于方差分析（ANOVA）
3 回归分析
4 检验整条回归模型是否具有解释力，此即Overall F检验 (Overall F test) 。
5 检验回归模型中特定自变量是否具有解释力，即偏回归系数是否为零，此即偏F检验（Partial F test) 。

1.3.5 和其他检验的关系

F检验的分子、分母其实各是一个卡方变量除以各自的自由度
分子分母也是标准正态分布的变量吧，符合N~(0,1)
F检验用以检验单一变量可否排除于模型外时，即进行只缩减单一变量之偏F检验，F=t**2

2 如何弄懂F检验，需要倒推,先理解 F分布和F检验量

2.1 逻辑关系：(倒推需求)F检验→F分布→ F检验量

(倒推需求)
F检验→
F分布→
F检验量

2.2 为什么？

呃，不懂原理永远无法理解F检验吧

3 F统计量的构造

要弄清楚F检验，先要弄清楚F分布。而要弄清楚F分布，得先弄清楚F统计量

3.1 F值/ F指标/ F统计量是如何构造的

3.1.1 构建F值的3个关键参数

确定F分布曲线状态，和具体F取值的3个关键指标

1 分子的自由度df1=dfA
2 分母的自由度df2=dfE
3 F=(SSA/dfA) / (SSE/dfE)

3.1.2 F指标的定义

3.1.3 F值是如何构造出来的？--简单视角

如果做了多次试验，现在得到多组数据，比如是两组

离差平方和∑(x-average(x))**2
样本标准偏差的平方=均方误差MS = S2=∑(x-average(x))**2/(n-1)
两组数据就能得到两个S2值F=S2/S2' （用较小的/较大的?）
然后计算的F值与查表得到的F表值比较，如果
F < F表表明两组数据没有显著差异；
F ≥ F表表明两组数据存在显著差异。

3.1.4 F值是如何构造出来的？

一文详解F检验 - 知乎F检验是被誉为现代统计学之父的 R.A. Fisher爵士提出、由George W. Snedecor命名的统计检验方法，主要用于方差齐性检验、方差分析等等。本文介绍F检验的如下应用：方差齐性检验（F-test of equality of variances…https://zhuanlan.zhihu.com/p/139151375?utm_id=0&wd=&eqid=9d65f0b200194e3800000002646de47b

3.1.5 F值是如何构造出来的？ F=组间误差/组内误差=(SSA/dfa) / (SSE/dfe)

F=组间误差/组内误差=(SSA/dfa) / (SSE/dfe)

3.2 F统计量和F分布的关系

F分布构造，2个符合N(0,1) 标准正态分布得变量，和其自由度构造而成
F分布，本身是一个非对称，右偏非常明显得一个类正态分布
所以，F分布，主要关注得是右尾的概率变化

4 什么是F分布

4.1 F分布的定义

4.1.1 维基百科的定义

F分布是一种连续概率分布，

https://zh.wikipedia.org/wiki/F-%E5%88%86%E5%B8%83https://zh.wikipedia.org/wiki/F-%E5%88%86%E5%B8%83

4.1.2 来自百度百科的定义

可见，F分布用到的两个变量X1,X2 或者称X, Y
- 服从标准正态分布 N~(0,1)
- 也符合k2分布

4.3 检验的原理

F检验临界值表提供了右尾F检验的临界值。
当F检验的统计量大于该值时，我们的F检验结果在统计上是有意义的。
也就是显著度 α 和dfA 和 dfE 先确定了F分布曲线的形状
确定后，根据F值，在曲线上找到对应的曲线位置，下面围城的部分里右边部分面积就是p值=概率之和

4.4 F检验的实操(手工方法):根据dfA,dfE 和显著度α 查表得P值, 然后比较2个P值

4.4.1 显著度 α

实操一般选 0.05 0.01 等几个显著度α

4.4.2 自由度1=分子自由度=df1=dfA =自变量个数

自由度1
分子自由度
df1
dfA
=自变量个数

4.4.3 自由度2=分母自由度=df2=dfE=n-k-1 = 样本总数- xi对应得参数ai个数- 截距1个参数

自由度2
分母自由度
df2
dfE
=n-k-1 = 样本总数- xi对应得参数ai个数- 截距1个参数

4.4.4 总自由度，dfT=dfA+dfE

是回归模型的总自由度，需要加2者之和，暂时这里没啥用

4.4.5 用前面3个值来查表，获得查表的F值，然后比较2个F值

选择显著度 α，选择不同的表 →
选择自由度1=df1 →
自由度2=df2 →
查表得到F值 →
和计算的F值比较，如果大于查表的F，那么p肯定就小于了显著度α！要拒绝原假设。

4.5 F检验：计算机的方法，直接求得具体P值，再比较p和 α

直接根据选择显著度 α，df1 ,df2 →
先计算出F值 →
然后计算出具体的P值 →
而不是我们查表的几个固定P值得边界，一般是 0.01,0.05 等

5 F统计量的几个公式分析对比

下面对比

5.1 F值构造的简单视角，便于理解

如果做了多次试验，现在得到多组数据，比如是两组

离差平方和∑(x-average(x))**2
样本标准偏差的平方=均方误差MS = S2=∑(x-average(x))**2/(n-1)
两组数据就能得到两个S2值F=S2/S2' （用较小的/较大的?）
然后计算的F值与查表得到的F表值比较，如果
F < F表表明两组数据没有显著差异；
F ≥ F表表明两组数据存在显著差异。

5.2 F=回归的均方差MS/ 残差的卷方差MS

在只存在一次试验，只得到一组样本时的计算F检验
F=回归的均方差MS/ 残差的卷方差MS

5.2 F=组间波动/组内波动

如果是存在多次试验，有多种样本时的计算F检验
F=组间波动/组内波动
因为只有多种样本，才存在多组样本之间的多样本二次平均均值，以及每组的均值，以及每组均值和多样本二次平均均值之间的差距，这就是所谓的组见波动
组内波动，当然就是组内数据的差异-离差，就是离差和离差的平方和。离差平方和除以自由度就是方差
神奇的是，当样本组数为1时，也就是不存在多组样本时，两者方法计算出来的F相等
而多次试验得到多组样本，应该只能按方法：F=组间波动/组内波动算

5.3 SSA/dfA的具体设计

5.3.1 这部分内容引用如下

方差分析：F检验 - 知乎方差分析主要是利用F检验来评估三组或更多组数据的均值情况。这篇文章主要聚焦以下问题： ① F统计量 ② F值 ③ F分布 ④ F检验 ⑥ 为何用方差分析来检验均值在「六西格玛管理统计指南-Minitab使用指南」中，有这…https://zhuanlan.zhihu.com/p/662096085

5.3.2 组间波动SSA 必须引入2个新参数：组间的组数k 和组内样本数量mi

也就是引入了2个新参数, 这2个都是样本组间和组内的重要信息，不能丢弃
1 样本组数，i=1~k
2 每个样本的数量大小m,mi

5.3.3 SSE组内波动必须引入2个新参数：组间的组数k 和组内样本数量mi

组内波动，只需要把每组的组内波动，再进行求和，二次求和就行了
但是也包含了，组间的k组数据信息，和组内的m个样本的信息

5.3.4 计算必须用MS，而不能直接用SS，或者SS的平方和

计算F值时，
还是要用均方差MS
而不能直接用离差平方和！

5.3.5 SSA和SSE还要考虑df 自由度的影响

6 实操例子1：F值的计算

网图，只是拿来计算下具体F值

df 自由度，自己看出来算下约束. 因子df=自变量数量，误差自由度=样本数n-约束，
整个模型自由度=两者相加
SS，计算出来
MS= 对应行的SS/DF
F值=因子的ms/误差ms =回归的MS/ 残差的MS

这个F值的计算过程

P值概率的由来，查表得到，有了F值，和 α 显著度可以查到P值
所以说F值本身不是判断标准，只是查表用的，关键还是p值

查表得到p

根据显著度α=0.05，df1=3,df2=16查表 p=3.24
而计算的p=7.95 显然大于3.24 查表值，也就意味着对应的p会小于显著度α=0.05，从而要拒绝原假设。
显著度α/p 其实就是p，都是概率值，显著度α只是一个特定刻度的概率p而已。

7 实操例子2 ：详细的F值里SSA 和SSE 计算过程展开

7.1 题目来源

7.2 先计算SSE，这个只需要算每组样本内，每个X和对应均值的误差就可以

7.3 计算SSA，注意是组间的均值差异，只算均值和二次均值之间差异

均值：每组样本的均值
二次均值/组间均值= 所有样本均值的均值

7.4 计算自由度df

7.5 计算F值

因此 F值=(SSA/df1) / (SSE/ df2)

7.6 查表对比F值和查表F值