定义
设随机变量 U 和 V 满足
U∼χd12,V∼χd22,
且二者具有统计独立性。则
X=V/d2U/d1
服从分子自由度为 d1、分母自由度为 d2 的F分布,记作
X∼Fd1,d2.
这两个参数都可以是任意正实数,不过在初等应用中通常为正整数。
服从F分布的变量以概率1取正值。参数的顺序很重要:Fd1,d2 与 Fd2,d1 通常是不同的分布。独立性是必不可少的条件;两个不独立的卡方变量即使分别除以其自由度,所得比值也未必服从F分布。
密度函数与分布函数
当 x>0 时,概率密度函数为
f(x;d1,d2)=Γ(d1/2)Γ(d2/2)Γ((d1+d2)/2)(d2d1)d1/2xd1/2−1(1+d2d1x)−(d1+d2)/2,
其中 Γ 表示伽马函数。当 x<0 时,密度为零。
累积分布函数可用正则化不完全贝塔函数表示:
P(X≤x)=Id2+d1xd1x(2d1,2d2),x>0,
其中
Iz(a,b)=∫01ta−1(1−t)b−1dt∫0zta−1(1−t)b−1dt.
这一表示将F分布与贝塔分布的计算联系起来,对概率和临界值的数值计算十分重要。
形状与矩
F分布通常呈右偏形态,其形状取决于两个自由度参数:
- 若 d1<2,当 x 从正侧趋近于零时,密度趋于无穷大。
- 若 d1=2,密度在零处趋于一个有限正值,此后单调下降。
- 若 d1>2,密度先上升至定义域内部的众数处,然后下降。
当 d1>2 时,众数为
mode(X)=d1(d2+2)d2(d1−2).
期望值仅在 d2>2 时存在,此时
E[X]=d2−2d2.
特别地,尽管构造该分布时,分子和分母中的变量经自由度归一化后的均值均为1,二者比值的均值通常并不为1。
方差仅在 d2>4 时存在,且为
Var(X)=d1(d2−2)2(d2−4)2d22(d1+d2−2).
更一般地,对于实数 r,有
E[Xr]=(d1d2)rΓ(d1/2)Γ(d2/2)Γ(d1/2+r)Γ(d2/2−r),
条件是
−2d1<r<2d2.
分母自由度决定了正阶矩是否存在。当 x 很大时,密度渐近地与 x−d2/2−1 成正比;因此,分母自由度较小时,右尾尤其厚重。
与其他分布的关系
倒数恒等关系
交换分子和分母可得
X∼Fd1,d2⟹X1∼Fd2,d1.
若 qp(d1,d2) 表示 Fd1,d2 的 p-分位数,则
qp(d1,d2)=q1−p(d2,d1)1,0<p<1.
这一恒等关系可用于将下尾临界值转换为上尾临界值。
贝塔分布
若 X∼Fd1,d2,则
Y=d2+d1Xd1X∼Beta(2d1,2d2).
反之,若 Y 服从上述贝塔分布,则
X=d1(1−Y)d2Y
服从相应的F分布。
学生t分布
若 T 服从自由度为 ν 的学生t分布,则
T2∼F1,ν.
因此,在经典正态线性模型中,针对单个系数的双侧t检验,等价于相应的分子自由度为1的F检验。
极限分布
固定 d1,当 d2 趋于无穷大时,
Fd1,d2dd1χd12.
固定 d2,当 d1 趋于无穷大时,
Fd1,d2dχd22d2.
当两个自由度都趋于无穷大时,分布集中在1附近。
统计应用
F检验是一类统计假设检验,其检验统计量在原假设成立时服从F分布;这种分布关系可以是在特定假设下精确成立,也可以是近似成立。不同的F检验使用不同的统计量和假设,因此这一名称并不指代某一种唯一的检验方法。
比较两个总体方差
考虑分别来自两个正态总体的独立样本,样本大小为 n1 和 n2,总体方差为 σ12 和 σ22。设 S12 和 S22 是分别以 n1−1 和 n2−1 为分母计算的样本方差,则
S22/σ22S12/σ12∼Fn1−1,n2−1.
在假设 σ12=σ22 成立时,
S22S12∼Fn1−1,n2−1.
双侧检验使用分布的两端尾部,因为比值异常大或异常小,都可能与方差相等的假设相矛盾。
同一关系还可用于构造方差比的精确置信区间。记 R=S12/S22,并令 qp 表示 Fn1−1,n2−1 的 p 分位数。置信水平为 1−α 的等尾置信区间为
[q1−α/2R,qα/2R].
方差分析
在包含 k 个独立组、总观测数为 N 的单因素方差分析中,经典统计量为
F=SSwithin/(N−k)SSbetween/(k−1).
这里,SSbetween 衡量各组样本均值之间按组内样本大小加权的变异,SSwithin 衡量各组观测值围绕各自组均值的变异。
在各总体均值相等、误差相互独立且服从正态分布、误差方差相同的条件下,
F∼Fk−1,N−k.
较大的统计量值提供了反对所有组均值均相等的证据。拒绝原假设意味着各组均值不全相等,但并不能指出具体哪些组存在差异。后续比较属于额外的统计推断,可能需要考虑多重检验问题。
嵌套回归模型
对于使用普通最小二乘法拟合同一组 n 个观测值的两个嵌套线性回归模型,设:
- RSSR 为受限模型的残差平方和;
- RSSU 为非受限模型的残差平方和;
- q 为独立约束的个数;
- p 为非受限模型中自由估计的回归系数个数。
统计量
F=RSSU/(n−p)(RSSR−RSSU)/q
在约束条件成立时服从 Fq,n−p 分布,前提是误差满足经典的正态性、独立性和同方差性假设,且模型矩阵的秩满足相应要求。
这一形式涵盖了多个回归系数同时为零的检验,以及含截距项回归模型的整体显著性检验。
尾部概率
对于观测值为 fobs 的上尾F检验,P值为
p=P(Fd1,d2≥fobs).
在显著性水平 α 下,拒绝阈值为 q1−α(d1,d2)。双侧方差检验需要明确规定如何处理两端尾部,不能直接套用这一上尾规则。
非中心F分布
非中心F分布对上述构造作了推广,允许分子中的变量服从非中心卡方分布:
X=V/d2U/d1,U∼χd12(λ),V∼χd22,
其中 U 与 V 相互独立,λ≥0 为非中心参数。该分布通常记作 Fd1,d2(λ)。令 λ=0,即得到中心F分布。
非中心F分布描述了许多F统计量在备择假设成立时的分布。它可用于计算统计功效,以及确定针对给定备择假设所需的样本量。
例如,在具有共同方差 σ2 的固定效应单因素正态模型中,
λ=σ2∑i=1kni(μi−μˉw)2,μˉw=∑ini∑iniμi.
这里,ni 和 μi 分别为第 i 组的样本量和总体均值。该参数综合反映了各组均值的差异程度、各组样本量以及误差方差。
假设与局限
经典方法中使用的精确F分布,源于带有适当尺度因子的独立卡方变量之比。在许多应用中,这一结构来自正态分布模型及平方和的正交分解。
主要局限包括:
- 方差比检验对非正态性敏感。 对于非正态总体,经典双样本方差检验的实际拒绝率可能严重偏离预定水平。
- 误差方差不相等。 当误差具有不同方差时,经典方差分析和回归F检验未必仍服从所声明的原假设分布。
- 观测值不独立。 重复测量、聚类数据或存在序列相关的误差,通常会使最简单的独立误差公式失效。
- 精确参考分布与近似参考分布的区别。 有些方法使用经调整的非整数自由度进行F分布近似。这类方法的校准不同于基于卡方变量之比的精确推导。
F检验达到统计显著性,只涉及所检验的特定联合假设。它本身既不能衡量实际重要性,也不能确立因果关系。
历史背景
F分布与罗纳德·费希尔以及20世纪初基于方差的统计推断方法的发展密切相关。乔治·W.斯内德科为纪念费希尔而引入了 F 这一名称,并通过统计数表和农业应用推动了该分布的实际使用。其别称“费希尔–斯内德科分布”体现了二人的贡献。