{
  "id": "tukeys-range-test",
  "title": "图基极差检验",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "图基极差检验用于比较所有组均值的两两差异，同时控制将任一差异误判为统计显著的族错误概率。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "图基检验",
    "Tukey检验",
    "图基HSD检验",
    "图基诚实显著差异检验"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/tukeys-range-test/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/tukeys-range-test/",
      "json": "https://aiwiki.page/en/tukeys-range-test.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "图基极差检验是一种统计假设检验，用于对一组群体的均值进行所有两两比较，同时控制在全部比较中得出一个或多个假阳性结论的概率。该方法由约翰·W. 图基提出，通常与方差分析（ANOVA）配合使用。其经典形式也称为诚实显著差异（honestly significant difference，HSD）检验，假定误差相互独立、服从正态分布且具有相同的方差。当各组样本量相等时，该方法是精确的；图基–克拉默方法则将比较规则扩展到各组样本量不等的情形。"
    },
    {
      "heading": "目的与适用范围",
      "text": "单因素方差分析的总体检验用于检验各组总体均值是否全部相等：\n\n\\[H_0:\\mu_1=\\mu_2=\\cdots=\\mu_k.\\]\n\n拒绝这一假设，意味着有证据表明各组均值并非全部相等，但不能确定哪些组之间存在差异。图基检验针对的是各个两两比较假设：\n\n\\[H_{0,ij}:\\mu_i-\\mu_j=0, \\qquad 1\\leq i<j\\leq k.\\]\n\n这样的比较共有 \\(k(k-1)/2\\) 个。如果每次比较都在相同的显著性水平下进行普通的、未经调整的检验，通常会增大至少发生一次错误拒绝的概率。这就是多重检验问题。\n\n图基方法控制的是族错误率，即错误拒绝至少一个真实的两两比较原假设的概率。这是在整个假设族层面防范第一类错误，而不是对每项单独考虑的检验分别提供错误率保证。\n\n虽然图基检验常被描述为在方差分析结果显著后进行的事后检验，但它对两两比较的错误率控制并不要求先有一个显著的总体检验结果。要求两种检验均达到显著，相当于增加了一条决策规则，可能降低统计功效。"
    },
    {
      "heading": "统计模型与假设",
      "text": "对于单因素设计，标准模型为\n\n\\[Y_{ir}=\\mu_i+\\varepsilon_{ir}, \\qquad i=1,\\ldots,k,\\quad r=1,\\ldots,n_i,\\]\n\n其中，\\(n_i\\) 为第 \\(i\\) 组的观测数。假定误差满足以下条件：\n\n- **独立性：**组内和组间的误差均相互独立。\n- **正态性：**每个误差均服从均值为零的正态分布。\n- **方差齐性：**所有组的误差方差均为 \\(\\sigma^2\\)。\n\n对于所考虑的比较，该模型将观测所属的组别视为固定的。实验中的随机化有助于为模型假设提供依据，但不能替代对聚类、重复测量或其他依赖关系的处理。\n\n令 \\(\\bar Y_i\\) 表示第 \\(i\\) 组的样本均值，并令 \\(N=\\sum_i n_i\\)。合并的组内均方为\n\n\\[MSE= \\frac{\\displaystyle\\sum_{i=1}^{k} \\sum_{r=1}^{n_i}(Y_{ir}-\\bar Y_i)^2}{N-k}.\\]\n\n它用于估计共同的误差方差，其残差自由度为\n\n\\[\\nu=N-k\\]\n\n这里的 \\(MSE\\) 是方差分析中的残差均方，而不是模型验证中衡量预测误差的指标。"
    },
    {
      "heading": "学生化极差分布",
      "text": "临界值取自学生化极差分布。设 \\(Z_1,\\ldots,Z_k\\) 是相互独立的标准正态变量，且 \\(S^2\\) 与它们独立，并满足\n\n\\[\\nu S^2\\sim\\chi^2_\\nu,\\]\n\n其中，\\(\\chi^2_\\nu\\) 表示自由度为 \\(\\nu\\) 的卡方分布。则\n\n\\[Q=\\frac{\\max_i Z_i-\\min_i Z_i}{S}\\]\n\n服从参数为 \\(k\\) 和 \\(\\nu\\) 的学生化极差分布。\n\n用 \\(q_{1-\\alpha;k,\\nu}\\) 表示该分布的 \\(1-\\alpha\\) 分位数。这一临界值反映的是全部 \\(k\\) 个均值之间最极端的差异，而不是某个预先指定的组对之间的差异。\n\n当各组样本量相等时，标准化后的各组均值恰好具有这一极差分布所需的结构。最大的两两均值差就是最大样本均值与最小样本均值之差，极差检验也因此得名。"
    },
    {
      "heading": "各组样本量相等：图基HSD检验",
      "text": "当每组均包含 \\(n\\) 个观测时，诚实显著差异为\n\n\\[HSD=q_{1-\\alpha;k,\\nu} \\sqrt{\\frac{MSE}{n}}.\\]\n\n当满足下式时，拒绝第 \\(i\\) 组与第 \\(j\\) 组的两两比较原假设：\n\n\\[|\\bar Y_i-\\bar Y_j|>HSD.\\]\n\n等价地，两两比较的检验统计量为\n\n\\[q_{ij}= \\frac{|\\bar Y_i-\\bar Y_j|} {\\sqrt{MSE/n}},\\]\n\n当 \\(q_{ij}>q_{1-\\alpha;k,\\nu}\\) 时拒绝原假设。\n\n分母并不是两个独立组均值之差的标准误。后者为 \\(\\sqrt{2MSE/n}\\)。图基统计量采用单个组均值的标准误，是因为学生化极差分布正是按这一尺度定义的。混淆这两个分母会造成一个 \\(\\sqrt{2}\\) 倍的误差。\n\n同时置信区间\n\n同一方法还可为所有两两总体均值差构造同时置信区间：\n\n\\[\\mu_i-\\mu_j \\in (\\bar Y_i-\\bar Y_j) \\pm q_{1-\\alpha;k,\\nu}\\sqrt{\\frac{MSE}{n}}.\\]\n\n在经典的等样本量正态模型下，所有这些区间同时覆盖各自真实均值差的概率为 \\(1-\\alpha\\)。这描述的是联合覆盖概率，而不只是每个区间各自的覆盖概率。\n\n当且仅当相应区间不包含零时，该组对在族显著性水平 \\(\\alpha\\) 下具有统计显著性。该方法具有强族错误率控制：无论两两比较原假设全部成立、部分成立还是全部不成立，这一保护都适用。"
    },
    {
      "heading": "各组样本量不等：图基–克拉默方法",
      "text": "当各组样本量不等时，图基–克拉默比较使用的统计量为\n\n\\[q_{ij} = \\frac{|\\bar Y_i-\\bar Y_j|} {\\sqrt{\\dfrac{MSE}{2} \\left(\\dfrac{1}{n_i}+\\dfrac{1}{n_j}\\right)}}.\\]\n\n同时置信区间为\n\n\\[(\\bar Y_i-\\bar Y_j) \\pm q_{1-\\alpha;k,\\nu} \\sqrt{\\frac{MSE}{2} \\left(\\frac{1}{n_i}+\\frac{1}{n_j}\\right)}.\\]\n\n当 \\(n_i=n_j=n\\) 时，这些公式就化为图基最初提出的等样本量公式。\n\n在误差相互独立、服从正态分布且方差相同的条件下，图基–克拉默方法提供保守的族错误率控制：其错误概率不超过 \\(\\alpha\\)，而通常并非恰好等于 \\(\\alpha\\)。样本量不等并不意味着可以免除方差齐性假设。\n\n某一组对经过图基调整的P值可由学生化极差分布的上尾概率得到：\n\n\\[p_{ij,\\mathrm{adj}} = 1-F_{k,\\nu}(q_{ij}),\\]\n\n其中，\\(F_{k,\\nu}\\) 为该分布的累积分布函数。在样本量不等时，这一计算实现的是图基–克拉默调整；所用的参考分布并不是每个单独两两比较统计量的精确抽样分布。"
    },
    {
      "heading": "数值示例",
      "text": "考虑三个相互独立的组，每组有十个观测：\n\n\\[\\bar Y_1=10,\\qquad \\bar Y_2=12,\\qquad \\bar Y_3=13.\\]\n\n假设合并残差均方为 \\(MSE=4\\)，则 \\(\\nu=30-3=27\\)。在 \\(\\alpha=0.05\\) 时，\n\n\\[q_{0.95;3,27}\\approx3.51,\\]\n\n因此\n\n\\[HSD\\approx3.51\\sqrt{\\frac{4}{10}} \\approx2.22.\\]\n\n各项比较结果如下：\n\n比较组对 | 均值差的绝对值 | 是否超过HSD？\n第1组与第2组 | \\(2\\) | 否\n第1组与第3组 | \\(3\\) | 是\n第2组与第3组 | \\(1\\) | 否\n\n在5%的族显著性水平下，只有第1组与第3组被判定存在差异。例如，\\(\\mu_3-\\mu_1\\) 的区间约为\n\n\\[3\\pm2.22=[0.78,\\,5.22].\\]\n\n另外两项比较未能拒绝原假设，并不能证明相应的总体均值相等。"
    },
    {
      "heading": "解释与报告",
      "text": "一份有用的结果报告应说明所比较的组、样本量、估计的均值差、同时置信区间、调整后的P值、族显著性水平，以及采用的是等样本量形式还是图基–克拉默形式。\n\n均值差及其区间反映了差异的大小与估计精度。仅有统计显著性并不能证明差异具有实际重要性；还需要结合效应量和具体的测量背景加以判断。\n\n有时会用字母来汇总结果：具有相同字母的组之间未被判定存在显著差异。这类表示不能证明各组等效，其分组关系也不一定具有传递性。例如，某一组与另外两组的差异都可能不显著，但那两组彼此之间的差异却可能显著。"
    },
    {
      "heading": "局限性与相关方法",
      "text": "方差不等与存在依赖关系的数据\n\n合并方差估计是这一方法的核心。如果组间方差差异较大，尤其同时存在样本量不等的情况，其名义错误率控制可能失效。Games–Howell检验是一种相关的全组对比较方法，专为方差不等、且样本量也可能不等的情形设计，使用各组对特有的方差估计和近似自由度。\n\n对于重复测量、聚类观测以及彼此相关的估计均值，需要采用能够处理其依赖关系的方法。不能仅仅因为软件将某种调整标为“图基”，就认为可以对这类数据直接应用简单的单因素图基公式。\n\n比较族的选择\n\n图基方法专门针对所有两两差异。它不会自动为任意对比、多个结局指标或其他检验族提供错误率保护。对多个结局指标分别应用该方法，只能分别获得各自的族错误率保证，而不一定能对整个分析获得统一的保证。\n\n邦费罗尼校正可以处理预先指定的、更广泛的假设集合，但用于全组对比较时可能更为保守。如果只关心各组与某一个对照组的比较，专门针对这一较小比较族设计的方法可能具有更高的功效。图基方法控制的族错误率也不同于错误发现率；后者关注的是被拒绝的假设中错误拒绝所占比例的期望值。\n\n更复杂的模型\n\n在线性回归、析因方差分析以及包含统计交互作用的模型中，也会涉及调整后均值的两两比较。在这些情形下，估计均值的协方差结构十分重要。经典学生化极差分布所提供的精确理论依据，并不能自动推广到所有经模型调整的均值集合。\n\n存在交互作用时，对另一因素取平均后进行比较，与在该因素各个水平内分别进行比较，可能回答的是不同的问题。因此，对经过图基调整的比较进行解释时，既要考虑错误率调整方式，也要考虑所比较的究竟是哪些模型均值。"
    }
  ],
  "links": [
    "statistical-hypothesis-testing",
    "analysis-of-variance",
    "significance-level",
    "multiple-testing",
    "null-hypothesis",
    "type-i-and-type-ii-errors",
    "statistical-power",
    "statistical-independence",
    "normal-distribution",
    "variance",
    "randomization",
    "sample-mean",
    "degrees-of-freedom",
    "chi-squared-distribution",
    "quantile",
    "test-statistic",
    "standard-error",
    "confidence-interval",
    "p-value",
    "cumulative-distribution-function",
    "effect-size",
    "bonferroni-correction",
    "false-discovery-rate",
    "linear-regression",
    "statistical-interaction"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}