【统计检验】F检验与F分布

线性回归--假设检验(F统计量、P-value) 一、F检验解释 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。它是一种在原假设(null hypothesis, H0)之下,统计值服从F-分布的检验。 二、线性回归基础: 通常对于一组特征数据和其标记值:(x1,y1),(x2,y2)......(xn,yn)在使用特征值对进行预测时,根据习惯,如果是连续的,则称这种操作或者技术为回归;如果是离散的,则通常称为分类。 线性回归模型可以描述为:。 ... 阅读详情

统计检验核心:F检验与F分布|原理推导+Python可视化+机器学习实战

F检验是统计学中用于比较方差、做方差分析(ANOVA)、检验回归方程显著性的核心方法,也是本科数理统计、研究生数据分析与机器学习特征选择的必学内容。


一、F检验到底是什么?一句话看懂

F检验 = 两个方差的比值检验

  • 核心思想:用两组数据的样本方差之比判断两个总体方差是否有显著差异
  • 服从分布:F分布(由两个卡方分布构造而来)
  • 用途:
    1. 双总体方差齐性检验(方差是否相等)
    2. 单因素/多因素方差分析ANOVA
    3. 线性回归整体显著性检验
    4. 机器学习特征选择(最常用实战场景)

二、最直观的例子:两种肥料的产量稳定性

你是农业研究员,想判断:

  • 肥料A、肥料B种出来的作物产量波动(方差)是否一样

步骤:

  1. 各取一组产量数据
  2. 计算两组样本方差 S12S_1^2S12​、S22S_2^2S22​
  3. 算F统计量:F = 大方差 / 小方差(保证F≥1)
  4. 看F是否显著偏离1
    • F≈1 ➜ 方差无显著差异
    • F远大于1 ➜ 方差显著不同

三、F分布的定义与核心特点

1. F分布从哪来?

F分布是两个标准化卡方分布的比值:
设:

  • U∼χ2(d1)U \sim \chi^2(d_1)U∼χ2(d1​)
  • V∼χ2(d2)V \sim \chi^2(d_2)V∼χ2(d2​)
  • U、V相互独立

则:
F=U/d1V/d2∼F(d1,d2) F = \frac{U/d_1}{V/d_2} \sim F(d_1, d_2) F=V/d2​U/d1​​∼F(d1​,d2​)

  • d1d_1d1​:分子自由度
  • d2d_2d2​:分母自由度

2. F分布的4个关键特征

  1. 非负性:F ≥ 0(方差之比不可能为负)
  2. 右偏分布:自由度越小越偏,自由度越大越接近正态
  3. 双自由度决定形状:d1d_1d1​、d2d_2d2​ 缺一不可
  4. 常用在方差比较:是统计学里“离散程度对比”的标准分布

四、F检验的核心公式(方差齐性检验)

1. 统计量

F=S12S22 F = \frac{S_1^2}{S_2^2} F=S22​S12​​
约定:把大方差放分子,使F≥1

2. 自由度

  • d1=n1−1d_1 = n_1 - 1d1​=n1​−1
  • d2=n2−1d_2 = n_2 - 1d2​=n2​−1

3. 判断规则

给定显著性水平 α=0.05\alpha=0.05α=0.05:

  • 计算p值 < 0.05 ➜ 拒绝原假设 ➜ 方差有显著差异
  • p值 ≥ 0.05 ➜ 不能拒绝 ➜ 方差无显著差异

五、F分布概率密度函数(PDF)

(供考研/深入学习使用,本科会用即可)
fF(x;d1,d2)=Γ(d1+d22)Γ(d12)Γ(d22)(d1d2)d12xd12−1(1+d1d2x)−d1+d22 f_F(x;d_1,d_2)=\frac {\Gamma\left(\frac{d_1+d_2}{2}\right)} {\Gamma\left(\frac{d_1}{2}\right)\Gamma\left(\frac{d_2}{2}\right)} \left(\frac{d_1}{d_2}\right)^{\frac{d_1}{2}} x^{\frac{d_1}{2}-1} \left(1+\frac{d_1}{d_2}x\right)^{-\frac{d_1+d_2}{2}} fF​(x;d1​,d2​)=Γ(2d1​​)Γ(2d2​​)Γ(2d1​+d2​​)​(d2​d1​​)2d1​​x2d1​​−1(1+d2​d1​​x)−2d1​+d2​​

  • Γ\GammaΓ:伽马函数(阶乘推广,保证积分为1)
  • x>0

六、Python实现1:F分布可视化 + 双样本方差检验

直接运行,直观看到F分布和你计算的F值位置

import numpy as np
import matplotlib.pyplot as plt
import scipy.stats as stats

# 固定随机种子
np.random.seed(42)

# 生成两组数据:方差不同
n1, n2 = 30, 30
data1 = np.random.normal(0, 1, n1)   # 方差=1
data2 = np.random.normal(0, 2, n2)   # 方差=4

# 计算无偏样本方差
var1 = np.var(data1, ddof=1)
var2 = np.var(data2, ddof=1)

# 计算F统计量(大方差/小方差)
if var2 >= var1:
    F_stat = var2 / var1
    d1 = n2 - 1
    d2 = n1 - 1
else:
    F_stat = var1 / var2
    d1 = n1 - 1
    d2 = n2 - 1

print(f"方差1: {var1:.4f}")
print(f"方差2: {var2:.4f}")
print(f"F统计量: {F_stat:.4f}")
print(f"自由度: ({d1}, {d2})")

# 绘制F分布
x = np.linspace(0, 5, 500)
pdf = stats.f.pdf(x, dfn=d1, dfd=d2)

plt.figure(figsize=(10,6))
plt.plot(x, pdf, color='#3498db', linewidth=2, label=f'F({d1},{d2})')
plt.axvline(F_stat, color='#e74c3c', linestyle='--', linewidth=2, label=f'F={F_stat:.3f}')
plt.title('F Distribution & F Statistic', fontsize=14)
plt.xlabel('F value')
plt.ylabel('Probability Density')
plt.legend()
plt.grid(alpha=0.3)
plt.show()

七、Python实现2:机器学习最强应用 — ANOVA F检验特征选择

这是工作/竞赛最常用的技能:
用F检验筛选对预测目标显著的特征,扔掉无用特征

适用场景

回归任务 → f_regression
分类任务 → f_classif(卡方检验也常用)

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import make_regression
from sklearn.feature_selection import f_regression, SelectKBest
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 生成回归数据
X, y = make_regression(n_samples=1000, n_features=10, noise=10, random_state=42)
df = pd.DataFrame(X, columns=[f'feat_{i}' for i in range(10)])
df['target'] = y

# 划分训练集/测试集
X_train, X_test, y_train, y_test = train_test_split(
    df.drop('target',axis=1), df['target'], test_size=0.2, random_state=42
)

# 计算每个特征的F值和p值
f_vals, p_vals = f_regression(X_train, y_train)

# 构建结果表
res = pd.DataFrame({
    'feature': X_train.columns,
    'F_value': f_vals,
    'p_value': p_vals
}).sort_values('F_value', ascending=False)

print("=== F检验特征重要性排序 ===")
print(res)

# 筛选显著特征(p<0.05)
best_feats = res[res['p_value']<0.05]['feature'].tolist()
print("\n显著特征:", best_feats)

# 用筛选后的特征建模
model = LinearRegression()
model.fit(X_train[best_feats], y_train)
r2 = model.score(X_test[best_feats], y_test)
print(f"\n筛选后模型 R²: {r2:.4f}")

# 画图展示特征重要性
plt.figure(figsize=(12,5))
plt.bar(res['feature'], res['F_value'], color='#1abc9c')
plt.title('Feature F-Value (ANOVA)', fontsize=14)
plt.xticks(rotation=45)
plt.grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.show()

八、F检验的三大核心用途(考试+面试必考)

  1. 方差齐性检验
    检验两总体方差是否相等,是t检验的前提

  2. 方差分析(ANOVA)
    检验多组均值是否有显著差异
    组间方差 / 组内方差 → F值

  3. 线性回归显著性
    检验整个回归方程是否有用
    回归均方 / 残差均方 → F值


九、超简总结(背诵版)

  • F检验 = 方差之比的检验
  • F分布 = 两个卡方分布均值的比值
  • F≈1 ➜ 方差相似
  • F越大 ➜ 方差差异越显著
  • 实战最强用途:机器学习特征选择
从生活案例到统计检验:正态分布、卡方分布、t分布、F分布及其检验方法全解析 本文全面解析正态分布、卡方分布、t分布和F分布及其检验方法,结合实际生活案例和统计检验示例。从身高测量的正态分布到产品质量的Z检验,从性别与化妆习惯的卡方检验到药物效果的t检验,再到肥料影响的F检验,帮助读者深入理解这些核心统计概念及其应用场景。 阅读详情

相关推荐

F分布单侧与双侧分位点:3步理解Python计算与统计检验应用

本文深入解析F分布的单侧与双侧分位点在Python中的计算方法及其在统计检验中的应用。通过scipy.stats模块,详细演示了如何计算F分布的分位点,并结合方差分析(ANOVA)等实际案例,帮助读者掌握这一核心统计技能。

weixin_33831196的博客 379

Ftest(F检验,P值求取)

         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。它是一种在原假设(null hypothesis, H0)之下,统计值服从F-分布的检验。F检验的计算公式:p值的计算:       p值的计算是与假设检验有着密不可分的关系,p值为结果可信水平的一个递减指标,p值越大,我们越不能以为样本中...

zijinmu69的博客 16万+

MATLAB统计工具箱:3步完成卡方/T/F分布拟合与假设检验

本文详细解析了MATLAB统计工具箱在卡方分布、T分布和F分布拟合与假设检验中的应用。通过3步标准化工作流,包括数据生成、分布拟合与优度检验、结果解读与可视化,帮助用户高效完成统计分析与决策。文章提供可直接复用的代码模板,适合数据分析与科研工作者参考。

dingdi3021的博客 487

【漫话机器学习系列】055.F检验(F-Statistic)

F检验是一种假设检验方法,通常用于比较两组方差或多个回归模型的拟合效果。F统计量是两种方差比值的度量,其分布遵循 F分布。F检验是统计学中重要的工具,用于比较方差或检验回归模型的显著性。通过F统计量的计算,可以判断变量的贡献或组间差异是否显著,为模型选择和结果分析提供了可靠的依据。

IT古董 3559

概率统计(三)常见分布与假设检验

常见分布与假设检验一、一般随机变量二、常见分布1.离散型分布(1)二项分布(2)泊松分布(3)几何分布(4)负二项分布(5)超几何分布2.连续型分布(1)均匀分布(2)正态分布(3)指数分布(4)Γ分布(5)威布尔分布(Weibull)3.常见分布的均值和方差汇总4.Python代码实战(1)生成一组符合特定分布的随机数(2)计算统计分布的PMF和PDF(3)统计分布可视化三、假设检验1.基本概念2.基本步骤3.选择统计量(1)T检验①单样本T检验②配对样本T检验③独立样本T检验(2)Z检验(3)F检验(4

懒得聪明的博客 1万+

结合实例,直观理解正态分布、卡方分布、t分布、F分布和对应的Z检验、卡方检验、t检验、F检验

通俗直观理解概率分布和检验

qq_41816368的博客 1万+

计量经济学 联合假设检验 F统计量

考虑这样一个问题,现在你拥有1个被解释变量y和4个解释变量,如何判断x3,x4这2个变量是没有必要的? 或者换个说法,你现在有x1,x2这2个解释变量,突然你在寻找数据时,发现了另外2个变量x3,x4可能能够被用在模型之中,这2个新变量纳入模型后是否有作用? 这两种说法本质上都是一样的,在大部分计量经济学的书中,这个问题叫做“对排除性约束的检验“(多重假设检验或联合假设检验), 我们要检验的是: 如果这个假设成立,那么剔除掉x3 与 x4 ,原方程的回归不受影响。 怎么样才能衡量不受影响或者

weixin_47999556的博客 1万+

数理统计四大分布---正态分布、卡方分布、学生t分布和F分布

在统计学上,我们会遇到一些常见的分布,除了正态分布外,,如t检验对应的t分布,检验对应的分布,方差分析对应的F分布等。这些分布是统计学的基础,在假设检验、方差分析等领域都起着至关重要的作用。在此,我们对这四种分布做详细的介绍,并附上MATLAB代码。 四种分布的讲解摘自MATLAB 2016的统计学和机器学习工具箱,有兴趣的可以去查看英文原版。 另外,为了方便,上传文档为图片格式,可能有些模糊...

suncangan的博客 5万+

回归方程的显著性检验——F检验

回归方程的显著性检验——F检验

m0_58699417的博客 2万+

阻容降压 vs 开关电源:5V小功率供电方案成本与安全深度对比

本文深度对比了阻容降压电路与开关电源在5V小功率供电方案中的核心差异。重点剖析了二者在成本、体积、效率、温升及安全隔离等方面的优劣,并结合智能温控器、LED驱动等典型应用场景,为硬件工程师提供了清晰的选型决策框架,帮助在成本与安全之间做出最佳权衡。

weixin_29310631的博客 702

告别盲调!用Synopsys VIP搭建PCIe 5.0验证环境,手把手搞定链路训练与均衡调试

本文详细介绍了基于Synopsys VIP搭建PCIe 5.0验证环境的实战指南,重点解析了链路训练(LTSSM)与均衡调试的关键技术。通过配置VIP组件、设计验证平台架构及实战调试技巧,帮助工程师高效解决PCIe 5.0验证中的常见问题,提升芯片验证效率与可靠性。

weixin_28700411的博客 462

统计检验 | t分布|F分布|卡方分布|ANOVA

在统计学假设检验中,我们会先提出一个原假设(null hypothesis),记为H0。1类错误()我们拒绝了一个真的原假设(就是图中的FP)2类错误(是我们没有拒绝一个错误的原假设(就是图中的FN)。剩下两种情况(TP、TN),我们说检验对样本做了正确的预测。

m0_72160465的博客 1465

ARM架构福音:在飞腾FT-2000/4开发板上,用Clonezilla Live 2.6.6-11给麒麟V10系统做个‘快照’

本文详细介绍了在飞腾FT-2000/4开发板上使用Clonezilla Live 2.6.6-11为麒麟V10系统创建备份的完整方案。针对ARM架构的特殊挑战,提供了从工具准备到备份执行的全流程指南,包括镜像获取、U盘制作、备份配置及性能优化技巧,帮助用户实现高效可靠的系统备份。

weixin_30889885的博客 607

【应用回归分析】一元简单线性回归显著性检验,t检验和F检验统计量抽样分布推导

这学期正在用《应用回归分析(第四版)》,但很多地方语焉不详,例如一元线性回归中的F检验和t检验的检验统计量的证明。 以下的证明主要参考了科学出版社出版的《应用回归分析》 检验统计量的推导 t统计量需要满足的假设: 分子:标准正态分布的随机变量XXX 分母:卡方分布随机变量YYY XXX和YYY相互独立 F统计量需要满足的假设: 分子和分母均为卡方分布的随机变量,记为XXX和YYY XXX和Y...

Helenology 2万+

11.11华为OD机试真题 新系统 - 管线同类区段归并 (Java/Py/C/C++/Js/Go)

11.11华为OD机试真题 新系统 - 管线同类区段归并 (Java/Py/C/C++/Js/Go)

算法大师! 163

(三十九)Flask 多应用架构(Multiple Apps)与 DispatcherMiddleware 实战解析

(三十九)Flask 多应用架构(Multiple Apps)与 DispatcherMiddleware 实战解析

孤寒者的博客 1万+

【小白学机器学习10】假设检验之1:F检验,F检验量的构造,F分布,F分布查表求P值等

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。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。

奔跑的犀牛先生 1万+

Vue3 - 手机移动端H5网页强力解决弹起软键盘后页面被挤压变形或页面整体上移问题,点击input输入框键盘弹出底部被上推往上顶遮挡及各种问题(兼容安卓苹果ios手机,微信公众号网页微信内置浏览器)

vue3,h5网页,input输入框组件,vue3 h5软键盘弹出,vue3输入框,键盘弹起时页面整体上移问题,uni,H5页面,解决软键盘弹起页面被挤压、被往顶的问题,解决vue3输入框,键盘弹起时页面整体上移问题,vue3调用手机系统软键盘,页面窗口被顶起,布局定位失效,解决VUE3软键盘弹起导致页面fixed定位元素被顶上去,输入法软键盘弹起,窗口顶起,变形解决办法,Vue中input组件在IOS设备上弹出软键盘时页面整体上移问题的解决方案,以及input组件聚焦后弹出软键盘固定在,Vue3软键盘把界

🏆 前端领域优质创作者 1万+

几大分布:正态分布、卡方分布、t分布、F分布整理

一、正态分布 正态分布(Normal distribution)又名高斯分布(Gaussiandistribution),若随机变量X服从一个数学期望为μ、方差为σ^2的高斯分布,记为N(μ,σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置,其标准差σ决定了分布的幅度。我们通常所说的标准正态分布是μ = 0,σ = 1的正态分布。 二、卡方分布 三、t分布 四、F分布 ...

qq_42828404的博客 6万+

Qt Installer Framework 简单使用

qt installer framework 简单使用

qq_42815643的博客 2576

【工控基础】UVW平台踩坑

1 每个轴按顺时针或逆时针走一个距离,就是旋转。 2 图中W动,U轴V轴不动,就是X方向的平移 3 图中U轴V轴同时动,X不动,就是Y方向的平移。

songhuangong123的博客 6957

概率统计基础(三):常见分布与假设检验

这次概率统计学习基于:Datawhale概率统计组队学习文档 1. 写在前面 这次借着在Datawhale组织的概率统计专题学习的机会再重新温习一遍数学基础,所谓机器学习和深度学习, 背后的逻辑都是数学, 所以数学基础在这个领域非常关键, 而统计学又是重中之重, 机器学习从某种意义上来说就是一种统计学习, 所以这次依然是感谢组织的这次学习机会, 这一版块是整理概率统计的相关内容, 具体知识点可以看上面的链接文档, 基础知识点整理的很全了,所以这次又是站在了大佬的肩膀上前行, 主要是其中的重点知识进行整理和补

Miracle8070 3774

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

统计学T检验与F检验

(这并不是说如果变量间存在关联,我们可得到 5% 或 95% 次数的相同结果,当总体中的变量存在关联,重复研究和发现关联的可能性与设计的统计学效力有关。实践中,最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较,依赖于总体数据集里结论一致的支持性证据的数量,依赖于以往该研究领域的惯例。每一种统计方法的检定的内容都不相同,同样是t-检定,可能是上述的检定总体中是否存在差异,也同能是检定总体中的单一值是否等於0或者等於某一个数值。相反,若比较后发现,出现的机率很高,并不罕见;

Mr__Charles的博客 1376

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

统计学附录,F分布和t分布表

统计学附录 F分布 α=0.005 统计学附录     F—分布临界值表 ——α(0.005―0.10) α=0.005 Fα  k1 k2 1 2 3 4 5 6 8 12 24 ∞ 1 2 3 4 5   6 7 8 9

技术狂人 8万+

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

R语言F分布

F分布是1924年英国统计学家Ronald.A.Fisher爵士提出,并以其姓氏的第一个字母命名的。它是两个服从卡方分布的独立随机变量各除以其自由度后的比值的抽样分布,是一种非对称分布,且位置不可互换。F分布有着广泛的应用,如在方差分析、回归方程的显著性检验中都有着重要的地位。Density, distribution function, quantile function and random generation for the F distribution with and degrees of

qq_27390023的博客 6505

T检验和F检验

1,T检验和F检验的由来 一般而言,为了确定从样本(sample)统计结果推论至总体时所犯错的概率,我们会利用统计学家所开发的一些统计方法,进行统计检定。 通过把所得到的统计检定值,与统计学家建立了一些随机变量的概率分布(probability distribution)进行比较,我们可以知道在多少%的机会下会得到目前的结果。倘若经比较后发现,出现这结果的机率很少,亦即是说,是在机会很少...

zhenglit的博客 3881
上一篇: 【概率分布】指数分布(Exponential Distribution)原理、推导与实战
下一篇: 【统计检验】T检验
「已注销」
博客等级 码龄1年 312粉丝 132原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

「已注销」

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值