统计学家使用 f 检验来检查两个数据集是否具有相同的方差。 f 检验以罗纳德·费舍尔爵士的名字命名。为了使用 f 检验，我们做出两个假设，一个原假设和一个备择假设。然后我们选择 f 检验认可的这两个假设中的任何一个。
方差是一种数据分布度量，用于说明数据与平均值的偏差。较高的值比较较小的值显示出更大的离散度。
在本文中，您将学习如何在python编程语言中执行f-test以及其使用案例。
f-测试过程执行f-检验的过程如下：
首先，定义原假设和备择假设。
零假设或h0：σ12 = σ22（总体方差相等）
替代假设或 h1：σ12 ≠ σ22（总体方差不相等）
选择用于测试的统计数据。
计算总体的自由度。例如，如果 m 和 n 是总体形状，则自由度分别表示为 (df1) = m–1 和 (df2) = n – 1。
现在从 f 表中查找 f 值。
最后，将双尾检验的 alpha 值除以 2，计算出临界值。
因此，我们使用总体的自由度定义 f 值。我们读取第一行中的 df1，而第一列中的 df2。
有各种用于独特自由度的 f 表。我们将步骤 2 中的 f 统计量与步骤 4 中计算的临界值进行比较。如果临界值小于 f 统计量，我们可以拒绝原假设。相反，当临界值在某个显着水平上大于f统计量时，我们可以接受原假设。
假设在进行基于数据集的f-检验之前，我们做出了一些假设。
数据总体服从正态分布，即符合钟形曲线。
样本之间不相关，即人群中不存在多重共线性。
除了这些假设之外，在进行f检验时，我们还应考虑以下关键要点：
最大方差值应该在分子中以执行右尾检验。
在双尾检验中，将alpha除以2后确定临界值。
检查是否存在方差或标准差。
如果 f 表中没有自由度，则以最大值作为临界值。
f-test在python中的应用语法scipy stats.f()
参数x : quantilesq : lower or upper tail probabilitydfn, dfd shape parametersloc :location parameterscale : scale parameter (default=1)size : random variate shapemoments : [‘mvsk’] letters, specifying which moments to compute
explanation的中文翻译为：解释在这种方法中，用户必须将f_value和每个数组的可迭代长度传递给scipy.stats.f.cdf()，并将其减去1以执行f检验。
算法首先，导入numpy和scipy.stats库进行操作。
然后创建两个具有两个不同变量名称的随机选择值列表，并将它们转换为 numpy 数组，并使用 numpy 计算每个数组的方差。
定义一个函数来计算f分数，其中首先我们将数组的方差除以自由度为1。
然后计算每个数组的可迭代长度，并将 f 值（方差比率）和长度传递到 cdf 函数中，并从 1 中减去该长度以计算 p 值。
最后，函数返回 p_value 和 f_value。
示例import numpy as npimport scipy.stats# create datagroup1 = [0.28, 0.2, 0.26, 0.28, 0.5]group2 = [0.2, 0.23, 0.26, 0.21, 0.23]# converting the list to an arrayx = np.array(group1)y = np.array(group2)# calculate the variance of each groupprint(np.var(group1), np.var(group2))def f_test(group1, group2): f = np.var(group1, ddof=1)/np.var(group2, ddof=1) nun = x.size-1 dun = y.size-1 p_value = 1-scipy.stats.f.cdf(f, nun, dun) return f, p_value# perform f-testf_test(x, y)
输出variances: 0.010464 0.00042400000000000017
您可以观察到 f 检验值为 4.38712， 相应的 p 值为 0.019127。
由于p值小于0.05，我们将放弃零假设。因此，我们可以说这两个总体的方差不相等。
结论读完本文后，您现在知道如何使用 f 检验来检查两个样本是否属于具有相同方差的总体。您已经了解了 f 测试过程、假设和 python 实现。让我们用一些要点来总结这篇文章 -
f检验告诉你两个总体是否具有相等的方差。
计算自由度并计算临界值。
从f-表中找到f统计量，并将其与在前一步计算的关键值进行比较。
根据临界值和 f 统计量比较接受或拒绝原假设。
以上就是如何在python中执行f检验的详细内容。