《社会科学的数理统计基础讲义》第十章 卡方检验与F检验 10.2 F检验

10.2 F检验（方差分析）

10.2.1 方差分析的基本思想

F检验是一种用于比较多个总体均值差异的统计方法，在分析分类自变量对数值因变量的影响时尤为常用。这种方法更广为人知的名称是方差分析 (ANOVA)。其核心思想在于通过分解方差来源来间接推断均值差异，这是与t检验等直接比较均值的方法有本质区别。

为了确保F检验结论的有效性，方差分析建立在以下三个基本假设之上：

1. 1. 正态性：每个总体应服从或近似服从正态分布。这是因为F统计量的抽样分布基于正态总体推导而来，满足此假设才能保证检验的有效性。
2. 2. 同方差性：各总体的方差应相等。这是比较均值的前提，因为只有当组内波动水平相近时，若发现组间差异显著，我们才能将其归因于均值差异而非方差不同。
3. 3. 独立性：各观测值之间相互独立。该假设确保了数据点提供的信息不重复，是统计推断的基础。

我们具体描述其原理:

核心思想：将数据的总变异分解为不同来源的变异（主要是组间变异和组内变异），然后比较这些变异的大小。如果组间变异显著大于组内变异，则有理由认为不同组的均值存在显著差异。（在方差分析的语境下，“变异”指数值的波动或差异程度，其量化指标是“平方和”。）

变异分解与计算公式：

总变异：反映所有观测值围绕总均值的波动。总平方和 (SST)：所有观测值与总均值之差的平方和。其中，为组数，为第组的样本量，是第组的第个观测值，为总均值。*

组间变异：反映不同处理（水平）带来的系统性差异。组间平方和 (SSA)：各组均值与总均值之差的加权平方和。其中，为第组的组内均值。*

组内变异：反映组内随机误差或个体差异。组内平方和 (SSE)：组内各观测值与本组均值之差的平方和。

检验统计量的构建：方差分析通过比较组间变异与组内变异的相对大小进行推断。为消除数据量（自由度）的影响，我们将平方和转换为均方（Mean Square, MS）。

• • 组间均方 (MSA)：，其中组间自由度 。
• • 组内均方 (MSE)：，其中组内自由度 ，为总样本量。

最终，构建F统计量：

在原假设（各总体均值相等）成立的条件下，该F统计量服从F分布，即 。通过计算得到的F值与F分布的临界值比较（或计算p值），即可判断组间差异是否具有统计学意义。

这种基于方差比较的间接推断方式，使得方差分析在处理多组均值比较时，比多次两两t检验更具优势，能有效控制第一类错误的膨胀。（因为多次两两t检验会成倍增加犯“假阳性”错误的机会，而方差分析通过一次整体性检验，将总的错误概率严格控制在预设水平（如5%）之内。）

10.2.2 单因素方差分析

单因素方差分析是一种用于检验一个自变量（称为“因素”）的不同类别（称为“水平”）是否对某个连续型因变量的均值产生显著影响的统计方法。其分析过程遵循标准的统计假设检验流程。

1. 1. 构建原假设和备择假设。
• • 原假设 (H₀)：所有水平对应的总体均值均相等，即因素对因变量无显著影响。公式表示为：μ₁ = μ₂ = ... = μₖ（k为水平数）。
• • 备择假设 (H₁)：至少有两个水平的总体均值不相等，即因素对因变量有显著影响。
2. 2. 构建检验统计量：F统计量依照上一节的公式，计算方差分析所需要的各指标以及F统计量。进而汇总到方差分析表中：

1. 3. 统计决策与结论在零假设成立的条件下，F统计量服从自由度为(df₁ = k-1, df₂ = N-k)的F分布。将计算得到的F值与选定显著性水平α（如0.05）下的F分布临界值进行比较：

• • 若 F值 > F临界值，则拒绝H₀，认为因素的不同水平对因变量均值有显著影响。
• • 若 F值 ≤ F临界值，则没有充分证据拒绝H₀。

1. 4. 事后检验（附加的）若方差分析的结果显著（拒绝H₀），仅表明至少存在两个水平的均值差异显著，但无法指明具体是哪几组之间存在差异。此时，需要进行事后检验（或称多重比较），如LSD检验、Tukey HSD检验等，以进行两两之间的详细比较。

我们通过一个例子进行说明：

某研究机构希望评估三种不同的台风预警信息发布策略（因素：预警策略）对沿海城市居民应急物资储备天数（因变量：储备天数）的影响。

• • 水平A（基础文本）：通过短信和广播发布简单的台风路径和风力预报。
• • 水平B（多媒体增强）：在A基础上，增加图文推送和短视频，直观展示影响范围和避险指南。
• • 水平C（社区联动）：在B基础上，嵌入社区干部上门讲解和邻里互助动员。我们想知道，不同的台风预警策略，是否会对居民的应急物资储备天数产生显著影响？

收集数据如下：

1. 1. 构建研究假设

• • H₀: μ_A = μ_B = μ_C （三种策略下的平均储备天数无显著差异）
• • H₁: 至少有两种策略下的平均储备天数存在显著差异。

2.构建检验统计量：

总样本量 ，组数 。总均值 

计算平方和 (SS)：

• • 总平方和 (SST)：所有观测值与总均值之差的平方和。
• • 组间平方和 (SSA)：各组均值与总均值之差的加权平方和。
• • 组内平方和 (SSE)：总平方和减去组间平方和。

计算自由度 (df)：

• • 组间自由度：
• • 组内自由度：
• • 总自由度：

计算均方 (MS)：

• • 组间均方：
• • 组内均方：

计算F统计量：

方差分析表：

1. 3. 统计决策和结论设定α = 0.05，查F分布表得临界值 。由于计算F值 13.47 > 3.81，因此*拒绝零假设 (H₀)。因此，可以得出结论：在0.05的显著性水平上，有充分证据表明，不同的台风预警策略对居民的应急物资储备天数产生了显著影响。
2. 4. 事后检验（如果我们想明确差异来源可以继续做LSD或者Tukey HSD。我们这里省略。只展示结果。事后检验表明：

• • 策略B（多媒体增强）和策略C（社区联动）的效果均显著优于策略A（基础文本）。
• • 策略B与策略C之间的效果差异在统计学上不显著。(可以思考一下为啥图形反映出来好像不是这样呢。lol)
• • 这一结果为防灾减灾资源分配提供了依据：将预警信息从“基础文本”升级为“多媒体增强”能显著提升民众准备程度；而进一步投入大量人力进行“社区联动”，其附加效益在此研究中并不明显。决策者可据此优化投入，优先推广“多媒体增强”策略。

• # 加载必要的包library(ggplot2)library(dplyr)# 创建数据框strategy_data <- data.frame(  strategy = factor(rep(c("A_基础文本", "B_多媒体增强", "C_社区联动"),                        times = c(5, 6, 5))),  days = c(3, 4, 5, 4, 3,      # 策略A5, 6, 7, 5, 7, 6,   # 策略B7, 8, 6, 9, 8)      # 策略C)# 单因素方差分析anova_result <- aov(days ~ strategy, data = strategy_data)# 单因素方差分析结果print(summary(anova_result))

  ##             Df Sum Sq Mean Sq F value   Pr(>F)    ## strategy     2  36.44  18.219   19.74 0.000115 ***## Residuals   13  12.00   0.923                     ## ---## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

  # 事后检验tukey_result <- TukeyHSD(anova_result)print(tukey_result)

  ##   Tukey multiple comparisons of means##     95% family-wise confidence level## ## Fit: aov(formula = days ~ strategy, data = strategy_data)## ## $strategy##                  diff    lwr   upr   p adj## B_多媒体增强-A_基础文本  2.2 0.66386108 3.736139 0.0060223## C_社区联动-A_基础文本    3.8 2.19555523 5.404445 0.0000818## C_社区联动-B_多媒体增强  1.6 0.06386108 3.136139 0.0409620

  # 箱线图+均值点+显著性标记ggplot(strategy_data, aes(x = strategy, y = days, fill = strategy)) +  geom_boxplot(alpha = 0.7, width = 0.5) +  geom_jitter(width = 0.2, size = 2, alpha = 0.8) +  stat_summary(fun = mean, geom = "point", shape = 23, size = 4,                fill = "red", color = "black") +  labs(title = "不同预警策略对应急物资储备天数的影响",       subtitle = paste("单因素方差分析: F =",                        round(summary(anova_result)[[1]][1, "F value"], 2),", p =", round(summary(anova_result)[[1]][1, "Pr(>F)"], 4)),       x = "预警策略",        y = "应急物资储备天数（天）") +  scale_fill_manual(values = c("#FF9999", "#99CCFF", "#99FF99")) +  theme_minimal() +  theme(legend.position = "none",        plot.title = element_text(face = "bold"))

  

10.2.3 双因素方差分析及更多因素的方差分析（略）