F-статистика¶

F-статистика (F-критерий, критерий Фишера) — это статистический показатель, используемый для проверки гипотез о равенстве дисперсий двух выборок или о значимости регрессионной модели в целом. Она представляет собой отношение двух независимых оценок дисперсии, подчиняющееся распределению Фишера (F-распределению). F-статистика широко применяется в дисперсионном анализе (ANOVA), регрессионном анализе и других областях математической статистики.

¶История

F-статистика была разработана английским статистиком и биологом Рональдом Фишером в 1920-х годах. Фишер ввёл её для анализа дисперсии в сельскохозяйственных экспериментах, где требовалось сравнивать средние значения нескольких групп. Первоначально критерий назывался «дисперсионным отношением» (variance ratio). В 1934 году американский статистик Джордж Снедекор предложил обозначать распределение этого отношения буквой F в честь Фишера, а также составил таблицы критических значений, которые стали стандартными для проверки гипотез.

¶Математическое определение

Пусть имеются две независимые случайные величины \( X_1 \) и \( X_2 \), распределённые по закону хи-квадрат с \( d_1 \) и \( d_2 \) степенями свободы соответственно. Тогда F-статистика определяется как отношение этих величин, нормированное на число степеней свободы:

\[ F = \frac{X_1 / d_1}{X_2 / d_2} \]

Эта величина подчиняется F-распределению с параметрами \( d_1 \) (степени свободы числителя) и \( d_2 \) (степени свободы знаменателя). Плотность F-распределения зависит только от этих двух параметров и имеет асимметричную форму, смещённую вправо.

¶Свойства F-распределения

• Математическое ожидание: \( E[F] = \frac{d_2}{d_2 - 2} \) при \( d_2 > 2 \).
• Дисперсия: \( Var(F) = \frac{2 d_2^2 (d_1 + d_2 - 2)}{d_1 (d_2 - 2)^2 (d_2 - 4)} \) при \( d_2 > 4 \).
• При увеличении числа степеней свободы знаменателя F-распределение приближается к нормальному.

¶Применение F-статистики

¶Проверка гипотезы о равенстве дисперсий

F-статистика используется для проверки нулевой гипотезы \( H_0: \sigma_1^2 = \sigma_2^2 \) против альтернативной \( H_1: \sigma_1^2 \neq \sigma_2^2 \). Для двух независимых выборок объёмом \( n_1 \) и \( n_2 \) вычисляется:

\[ F = \frac{s_1^2}{s_2^2} \]

где \( s_1^2 \) и \( s_2^2 \) — выборочные дисперсии. Если вычисленное значение F превышает критическое из таблицы F-распределения при заданном уровне значимости (обычно 0,05), нулевая гипотеза отвергается. Этот тест чувствителен к отклонениям от нормальности распределения данных.

¶Дисперсионный анализ (ANOVA)

В однофакторном дисперсионном анализе F-статистика позволяет проверить гипотезу о равенстве средних в нескольких группах. Она вычисляется как отношение межгрупповой дисперсии к внутригрупповой:

\[ F = \frac{MS_{between}}{MS_{within}} \]

где \( MS_{between} \) — средний квадрат отклонений между группами, а \( MS_{within} \) — средний квадрат отклонений внутри групп. Большое значение F указывает на то, что различия между группами значимы по сравнению с случайными колебаниями внутри групп.

¶Регрессионный анализ

В множественной линейной регрессии F-статистика используется для проверки общей значимости модели. Нулевая гипотеза \( H_0: \beta_1 = \beta_2 = ... = \beta_k = 0 \) (все коэффициенты регрессии равны нулю) проверяется с помощью:

\[ F = \frac{SSR / k}{SSE / (n - k - 1)} \]

где \( SSR \) — сумма квадратов регрессии, \( SSE \) — сумма квадратов ошибок, \( k \) — число предикторов, \( n \) — объём выборки. Если F-статистика превышает критическое значение, модель считается статистически значимой.

¶Другие применения

• Тест Чоу: проверка структурных изменений в регрессионных моделях.
• Тест Голдфелда — Куандта: проверка гетероскедастичности остатков.
• Анализ временных рядов: сравнение качества моделей ARIMA.

¶Таблицы критических значений

Для практического использования F-статистики разработаны таблицы критических значений F-распределения для различных уровней значимости (0,10; 0,05; 0,01; 0,001) и комбинаций степеней свободы. В современной статистике таблицы заменяются программными вычислениями (например, в R, Python, SPSS, Excel), которые позволяют получить точное p-значение.

¶Ограничения и критика

• Чувствительность к нормальности: F-статистика для проверки дисперсий и ANOVA требует нормального распределения данных. При значительных отклонениях от нормальности результаты могут быть ненадёжными.
• Робастность: при больших объёмах выборок (n > 30) ANOVA относительно устойчива к нарушениям нормальности, но не к гетероскедастичности.
• Множественные сравнения: использование F-статистики в ANOVA не позволяет определить, какие именно группы различаются; для этого требуются апостериорные тесты (например, Тьюки, Шеффе).
• Интерпретация: F-статистика не даёт информации о размере эффекта — только о его статистической значимости.

¶Пример

Рассмотрим эксперимент с тремя группами растений, обработанных разными удобрениями. Выборочные средние: 10, 12, 14 см; общая средняя — 12 см. Межгрупповая дисперсия: \( MS_{between} = 8 \), внутригрупповая дисперсия: \( MS_{within} = 2 \). Тогда F = 8 / 2 = 4. При степенях свободы 2 и 27 (n=30) критическое значение при α=0,05 равно 3,35. Так как 4 > 3,35, нулевая гипотеза о равенстве средних отвергается — удобрения оказывают статистически значимое влияние.

¶Источники

• Фишер Р. А. Статистические методы для исследователей. — М.: Госстатиздат, 1958.
• Снедекор Дж. У. Статистические методы в применении к исследованиям в сельском хозяйстве и биологии. — М.: Сельхозгиз, 1961.
• Гмурман В. Е. Теория вероятностей и математическая статистика. — М.: Высшая школа, 2003.
• Montgomery D. C. Design and Analysis of Experiments. — 8th ed. — Wiley, 2012.
• Lehmann E. L., Romano J. P. Testing Statistical Hypotheses. — 3rd ed. — Springer, 2005.