方差齐性检验的原理.pdfVIP

统计学搜索整理汇总——方差齐性检验的原理

LXK的结论：齐性检验时F越小（p越大），就证明没有差异，就说明齐，比如F=1.27，p0.05

则齐，这与方差分析均数时F越大约好相反。

LXK注：方差(MS或s2)=离均差平方和/自由度（即离均差平方和的均数）

标准差=方差的平方根（s)

F=MS组间/MS误差=（处理因素的影响+个体差异带来的误差）/个体差异带来的误差

=================

F检验为什么要求各比较组的方差齐性？

——之所以需要这些前提条件，是因为必须在这样的前提下所计算出的t统计量才服从t分布，

而t检验正是以t分布作为其理论依据的检验方法。

在方差分析的F检验中，是以各个实验组内总体方差齐性为前提的，因此，按理应该在方差分析

之前，要对各个实验组内的总体方差先进行齐性检验。如果各个实验组内总体方差为齐性，而且经过

F检验所得个样本所属总体平均数差异显著，这时才可以将个样本所属总体平均数的差异归因于

各种实验处理的不同所致；如果各个总体方差不齐，那么经过F检验所得个样本所属总体平均数差

异显著的结果，可能有一部分归因于各个实验组内总体方差不同所致。

简单地说就是在进行两组或组数据进行比较时，先要使各组数据符合正态分布，另外就是要使

各组数据的方差相等（齐性）。

在SPSS中，如果进行方差齐性检验呢？命令是什么？

方差分析(AnalsisofVariance,ANOVA)要求各组方差整齐，不过一般认为，如果各组人数相若，

就算未能通过方差整齐检验，问题也不大。

One-WaANOVA对话方块中，点击Options…(选项…)按扭，

勾Homogeneit-of-variance即可。它会产生Levene、CochranC、Bartlett-BoxF等检验值

与其显著性水平P值，若P值于0.05，便拒绝方差整齐的假设。

顺带一提，Cochran和Bartlett检定对非正态性相当敏感，

若出现「拒绝方差整齐」的检测结果，或因这原因而做成。

用spss处理完数据的显示结果中，F值，t值与其显著性（sig）都分别是解释什么的？

答案

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(probabilit

distribution)进行比较，我们可以知道在少%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、很罕有的情况下才出现；那我们便可以有信心的说，

这不是巧合，是具有统计学上的意义的(用统计学的话讲，就是能够拒绝虚无假设null

hpothesis,Ho)。相反，若比较后发现，出现的机率很高，并不罕见；那我们便不能很有信心的直指

这不是巧合，也许是巧合，也许不是，但我们没能确定。

F值和t值就是这些统计检定值，与它们相对应的概率分布，就是F分布和t分布。统计显著性（sig）

就是出现目前样本这结果的机率。

至於具体要检定的内容，须看你是在做哪一个统计程序。

举一个例子，

比如，你要检验两独立样本均数差异是否能推论至总体，而行的t检验。

两样本(如某班男生和女生)某变量(如身高)的均数并不相同，

但这差别是否能推论至总体，代表总体的情况也是存在著差异呢？

会不会总体中男女生根本没有差别，只不过是你那麼巧抽到这2样本的数值不同？

为此，我们进行t检定，算出一个t检定值，

与统计学家建立的以「总体中没差别」作基础的随机变量t分布进行比较，

看看在少%的机会(亦即显著性sig值)下会得到目前的结果。

若显著性sig值很少，比如0.05(少於5%机率)，

亦即是说，「如果」总体「真的」没有差别，那麼就

只有在机会很少(5%)、很罕有的情况下，才会出现目前这样本的情况。

虽然还是有5%机会出错，但我们还是可以「比较有信心」的说：