什么是f检验？
什么是f检验？方差分析又称“F检验”，用于两个及两个以上样本均数差别的显著性检验， 方差分析的基本思想是：通过分析研究不同来源的变异对总变异的贡献大小，从而确定可控因素对研究结果影响力的大小。根据研究中自变量X的不同，方差分析又可以进行细分。X的个数为一个时，我们称之为单因素方差；X为2个时则为双因素方差；X为3个时则称作三因素方差，依次下去。当X超过1个时，统称为多因素方差。单因素方差分析的案例如下：用4种饲料喂猪，共19头猪分为4组，每组用1种饲料。一段时间后称重，比较4种饲料对猪体重增加的作用有无不同。部分数据如下：方差分析结果将从四个方面进行说明，其中包括方差分析结果、图示化、中间过程值以及效应量指标。分析X与Y之间是否呈现出显著性(p值小于0.05或0.01)；如果呈现出显著性；通过具体对比平均值大小，描述具体差异所在。从上表可以看出p值小于0.05，所以不同饲料样本对于体重全部均呈现出显著性差异。及具体对比差异可知， 有着较为明显差异的组别平均值得分对比结果为“B>A;C>A;D>A;C>B;D>B;D>C；D> C> B>A”。也就是说研究中D饲料的成效最好。从折线图中可以看出四种不同饲料直接的体重是具体差异性的，而且饲料D效果最好。接下来对方差结果的中间过程值进行描述。
f检验中f值表示什么意思？
F值是统计检定值，F检验又叫方差齐性检验。通常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母体。结果的统计学意义是结果真实程度的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。T检验和F检验的关系t检验过程，是对两样本均数(mean)差别的显著性进行检验。惟t检验须知道两个总体的方差(Variances)是否相等。t检验值的计算会因方差是否相等而有所不同。t检验须视乎方差齐性(Equality of Variances)结果。SPSS在进行t-test for Equality of Means的同时，也要做Levene's Test for Equality of Variances 。扩展资料统计学是通过搜索、整理、分析、描述数据等手段，以达到推断所测对象的本质，甚至预测对象未来的一门综合性科学。统计学用到了大量的数学及其它学科的专业知识，其应用范围几乎覆盖了社会科学和自然科学的各个领域。统计学家王见定教授指出：社会统计学描述的是变量，数理统计学描述的是随机变量，而变量和随机变量是两个既有区别又有联系，且在一定条件下可以相互转化的数学概念。参考资料来源：百度百科-统计学
显著性检验的四种方法
显著性检验的四种方法如下：1、t检验适用于计量资料、正态分布、方差具有齐性的两组间小样本比较。包括配对资料间、样本与均数间、两样本均数间比较三种。2、t'检验应用条件与t检验大致相同，但t′检验用于两组间方差不齐时，t′检验的计算公式实际上是方差不齐时t检验的校正公式。3、U检验应用条件与t检验基本一致，只是当大样本时用U检验，而小样本时则用t检验，t检验可以代替U检验。4、方差分析用于正态分布、方差齐性的多组间计量比较，常见的有单因素分组的多样本均数比较及双因素分组的多个样本均数的比较。方差分析首先是比较各组间总的差异，如总差异有显著性，再进行组间的两两比较，组间比较用q检验或LST检验等。5、卡方检验卡方检验是计数资料主要的显著性检验方法。用于两个或多个百分比(率)的比较。常见以下几种情况：四格表资料、配对资料、多于2行乘以2列资料及组内分组X2检验。6、零反应检验用于计数资料。是当实验组或对照组中出现概率为0或100%时，X2检验的一种特殊形式。属于直接概率计算法。其中非参数统计方法包括符号检验、秩和检验和Ridit检验，共同特点是简便、快捷、实用。可用于各种非正态分布的资料、未知分布资料及半定量资料的分析。其主要缺点是容易丢失数据中包含的信息。所以凡是正态分布或可通过数据转换成正态分布者尽量不用这些方法。另外，Hotelling检验用于计量资料、正态分布、两组间多项指标的综合差异显著性检验。
显著性检验的结果是什么
在作结论时，应确实描述方向性（例如显著大于或显著小于）。sig值通常用 P>0.05 表示差异性不显著；0.01<P<0.05 表示差异性显著；P<0.01表示差异性极显著。显著性差异是统计学（Statistics）上对数据差异性的评价。通常情况下，实验结果达到0.05水平或0.01水平，才可以说数据之间具备了差异显著或是极显著。当数据之间具有了显著性差异，就说明参与比对的数据不是来自于同一总体（Population），而是来自于具有差异的两个不同总体，这种差异可能因参与比对的数据是来自不同实验对象的。一些一般能力测验中，大学学历被试组的成绩与小学学历被试组会有显著性差异。也可能来自于实验处理对实验对象造成了根本性状改变，因而前测后测的数据会有显著性差异。扩展资料：显著性检验（significance test）就是事先对总体（随机变量）的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设（备择假设）是否合理，即判断总体的真实情况与原假设是否有显著性差异。或者说，显著性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与总体真实情况之间不一致所引起的。 显著性检验是针对我们对总体所做的假设做检验，其原理就是“小概率事件实际不可能性原理”来接受或否定假设。显著性检验即用于实验处理组与对照组或两种不同处理的效应之间是否有差异，以及这种差异是否显著的方法。常把一个要检验的假设记作H0,称为原假设（或零假设） (null hypothesis) ，与H0对立的假设记作H1，称为备择假设(alternative hypothesis) 。⑴ 在原假设为真时，决定放弃原假设，称为第一类错误，其出现的概率通常记作α；⑵ 在原假设不真时，决定不放弃原假设，称为第二类错误，其出现的概率通常记作β(3)α+β 不一定等于1。通常只限定犯第一类错误的最大概率α， 不考虑犯第二类错误的概率β。这样的假设 检验又称为显著性检验，概率α称为显著性水平。最常用的α值为0.01、0.05、0.10等。一般情况下，根据研究的问题，如果放弃真假设损失大，为减少这类错误，α取值小些 ，反之，α取值大些。参考资料来源：百度百科-显著性差异
