Coding-everyday

# 1. 如何理解方差分析和F分布?

问题：用不同的混合肥料，马铃薯的产量是否会不同。

费希尔的做法是在农田中种上马铃薯，不同部分施用不同的混合肥料。然后在收获后对数据进行采样，看不同实验组的产量是否不同。

费希尔也知道，马铃薯不是什么工业产品，本身产量就会有波动，肯定不能说某个实验组产量多了20%就说该组施用的混合肥料有效果，至少需要考虑以下两个问题

（1）概率。马铃薯的产量X本身具有随机性，比如说服从某正态分布：

根据该分布，产量在-20%-20%之间波动可能性较大，因此如果某实验组产量多了20%，并没有把握说混合肥料产生了效果（因为不可能知道所有马铃薯的产量，所以无法真正算出μ，也就不可能真正知道该正态分布N(μ,σ^2)，因此用虚线画出）：

而产量在50%之上的波动可能性较小，因此如果某实验组产量多了50%，那么说明混合肥料可能真的产生了效果：

就此，费希尔设计了组间方差这个统计量，当组间方差较大的时候，说明发生了低概率事件，从而说明混合肥料可能真的产生了效果。

（2）原因。马铃薯的产量X如果是随机波动，那么应该是有增有减的。比如从某个实验组中采样得到五株马铃薯，记录每株的重量，得到五个点。算出该实验组的平均产量X'相对于μ增加了20%，并且五个点相对于μ有增有减，分散在X'的四周，这就说明重量变化是由于随机波动造成的：

如果某个实验组平均产量X'相对于μ还是只增加了20%，但组内所有的马铃薯植株上的产量都是增加，紧密的围绕在X'的附近，那么说明混合肥料可能真的产生了效果，造成组内所有马铃薯的重量都增加了：

就此，费希尔设计了组内方差这个统计量，当组内方差较小的时，说明该试验组的普遍增产（或减产），也说明混合肥料可能真的产生了效果（组间方差、组内方差这两个统计量接下来会进一步介绍）。

综合上面两个问题，费希尔设计了一个假设检验：

从抽样到计算完成该假设检验，就称为方差分析。

下面用具体的数据进行下实战讲解。假设有A、B、C三组马铃薯，每组施用不同的肥料。在每组中各选五株，记录每株产出的马铃薯的重量，所得表格如下：

根据上面表格，画出来的图像是这样的：

可以看出：

所以是很有把握认为这三组产量不同，并且是由于混合肥料导致的。当然上面是定性分析，下面看看如何定量分析。

首先需要知道发生了低概率事件，即是否有某组（在本例中是A组）的样本均值远离μ。因为μ是没有办法真正知道的，实际计算时只能用所有样本的均值X'来代替（本例中就是15株马铃薯的均值），然后计算各个实验组的样本均值与X‘的距离，累加起来就得到了组间方差：

忽略其中的常数，可以看出，组间方差较大时说明发生了低概率事件。

将各个实验组的方差加起来就得到了组内方差（其中也多了些常数，暂时可以不用管）：

其中xAi、xBi、xCi是各组内的某株马铃薯的重量。组内方差越小，说明各个实验组变换越一致，越有可能是由混合肥料导致的。

费希尔接着构造了组间方差/组内方差这么一个统计量，它综合了“概率”和“原因”这两个角度。为了说明这点，我们又对之前的A、B、C三组进行了多次实验，得到不同的组间方差、组内方差：

解读下：

第一行，组间方差大，说明可能发生了低概率事件；组内方差小，说明组内变化可能一致。本文的例子算出来就是该行。那么有充分的理由相信，这三组中其中某组（也可能是某两组、某三组）的产量有所不同，并且这种不同很可能是由于混合肥料造成的
第二行，组间方差一般大，组内方差也是一般大，没有充分的理由相信这三组是不同的，保守一点，我们判断这三组是相同的
第三行，组间方差足够小，说明可能没有发生低概率事件；组内方差足够大，说明可能组内的变化不一样。那么还是保守地判断这三组是相同的

可见统计量组间方差/组内方差越大，那么三组不同的可能性越大。那具体要大到什么程度，才有把握说三组是不同的呢？这就需要F分布进行最后的检验（F就是Fisher的首字母，所以你也可以称之为费希尔分布）。

可以证明，满足某些条件的情况下（比如总体和样本都是正态分布），统计量组间方差/组内方差是服从F分布的：

此时，当组间方差/组内方差的值足够大，大到落入F分布的右边区域（也称为拒绝域）时，就有把握说三组是不同的：

至此就完成了假设检验，也就是完成了方差分析：

t检验和方差分析的区别在于，t检验是判断两组数据是否不同，而方差分析可以判断三组或者更多组数据是否存在不同。

从本文介绍可知，方差分析只是知道了这三组是否有差异，具体是到是哪组有差异，还需要别的统计方法。比如对这三组两两进行t检验。