f test 예제

통계학자가 F-테스트를 수행하고 있었습니다. 그는 2.38로 F 통계를 얻었다. 그가 얻은 자유의 정도는 8과 3이었다. F 테이블에서 F 값을 알아보고 5% 수준의 유의성(일꼬리 테스트)에서 null 가설을 거부할 수 있는지 여부를 결정합니다. F-통계는 F-테스트에 대한 테스트 통계입니다. 일반적으로 F-통계는 약 1의 F 통계를 생성하는 null 가설에 따라 대략 같을 것으로 예상되는 두 수량의 비율입니다. ANOVA는 F-검정을 사용하여 그룹 평균 간의 가변성이 그룹 내의 관측값의 가변성보다 큰지 여부를 결정합니다. 이 비율이 충분히 크면 모든 수단이 동일하지는 않다는 결론을 내릴 수 있습니다. 분산의 단방향 분석에서 F-테스트는 미리 정의된 여러 그룹 내에서 정량 적 변수의 예상 값이 서로 다른지 여부를 평가하는 데 사용됩니다. 예를 들어, 의학 시험이 네 가지 치료법을 비교한다고 가정해 봅시다. ANOVA F-test는 4개의 처리가 동일 평균 응답을 산출한다는 null 가설에 대하여 그 외에 평균적으로 우수하거나 열등한 처리의 어느 것이인지 평가하기 위하여 이용될 수 있습니다.

이것은 “옴니버스” 테스트의 예로서, 여러 가지 가능한 차이점을 감지하기 위해 단일 테스트가 수행된다는 것을 의미합니다. 양자택일로, 우리는 처리 중 쌍으로 시험을 수행할 수 있었습니다 (예를 들면, 4개의 처리를 가진 의학 예에서 우리는 처리의 쌍 중 6개의 시험을 수행할 수 있었습니다). ANOVA F-테스트의 장점은 어떤 치료법을 비교할지 미리 지정할 필요가 없으며 여러 번 비교하기 위해 조정할 필요가 없다는 것입니다. ANOVA F-테스트의 단점은 우리가 null 가설을 거부하면 어떤 치료법이 다른 치료법과 크게 다르다고 할 수 있는지 알지 못하며, F-검이 레벨 α에서 수행되는 경우 치료 쌍이 가장 큰 평균 d라고 명시 할 수 있다는 것입니다. 레벨 α에서 추론이 현저히 다르다. T-테스트를 이해하는 것에 대한 내 게시물에서와 같이, 나는 ANOVA F-테스트를 설명하는 방정식보다는 개념과 그래프에 초점을 맞출 것이다. F 테스트를 실행하는 경우 Excel, SPSS, Minitab 또는 다른 종류의 기술을 사용하여 테스트를 실행해야 합니다. 왜? 분산을 포함하여 손으로 F 테스트를 계산하는 것은 지루하고 시간이 많이 걸립니다. 따라서 당신은 아마 길을 따라 몇 가지 오류를 만들 수 있습니다.

3 단계 : 가장 큰 분산을 취하고 f 값을 얻기 위해 가장 작은 분산으로 나눕니다. 예를 들어 두 분산이 s1 = 2.5 및 s2 = 9.4인 경우 9.4 / 2.5 = 3.76으로 나눕니다. 왜? 가장 큰 분산을 맨 위에 배치하면 F-검정이 오른쪽 꼬리 테스트로 강제 변환되며, 이는 왼쪽 꼬리 테스트보다 계산하기가 훨씬 쉽습니다. “F 테스트”는 F 배포판을 사용하는 모든 테스트에 대한 포괄 용어입니다. 대부분의 경우, 사람들이 F-테스트에 대해 이야기 할 때, 그들이 실제로 이야기하는 것은 두 가지 차이를 비교하는 F-테스트입니다. 그러나, f-통계는 회귀 분석, 차우 테스트 및 Scheffe 테스트(Post-hoc ANOVA 테스트)를 포함한 다양한 시험에 사용된다. 분산이 같으면 분산 비율이 1이 됩니다. 예를 들어 샘플 1(분산 10)과 샘플 2(분산 10)가 있는 두 개의 데이터 집합이 있는 경우 비율은 10/10 = 1입니다. 4단계: 알파 레벨을 선택합니다. 질문에 알파가 명시되지 않았기 때문에 0.05를 사용합니다(통계에서 표준 “이동”).

이것은 두 꼬리 테스트의 경우 절반으로 줄여야하므로 0.025를 사용하십시오. 이 비율을 이해하는 가장 좋은 방법은 단방향 ANOVA 예제를 안내하는 것입니다. 10 %의 중요성의 수준으로 두 꼬리 F 테스트를 실시합니다. F-테스트를 수행하는 동안, 우리는 널과 대체 가설을 프레임해야합니다.