Распределение Фишера критические значения: как искать F-квантили

Когда нужно сравнить две дисперсии или проверить значимость факторов в дисперсионном анализе, на сцену выходит распределение Фишера (F-распределение), а его критические значения определяют границу между «случайным разбросом» и «статистически значимым эффектом». Ниже разберём, что такое распределение Фишера, откуда берутся его две степени свободы, как читать таблицу критических значений F-распределения и как корректно применять F-квантили в F-критерии равенства дисперсий и в ANOVA.

Что такое распределение Фишера

Распределение Фишера возникает как отношение двух независимых хи-квадрат величин, поделённых на свои степени свободы. Если $U \sim \chi^2_{d_1}$ и $V \sim \chi^2_{d_2}$ независимы, то

$F = \frac{U/d_1}{V/d_2}$

имеет распределение Фишера с $d_1$ степенями свободы в числителе и $d_2$ степенями свободы в знаменателе. Обозначают это $F \sim F(d_1, d_2)$. Поскольку числитель и знаменатель - суммы квадратов, F-величина всегда неотрицательна, а её плотность асимметрична и сосредоточена в области положительных значений:

$f(x) = \frac{1}{B\!\left(\frac{d_1}{2}, \frac{d_2}{2}\right)} \left(\frac{d_1}{d_2}\right)^{\frac{d_1}{2}} x^{\frac{d_1}{2}-1} \left(1 + \frac{d_1}{d_2}x\right)^{-\frac{d_1+d_2}{2}}$

где $B$ - бета-функция. Ключевая особенность: распределение задаётся двумя параметрами степеней свободы, и критическое значение зависит от обоих сразу.

Если нужно быстро найти критическое значение $F$ для своих степеней свободы или прогнать F-критерий по двум выборкам, соберите запрос в калькуляторе ниже - он подставит ваши числа и распишет решение по шагам.

Две степени свободы и их роль

В отличие от нормального или экспоненциального закона, распределение Фишера управляется парой чисел $(d_1, d_2)$. Первое - степени свободы числителя - связано с количеством сравниваемых групп или оцениваемых параметров. Второе - степени свободы знаменателя - отражает объём данных, по которому оценивается остаточная (внутригрупповая) дисперсия.

Порядок параметров важен: $F(d_1, d_2)$ и $F(d_2, d_1)$ - это разные распределения с разными критическими значениями. При работе с таблицей всегда сначала находят столбец по $d_1$ (числитель), затем строку по $d_2$ (знаменатель), либо наоборот - но строго в соответствии с тем, какая величина стоит в числителе вашей F-статистики. Перепутанный порядок - самая частая причина неверного вывода.

Критические значения: что это и как их читать

Критическое значение $F_{\alpha}(d_1, d_2)$ - это квантиль уровня $1-\alpha$, то есть такое число, что $P(F > F_{\alpha}) = \alpha$. Площадь под правым хвостом плотности равна выбранному уровню значимости $\alpha$. Если наблюдённая F-статистика превышает критическое значение, нулевую гипотезу отвергают.

Таблицы критических значений распределения Фишера обычно строят для фиксированных $\alpha$ (чаще всего $0{,}05$ и $0{,}01$): на пересечении столбца $d_1$ и строки $d_2$ стоит соответствующий квантиль. Например, $F_{0{,}05}(3, 20) \approx 3{,}10$, а $F_{0{,}05}(3, 60) \approx 2{,}76$. Видно, что с ростом степеней свободы знаменателя критическое значение убывает: больше данных в остатке - меньше требуемый порог.

Применение в F-критерии равенства дисперсий

Классическое применение - проверка гипотезы о равенстве дисперсий двух генеральных совокупностей $H_0: \sigma_1^2 = \sigma_2^2$. Статистика критерия - отношение выборочных дисперсий:

$F = \frac{s_1^2}{s_2^2},$

где в числитель по соглашению ставят большую из двух дисперсий, чтобы $F \geq 1$. Тогда степени свободы числителя равны $d_1 = n_1 - 1$, а знаменателя - $d_2 = n_2 - 1$, где $n_1, n_2$ - объёмы соответствующих выборок. Полученное значение сравнивают с критическим $F_{\alpha}(d_1, d_2)$: если $F > F_{\alpha}$, дисперсии признают статистически различными.

Этот критерий чувствителен к отклонению данных от нормальности, поэтому при «тяжёлых хвостах» предпочтительнее робастные альтернативы (тест Левена, Брауна - Форсайта). Тем не менее F-критерий остаётся базовым инструментом и напрямую опирается на критические значения распределения Фишера.

Применение в дисперсионном анализе

В однофакторном дисперсионном анализе F-статистика - это отношение межгрупповой дисперсии к внутригрупповой:

$F = \frac{MS_{\text{между}}}{MS_{\text{внутри}}},$

где $MS_{\text{между}}$ - средний квадрат отклонений между группами, а $MS_{\text{внутри}}$ - средний квадрат внутри групп. При $k$ группах и общем объёме $N$ степени свободы равны $d_1 = k - 1$ (числитель) и $d_2 = N - k$ (знаменатель). Большое значение $F$ говорит, что различия между групповыми средними велики по сравнению со случайным разбросом внутри групп.

Решение принимают по тому же правилу: $F$ сравнивают с $F_{\alpha}(k-1, N-k)$. Подробный разбор всей процедуры - в материале про однофакторный дисперсионный анализ ANOVA. Поскольку квадрат t-величины с $\nu$ степенями свободы есть $F(1, \nu)$, F-критерий тесно связан с t-тестом - см. разбор про распределение Стьюдента и степени свободы.

Связь критического значения и p-уровня

На практике вместо сравнения с табличным критическим значением часто считают p-уровень: $p = P(F > F_{\text{набл}})$ - вероятность получить наблюдённое или большее значение при верной $H_0$. Эти два подхода эквивалентны: условие $F_{\text{набл}} > F_{\alpha}$ означает то же самое, что $p < \alpha$. Критическое значение - это «граница», а p-уровень - «насколько далеко мы за неё зашли». Статистические пакеты возвращают именно p-уровень, поэтому таблицы критических значений сегодня нужны в основном для понимания логики и для ручных расчётов на экзаменах.

Как ведёт себя критическое значение

Полезно держать в голове несколько закономерностей поведения $F_{\alpha}(d_1, d_2)$:

• При фиксированном $\alpha$ и росте $d_2$ (степеней свободы знаменателя) критическое значение убывает и стремится к пределу, зависящему от $d_1$.
• При $d_2 \to \infty$ величина $d_1 \cdot F$ ведёт себя как $\chi^2_{d_1}$, поэтому критическое значение приближается к $\chi^2_{\alpha}(d_1)/d_1$.
• Уменьшение $\alpha$ (с $0{,}05$ до $0{,}01$) увеличивает критическое значение - порог значимости становится строже.
• Математическое ожидание F-распределения равно $\frac{d_2}{d_2 - 2}$ при $d_2 > 2$, то есть центр распределения чуть больше единицы.

Частые ошибки

• Путают порядок степеней свободы. $F_{\alpha}(d_1, d_2) \neq F_{\alpha}(d_2, d_1)$. Сначала определите, что стоит в числителе вашей статистики, и только потом ищите столбец/строку в таблице.
• Берут $n$ вместо $n-1$. Степени свободы для F-критерия дисперсий - это $n_1 - 1$ и $n_2 - 1$, а не объёмы выборок.
• Сравнивают с двусторонним квантилем. F-критерий по построению односторонний (правый хвост), поэтому критическое значение берут для уровня $\alpha$, а не $\alpha/2$, если в числитель поставлена бо́льшая дисперсия.
• Игнорируют требование нормальности. F-критерий равенства дисперсий чувствителен к негауссовым данным; на «тяжёлых хвостах» он завышает частоту ложных срабатываний.
• Путают критическое значение и p-уровень. Это два эквивалентных, но разных по смыслу числа: одно - порог, другое - достигнутая значимость.

FAQ

Чем распределение Фишера отличается от хи-квадрат и Стьюдента? Распределение Фишера - это отношение двух нормированных хи-квадрат величин, поэтому у него две степени свободы, а не одна. Квадрат t-величины с $\nu$ степенями свободы равен $F(1, \nu)$, что связывает F-распределение с распределением Стьюдента.

Почему в числитель F-статистики ставят большую дисперсию? Чтобы получить $F \geq 1$ и работать с правым хвостом распределения, для которого и составлены стандартные таблицы критических значений. Это удобное соглашение, делающее критерий односторонним.

Как найти критическое значение, если в таблице нет нужных степеней свободы? Можно интерполировать между ближайшими строками и столбцами таблицы либо вычислить точный квантиль через обратную функцию F-распределения в статистическом пакете. Для нижнего хвоста используют свойство $F_{1-\alpha}(d_1, d_2) = 1/F_{\alpha}(d_2, d_1)$.

Коротко

Распределение Фишера описывает отношение двух нормированных хи-квадрат величин и задаётся парой степеней свободы $(d_1, d_2)$ - числителя и знаменателя. Его критическое значение $F_{\alpha}(d_1, d_2)$ отсекает правый хвост площадью $\alpha$ и служит порогом значимости: если наблюдённая F-статистика его превышает, нулевую гипотезу отвергают. В F-критерии равенства дисперсий степени свободы равны $n_1 - 1$ и $n_2 - 1$, в дисперсионном анализе - $k-1$ и $N-k$. Порядок параметров и правильный уровень значимости критичны: перепутанные степени свободы или двусторонний квантиль вместо одностороннего ведут к неверному выводу.