Тест Левена: проверка равенства дисперсий

Тест Левена на равенство дисперсий - это способ проверить, одинаков ли разброс значений в нескольких группах, прежде чем сравнивать их средние. Многие классические методы - от $t$-критерия Стьюдента до однофакторного дисперсионного анализа - опираются на предпосылку гомогенности дисперсий (homoscedasticity). Если этот контроль проигнорировать, выводы о различии групп могут оказаться ложными. Критерий Левена привлекателен тем, что слабо чувствителен к отклонению данных от нормального распределения, в отличие от старого теста Бартлетта. Ниже разберём идею критерия, формулу $F$-статистики, варианты по среднему и медиане, проверку гипотез, число степеней свободы и типичные ошибки интерпретации.

Зачем проверять равенство дисперсий

Равенство (гомогенность) дисперсий - это требование, чтобы случайный разброс наблюдений внутри каждой сравниваемой группы был примерно одинаков. Формально нулевая гипотеза однородности записывается как равенство генеральных дисперсий всех $k$ групп:

$H_0:\ \sigma_1^2 = \sigma_2^2 = \dots = \sigma_k^2.$

Это условие лежит в основе объединённой оценки дисперсии, которую используют и $t$-тест для двух выборок, и однофакторный дисперсионный анализ ANOVA. Когда дисперсии резко различаются, объединять их в одну оценку некорректно: $F$-статистика ANOVA смещается, а реальный уровень значимости перестаёт совпадать с заявленным $\alpha$. Поэтому проверку гомогенности дисперсий выполняют как предварительный шаг - и здесь чаще всего применяют именно тест Левена.

Хотите быстро проверить свои группы на равенство дисперсий? Укажите данные и вариант критерия ниже - инструмент соберёт корректную постановку теста Левена, посчитает $F$-статистику и подскажет, как трактовать результат.

Идея критерия Левена

Тест Левена (Levene's test), предложенный Говардом Левеном в 1960 году, сводит проверку равенства дисперсий к проверке равенства средних - но не самих наблюдений, а их абсолютных отклонений от центра группы. Логика проста: если разброс во всех группах одинаков, то и среднее абсолютное отклонение от центра должно быть примерно равным; если же в какой-то группе данные «разбегаются» сильнее, её отклонения в среднем будут больше.

Для каждого наблюдения $x_{ij}$ ($j$-е наблюдение в $i$-й группе) вычисляют абсолютное отклонение от центра группы:

$z_{ij} = \left| x_{ij} - \bar{x}_i \right|,$

где $\bar{x}_i$ - среднее (или другой центр) $i$-й группы. После этого к новым величинам $z_{ij}$ применяют обычный однофакторный дисперсионный анализ. Именно эта замена «исходных данных на отклонения» и делает критерий устойчивым: проверка дисперсий превращается в привычную проверку средних.

Формула F-статистики

Статистика теста Левена строится точно так же, как $F$-отношение в ANOVA, но для преобразованных величин $z_{ij}$. Если всего $N$ наблюдений, $k$ групп, $N_i$ наблюдений в $i$-й группе, $\bar{z}_i$ - среднее отклонений по группе, а $\bar{z}$ - общее среднее всех $z_{ij}$, то

$W = \frac{(N-k)}{(k-1)} \cdot \frac{\sum_{i=1}^{k} N_i (\bar{z}_i - \bar{z})^2}{\sum_{i=1}^{k} \sum_{j=1}^{N_i} (z_{ij} - \bar{z}_i)^2}.$

В числителе - межгрупповая изменчивость отклонений, в знаменателе - внутригрупповая. Если дисперсии групп равны, оба источника изменчивости сопоставимы и $W$ близка к единице. Чем сильнее различаются дисперсии, тем больше межгрупповой разброс отклонений и тем больше значение $W$.

Обратите внимание: формула не использует напрямую выборочные дисперсии $s_i^2$. Именно переход к абсолютным отклонениям $z_{ij}$ освобождает критерий от жёсткой опоры на нормальность - в отличие от теста Бартлетта, где статистика строится на логарифмах самих дисперсий и потому резко реагирует на тяжёлые хвосты распределения. Численный пример: пусть в трёх группах средние отклонения равны $\bar{z}_1 = 1{,}2$, $\bar{z}_2 = 4{,}0$, $\bar{z}_3 = 1{,}0$ при $\bar{z} = 2{,}07$. Большой разрыв второй группы от остальных даст крупное значение $W$ и, скорее всего, отвержение $H_0$ - то есть данные сигнализируют, что во второй группе разброс заметно выше.

Варианты: среднее, медиана и Браун-Форсайт

У критерия есть несколько версий, отличающихся выбором центра группы в формуле отклонения $z_{ij}$:

• По среднему ($\bar{x}_i$) - исходный вариант Левена. Самый мощный при симметричных, близких к нормальному распределениях.
• По медиане ($\tilde{x}_i$) - модификация Брауна-Форсайта (Brown-Forsythe, 1974). Центром служит медиана группы, поэтому критерий устойчив к выбросам и асимметрии. Это вариант по умолчанию во многих пакетах (например, в SciPy).
• По усечённому среднему (10%-trimmed mean) - компромисс для распределений с тяжёлыми хвостами.

На практике для произвольных данных рекомендуют именно версию Брауна-Форсайта по медиане: она сохраняет корректный уровень значимости даже при заметной асимметрии. Версию по среднему стоит выбирать, только если есть уверенность в симметричности распределения.

Степени свободы и проверка гипотез

Статистика $W$ при справедливой $H_0$ приближённо распределена по закону Фишера $F(k-1,\ N-k)$ с числом степеней свободы числителя $df_1 = k-1$ и знаменателя $df_2 = N-k$. Алгоритм проверки гипотезы стандартный:

1. Сформулировать гипотезы: $H_0$ - все дисперсии равны; $H_1$ - хотя бы одна дисперсия отличается.
2. Вычислить наблюдаемое значение $W$ по преобразованным отклонениям.
3. Найти критическое значение $F_{\text{кр}} = F_{\alpha}(k-1, N-k)$ или $p$-значение.
4. Если $W > F_{\text{кр}}$ (эквивалентно $p < \alpha$) - отвергнуть $H_0$: дисперсии неоднородны. Иначе оснований отвергать однородность нет.

Важно помнить логику: «хороший» для нас результат - это $p > \alpha$, то есть неотвержение $H_0$, дающее право применять ANOVA или $t$-тест в их обычной форме. Это противоположно привычной ситуации, когда исследователь надеется отвергнуть нулевую гипотезу.

Тест Левена и предпосылки ANOVA

Гомогенность дисперсий - лишь одна из трёх предпосылок дисперсионного анализа наряду с независимостью наблюдений и нормальностью остатков. Тест Левена закрывает именно её. Если данные грубо ненормальны, проверять равенство дисперсий тестом Бартлетта нельзя - он крайне чувствителен к отклонению от нормальности и часто ложно «находит» неоднородность. Критерий Левена (особенно вариант Брауна-Форсайта) в этой роли надёжнее и потому стал отраслевым стандартом для предварительной диагностики перед ANOVA.

Связь с ANOVA здесь двойная. Во-первых, тест Левена сам по себе устроен как дисперсионный анализ над отклонениями $z_{ij}$ - это буквально та же $F$-механика, что и при сравнении средних. Во-вторых, его результат определяет, в какой форме применять основной анализ: при подтверждённой однородности используют классический $F$-критерий с объединённой оценкой дисперсии, а при нарушении - переходят к ANOVA Уэлча, которая не требует равных дисперсий и корректирует степени свободы знаменателя. Удобно проводить проверку Левена и основной анализ в одном пакете (SPSS, R, Python/SciPy), чтобы согласованно выбрать центр группы и уровень значимости.

Частые ошибки

• Путают направление вывода. Малое $p$-значение здесь - плохая новость: оно означает неоднородность дисперсий и нарушение предпосылки, а не «успешный» результат.
• Берут версию по среднему для асимметричных данных. При выбросах и скошенности нужна модификация Брауна-Форсайта по медиане, иначе тест завышает долю ложных срабатываний.
• Проверяют дисперсии тестом Бартлетта при ненормальных данных. Бартлетт чувствителен к нарушению нормальности; для таких данных корректен именно тест Левена.
• Считают неравные дисперсии приговором. Отвержение $H_0$ не запрещает сравнивать средние - оно лишь требует перейти к robust-методам (Уэлч, поправка Сатертуэйта).
• Игнорируют размер выборки. На очень больших выборках тест Левена отвергает $H_0$ даже при практически незначимых различиях; смотрите и на величину эффекта, а не только на $p$.

FAQ

Чем тест Левена отличается от теста Бартлетта? Оба проверяют равенство дисперсий, но Бартлетт предполагает нормальность данных и очень чувствителен к её нарушению. Тест Левена работает с абсолютными отклонениями и потому устойчив к ненормальности, что делает его предпочтительным для реальных данных.

Что такое модификация Брауна-Форсайта? Это вариант теста Левена, где центром группы берётся медиана, а не среднее. Замена делает критерий устойчивым к выбросам и асимметрии; именно эту версию большинство статистических пакетов используют по умолчанию.

Что делать, если тест показал неравенство дисперсий? Не отказываться от сравнения групп, а перейти к методам, не требующим гомогенности: ANOVA Уэлча, $t$-критерий Уэлча с поправкой Сатертуэйта на степени свободы или непараметрические критерии (Краскела-Уоллиса).

Коротко

Тест Левена проверяет нулевую гипотезу о равенстве дисперсий нескольких групп, заменяя исходные данные их абсолютными отклонениями от центра (среднего или, в модификации Брауна-Форсайта, медианы) и прогоняя через них однофакторный ANOVA. Статистика $W$ распределена как $F(k-1, N-k)$; малое $p$-значение говорит о неоднородности дисперсий и нарушении предпосылки ANOVA. Благодаря устойчивости к ненормальности критерий Левена вытеснил тест Бартлетта как стандартный инструмент диагностики перед сравнением средних.