F-Verteilung-Rechner

Was ist die F-Verteilung?

Die F-Verteilung entsteht beim Vergleich zweier Varianzen – sie ist das Verhältnis zweier Chi-Quadrat-Verteilungen, jeweils geteilt durch ihre Freiheitsgrade.

Parameter:

• df₁ = Zähler-Freiheitsgrade
• df₂ = Nenner-Freiheitsgrade

Hauptanwendungen:

• ANOVA (Vergleich von Mittelwerten über Gruppen hinweg)
• Prüfung der Varianzgleichheit
• Signifikanz von Regressionsmodellen

Von der F-Statistik zum p-Wert

Dieser Rechner wandelt eine F-Statistik in einen p-Wert um:

Beispiel: F = 4,25, df₁ = 3, df₂ = 20 p-Wert = P(F > 4,25) = 0,018

Da p < 0,05, ist das Ergebnis statistisch signifikant.

Anwendungen

ANOVA (Varianzanalyse)

„Unterscheiden sich die Mittelwerte von drei oder mehr Gruppen?"

F = (Varianz zwischen Gruppen) / (Varianz innerhalb der Gruppen) df₁ = Anzahl Gruppen - 1 df₂ = Gesamtbeobachtungen - Anzahl Gruppen

Ein großer F-Wert deutet darauf hin, dass sich die Gruppenmittelwerte unterscheiden.

Testen von Regressionsmodellen

„Ist das Regressionsmodell insgesamt signifikant?"

F = (Mittlere Quadratsumme des Modells) / (Mittlere Quadratsumme des Fehlers) df₁ = Anzahl der Prädiktoren df₂ = n - Prädiktoren - 1

Vergleich zweier Varianzen

„Haben zwei Populationen gleiche Varianz?"

$F = \frac{s_1^2}{s_2^2}$ (größere Varianz im Zähler)

$df_1 = n_1 - 1, \quad df_2 = n_2 - 1$

Vergleich verschachtelter Modelle

„Verbessert das Hinzufügen von Variablen das Modell signifikant?"

F = [(RSS_reduziert - RSS_voll) / q] / [RSS_voll / (n - k - 1)]

Wobei q = Anzahl der hinzugefügten Prädiktoren.

Eigenschaften der Verteilung

Die F-Verteilung:

• Ist immer nicht-negativ (Verhältnis positiver Größen)
• Ist rechtsschief
• Mittelwert ≈ df₂/(df₂ - 2) für df₂ > 2
• Wird mit steigenden df weniger schief

Form nach Freiheitsgraden

Kritische Werte

Für α = 0,05:

Der Inverse F-Verteilung Rechner liefert kritische Werte für jede df-Kombination.

Historische Entwicklung

Ronald Fisher (1890-1962) entwickelte die F-Verteilung in den 1920er Jahren als Teil seiner Arbeit zur ANOVA.

Die Verteilung wurde zu Ehren Fishers von George Snedecor „F" genannt, der die ANOVA-Methoden in seinem einflussreichen Lehrbuch (1937) popularisierte.

Fishers Erkenntnis bestand darin, dass Varianzverhältnisse unter der Nullhypothese einer bestimmten Verteilung folgen, was formale Tests von Gruppenunterschieden ermöglicht.

Mathematische Definition

Wenn $U \sim \chi^2(df_1)$ und $V \sim \chi^2(df_2)$ unabhängig sind:

$F = \frac{U/df_1}{V/df_2}$

Dieses Verhältnis folgt $F(df_1, df_2)$.

Beziehung zu anderen Verteilungen

Chi-Quadrat: F ist ein Verhältnis von Chi-Quadrat-Verteilungen

t-Verteilung: T² ~ F(1, df)

Wenn t einer t(df)-Verteilung folgt, dann folgt t² einer F(1, df)-Verteilung

Beta-Verteilung: F steht durch Transformation in Beziehung zur Beta-Verteilung

ANOVA im Detail

Einfaktorielle ANOVA

Vergleich der Mittelwerte von k Gruppen:

$F = \frac{MSB}{MSW}$

Wobei:

• $MSB$ = Mittlere Quadratsumme zwischen Gruppen = $SSB / (k-1)$
• $MSW$ = Mittlere Quadratsumme innerhalb der Gruppen = $SSW / (n-k)$
• $df_1 = k - 1$
• $df_2 = n - k$

Zweifaktorielle ANOVA

Testen zweier Faktoren und ihrer Interaktion:

• F für Faktor A: MSA / MSFehler
• F für Faktor B: MSB / MSFehler
• F für Interaktion: MSAB / MSFehler

Jeder hat seine eigenen df₁, mit gemeinsamen df₂ = Fehler-df.

Annahmen

Für ANOVA:

1. Unabhängigkeit: Beobachtungen sind unabhängig
2. Normalität: Populationen sind normalverteilt
3. Varianzhomogenität: Gleiche Varianzen über Gruppen hinweg

ANOVA ist robust gegenüber moderaten Verletzungen der Normalitätsannahme, aber empfindlich gegenüber Varianzheterogenität, besonders bei ungleichen Gruppengrößen.

Für den Varianzverhältnis-Test:

1. Unabhängigkeit: Stichproben sind unabhängig
2. Normalität: Beide Populationen sind normalverteilt

Der F-Test für Varianzen reagiert empfindlich auf Abweichungen von der Normalverteilung.

Einseitig vs. Zweiseitig

ANOVA (einseitig):

Nur große F-Werte weisen auf Gruppenunterschiede hin. p-Wert = P(F > beobachtetes F)

Varianzvergleich (oft zweiseitig):

Testen, ob sich Varianzen in eine der beiden Richtungen unterscheiden. p-Wert = 2 × min(P(F > f), P(F < f))

Oder verwenden Sie: P(F > max(s₁²/s₂², s₂²/s₁²))

Interpretation von F-Statistiken

Ein großes F zeigt an:

• Gruppenmittelwerte unterscheiden sich erheblich (ANOVA)
• Varianzen sind ungleich (Varianztest)
• Das Modell erklärt signifikante Variation (Regression)

F nahe 1 deutet darauf hin:

• Gruppenmittelwerte sind ähnlich
• Varianzen sind ähnlich
• Das Modell erklärt wenig Variation

Effektstärke mit F

F allein misst keine Effektstärke. Berichten Sie:

Eta-Quadrat (η²): SSB / SST (Anteil der erklärten Varianz)

Omega-Quadrat (ω²): Korrigierte Version, weniger verzerrt

Partielles Eta-Quadrat: Für faktorielle Designs

Verwandte Berechnungen

• Inverse F-Verteilung Rechner — Kritische F-Werte finden
• Einfaktorielle Varianzanalyse Rechner — Gruppenmittelwerte vergleichen
• Chi-Quadrat-Verteilung Rechner — Komponente von F
• t-Verteilung Rechner — Verwandte Verteilung
• Freiheitsgrade Rechner — Freiheitsgrade berechnen

Zusammenfassung

Die F-Verteilung – ein Verhältnis zweier Chi-Quadrat-Verteilungen – ist die Grundlage der Varianzanalyse und von Tests zum Vergleich von Varianzen. Mit zwei Freiheitsgrad-Parametern (Zähler und Nenner) testen F-Statistiken, ob sich Gruppenmittelwerte unterscheiden, ob ein Regressionsmodell signifikant ist oder ob zwei Populationen gleiche Varianz haben. Das Verständnis der F-Verteilung ermöglicht die korrekte Interpretation von ANOVA-Ergebnissen und Varianzvergleichen in experimentellen und beobachtenden Studien.