【统计检验】方差齐性检验

统计检验前置必做：方差齐性检验｜原理+方法+Python实战全攻略

方差齐性检验是进行 t 检验、方差分析（ANOVA）、线性回归 之前必须做的前提检验，用来判断“不同组数据的波动大小是否差不多”。

一、什么是方差齐性？（一句话看懂）

• 方差：数据的离散程度 / 波动大小
• 方差齐性：不同组的数据波动程度差不多
• 方差不齐：有的组很分散，有的组很集中

超简单例子

• 班级 A：成绩 50~100，波动巨大 → 方差大
• 班级 B：成绩 75~85，非常集中 → 方差小
  这就叫 方差不齐。

二、为什么一定要做方差齐性检验？

因为：
t 检验、方差分析、线性回归 都有一个重要假设：
✅ 各组方差相等（方差齐）

如果方差不齐，你直接做检验：
👉 结果会不准、p 值会骗人、结论会错误！

所以：
方差齐性检验 = 统计分析前的“安全检查”

三、3 种最常用方差齐性检验方法

1. F 检验（两组方差比较）

只适用于 两组数据，且数据符合正态分布。

公式：
$$F=\frac{S_1^2}{S_2^2}（大方差放分子）$$

• H0：方差相等
• H1：方差不等

特点：对正态性非常敏感。

2. Bartlett 检验（多组方差比较）

适用于 3 组及以上，但依然要求数据正态。

原理：基于对数方差和卡方分布。
特点：速度快，但偏离正态就容易误判。

3. Levene 检验（最推荐、最稳健）

✅ 最常用、最实用、最靠谱
✅ 不严格要求正态分布
✅ 两组、多组都能用
✅ 受极端值影响小

原理：计算每个数据到均值或中位数的距离，再做方差分析。

四、方法选择总结（直接照这个选）

五、判断规则（一看就会）

给定显著性水平 α=0.05：

• p < 0.05 → 拒绝 H0 → 方差不齐
• p ≥ 0.05 → 不拒绝 H0 → 方差齐

六、Python 完整实战（可直接运行）

我们模拟 3 组成绩，方差明显不同，然后做检验。

1. 导入库 + 生成数据

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from scipy import stats

# 固定随机种子
np.random.seed(42)

# 生成3组数据（方差明显不同）
group_A = np.random.normal(loc=75, scale=5, size=30)   # 波动小
group_B = np.random.normal(loc=78, scale=8, size=30)   # 波动中
group_C = np.random.normal(loc=80, scale=12, size=30)  # 波动大

# 构建DataFrame
df = pd.DataFrame({
    'Score': np.concatenate([group_A, group_B, group_C]),
    'Group': ['A']*30 + ['B']*30 + ['C']*30
})

2. 可视化：箱线图 + 散点图

plt.figure(figsize=(10, 6))
sns.boxplot(x='Group', y='Score', data=df, palette='Set2')
sns.swarmplot(x='Group', y='Score', data=df, color='black', alpha=0.6)
plt.title('三组成绩分布对比', fontsize=14)
plt.grid(alpha=0.3)
plt.show()

能明显看到：C 组最分散，A 组最集中。

3. 方差齐性检验（核心代码）

# Bartlett 检验（适合正态）
bartlett_stat, bartlett_p = stats.bartlett(group_A, group_B, group_C)

# Levene 检验（最推荐，基于中位数）
levene_stat, levene_p = stats.levene(group_A, group_B, group_C, center='median')

print("===== 方差齐性检验结果 =====")
print(f"Bartlett 统计量: {bartlett_stat:.4f}, p值: {bartlett_p:.4f}")
print(f"Levene  统计量: {levene_stat:.4f}, p值: {levene_p:.4f}")

4. 查看各组方差

print("\n===== 各组描述统计 =====")
print(df.groupby('Group')['Score'].agg(['mean','std','var']))

5. 方差柱状图

plt.figure(figsize=(10, 5))
sns.barplot(x='Group', y='Score', data=df, estimator=np.var, palette='bright')
plt.title('各组成绩方差对比', fontsize=14)
plt.ylabel('Variance')
plt.grid(alpha=0.3, axis='y')
plt.show()

6. 自动结论输出

print("\n===== 最终结论 =====")
if bartlett_p < 0.05:
    print("Bartlett：方差不齐 ❌")
else:
    print("Bartlett：方差齐 ✅")

if levene_p < 0.05:
    print("Levene：方差不齐 ❌")
else:
    print("Levene：方差齐 ✅")

七、结果怎么解读？

你会看到类似输出：

Bartlett p值: 0.0002
Levene  p值: 0.0015

都 < 0.05
→ 方差不齐

八、方差不齐怎么办？（解决方案）

如果检验显示方差不齐，你可以：

1. ✅ 使用 Welch t 检验（不要求方差齐）
2. ✅ 使用 Welch ANOVA
3. ✅ 数据变换（log、根号等）
4. ✅ 使用非参数检验（Kruskal-Wallis）

九、方差齐性检验总结（背诵版）

1. 是 t 检验、ANOVA 必做前置检验
2. 检验各组波动是否差不多
3. Levene 检验最稳健，优先用
4. p < 0.05 → 方差不齐
5. 不齐就换稳健方法，不要硬做普通 t / ANOVA