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=S12S22（大方差放分子） F = \frac{S_1^2}{S_2^2} \quad（大方差放分子）F=S22S12（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）
| 情况 | 推荐方法 |
|---|---|
| 两组数据 + 正态 | F 检验 |
| 多组数据 + 正态 | Bartlett 检验 |
| 任意组数 + 不确定正态 | Levene 检验（首选） |
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
importnumpyasnpimportpandasaspdimportseabornassnsimportmatplotlib.pyplotaspltfromscipyimportstats# 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DataFramedf=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 =====")ifbartlett_p<0.05:print("Bartlett：方差不齐 ❌")else:print("Bartlett：方差齐 ✅")iflevene_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：
- ✅ 使用Welch t 检验（不要求方差齐）
- ✅ 使用Welch ANOVA
- ✅ 数据变换（log、根号等）
- ✅ 使用非参数检验（Kruskal-Wallis）
九、方差齐性检验总结（背诵版）
- 是 t 检验、ANOVA 必做前置检验
- 检验各组波动是否差不多
- Levene 检验最稳健，优先用
- p < 0.05 → 方差不齐
- 不齐就换稳健方法，不要硬做普通 t / ANOVA
