1 概要
Ｆ検定は、複数の群のばらつき（分散）や、統計モデルの説明力に関する差を評価するために用いられる検定である。帰無仮説の下では、分散の比や説明変数を追加したときの改善量といった量が、ある確率分布に従うことを利用して、有意かどうかを判断する。検定統計量は状況に応じて構成されるが、基本的にＦ分布の形をした理論分布に照らして評価する点が特徴である。
この検定は、観測データの「差」を偶然変動として説明できるかどうかを、確率論的な尺度で整理する枠組みとして位置づけられる。ただし、適用には前提条件があり、特に正規性・独立性・等分散性の扱いが結果の妥当性に直結する。また、回帰分析や分散分析では同じ「Ｆ」という名前でも、目的変数の分解や説明変数の組み替えという異なる意味での統計量が用いられる。
1.1 Ｆ分布との関係
Ｆ検定で中心となるのは、検定統計量がＦ分布に従うという性質である。具体的には、（条件が整えば）分散の比に対応する形が現れ、その比が分子と分母の自由度を持つＦ分布として記述される。これにより、データから計算した統計量が「どれほど稀か」を、対応するＦ分布の片側または両側の確率で評価できる。
分布の形は自由度に依存し、自由度が大きいほど分布は集中し、極端な値の確率は小さくなる傾向がある。従って、同じ数値の統計量でも自由度の設定が異なると判定が変わる場合がある。
1.2 検定統計量の考え方
検定は「帰無仮説が正しいなら、この程度のズレがどれほど起こり得るか」を問う。Ｆ検定では、そのズレの大きさを分散の比や平方和の比として定式化することが多い。平方和（偏差の二乗の総和）を分解し、説明で生じる部分と誤差に相当する部分の比を取ることで、偶然では説明しにくい改善があるかを判定する。
重要なのは、検定統計量の構成が「何を比較しているか」に対応している点である。群のばらつきの差なら分散の比、回帰の説明力の差なら残差の減り方が、統計量の中に反映される。
1.3 主要な用途
主な用途は、(1) 二群以上の分散が同程度かどうかの評価、(2) 分散分析による群間平均の同時評価、(3) 回帰分析におけるモデル全体の有意性や制約の妥当性の検定、の三系統に整理できる。分散分析では、説明要因によって平均が変わるかをまとめて確認するためにＦ検定が多用される。
また、品質管理では工程差の有無、実験計画では因子の効果の有無のように、ばらつきと平均の両面を扱う場面で利用される。社会科学や生物統計でも同様の設計原理が現れるため、モデル化の枠組みとして広く取り入れられている。
2 理論的基礎
Ｆ検定の理論的基礎は、分散（あるいは平方和）の性質と、その比が特定の確率分布へ結びつく点にある。ここで用いる議論は、正規母集団や独立性などの前提を置くことで成立する。結果として、検定統計量はＦ分布に従うとされ、臨界値やＰ値の計算が可能になる。
2.1 分散の比
等分散性が成り立つ状況では、母分散の推定値としての標本分散は同じ尺度を持つ。すると、二つの標本分散の比は「偶然としてはどれくらい大きくなり得るか」という問題に直結する。一般に、正規性と独立性が満たされると、標本分散は自由度に関係する分布（カイ二乗型）に結びつき、その比がＦ分布になる。
このため、二標本の分散比較では分散の比そのものが検定統計量として用いられることが多い。分散分析や回帰では、同じ考え方を平方和の分解に移し替えて、説明部分と誤差部分の比としてＦ統計量を作る。
2.2 自由度
Ｆ分布で重要なのは、分子側と分母側に対応する自由度である。自由度は一般に、標本数や群数、推定したパラメータ数などによって決まる。分子側の自由度は比較によって生じる変動の数、分母側は誤差として見なす変動の数に対応する。
自由度の増減は分布の裾の厚さに影響し、同一の統計量でも棄却の可能性が変わる。したがって実務では、設定したモデルの自由度（特に回帰の制約数）を誤らないことが重要になる。
2.3 帰無仮説と対立仮説
帰無仮説は「差がない」「改善が偶然の範囲内」という主張として置かれる。分散比較なら母分散が等しい、分散分析なら群平均に差がない、回帰なら追加した制約が不要で説明力が変わらない、といった形になることが多い。
対立仮説は帰無仮説を否定する方向で定義され、検定の形（片側か両側か）に応じて、どちらの方向の差もしくは一方向のみを疑うかが決まる。実装や報告では、対立仮説の設定によってＰ値や結論が変わる点に注意が必要である。
2.3.1 有意水準
有意水準は、帰無仮説が真であるのに棄却してしまう確率の上限として扱われる。一般には５％や１％が用いられ、臨界値や棄却域が決まる。Ｆ検定では片側か両側かにより、同じ有意水準でも基準となる臨界値の位置が変わる。
実務では「統計的に有意かどうか」だけでなく、設定した有意水準が分析目的や複数の比較の状況と整合しているかも考慮される。
2.3.2 片側検定と両側検定
片側検定は差の出る方向をあらかじめ特定する場合に用いる。たとえば分散比が大きくなる方向のみを疑うときには、統計量が高い側にあることを根拠に棄却を行う設計になることが多い。
両側検定は、差の方向を問わずに棄却する。分散比では対称性の扱いが工夫されることがあり、報告では検定の定義と採用した両側・片側の設計が一致しているかを確認する必要がある。
3 種類
Ｆ検定は適用場面により複数の「同型な」検定として現れる。ここでは、分散比較、分散分析、回帰分析における代表的な形を整理する。
3.1 二標本の分散の比較
二つの独立な正規母集団から得た標本について、母分散が等しいかを調べる検定がある。通常、標本分散の比を統計量として構成し、Ｆ分布に基づいて棄却の可否を判定する。
この検定では、片側または両側の設定により「どちらの分散が大きいか」を意識した判定が行われる。なお、標本サイズが大きく異なる場合などでは自由度の影響が大きくなるため、結果の解釈は慎重であるべきである。
3.2 分散分析におけるＦ検定
分散分析（ANOVA）では、複数群の平均が同一かどうかを検定する。基本構造として、全変動を「群間の変動」と「群内（誤差）の変動」に分け、群間の説明力が偶然以上に大きいかをＦ統計量で判断する。
一元配置の枠組みでは、群数に対応する自由度と誤差の自由度が定まり、群間平方和と誤差平方和の比がＦ分布に従う。複数群の同時評価を一括で行えるため、事後的な多重比較の前段階として利用されることが多い。
3.3 回帰分析におけるＦ検定
回帰分析におけるＦ検定では、モデルの制約（係数の一部がゼロである等）が成り立つかを確かめる。平方和の分解に基づき、制約なしモデルと制約ありモデルの残差平方和の差が、どれほど偶然を超えているかをＦ統計量として評価する。
3.3.1 全体有意性の検定
全体有意性の検定は、回帰モデルが何らかの説明力を持つかをまとめて確認する用途である。典型的には、全ての説明変数の係数が同時にゼロであるという帰無仮説を置き、残差の減少が十分かどうかをＦ検定で判断する。
この結果は「少なくとも一部の係数が非ゼロである可能性」を示す指標となるが、どの係数が効いているかまでは分からない。係数の個別性を知りたい場合は、別途部分検定や係数検定が必要になる。
3.3.2 部分Ｆ検定
部分Ｆ検定は、特定の係数群や部分空間に関する制約を検証する。たとえば、ある変数を追加したときに説明力が統計的に有意に向上するか、あるいは特定の効果だけを取り除いたときに適合が大きく悪化するかを調べる。
部分検定はモデル比較としても理解でき、制約の数（自由度）が統計量と対応する。実務ではモデルの階層構造（ネストされたモデル）になっていることが多い。
4 前提条件と注意点
Ｆ検定の妥当性は、統計モデルが仮定に整合しているかで決まる。ここでは主要な前提を整理し、満たされない場合にどのような代替や工夫が考えられるかを述べる。
4.1 正規性の仮定
分散の比や平方和の分布をＦ分布に結びつけるには、観測や誤差が正規分布に従うことが前提になる場合が多い。とくに小標本では正規性の崩れが統計量の分布に影響し、Ｐ値の精度が低下しやすい。
ただし、サンプルサイズが十分大きいときには、中心極限定理などにより近似が良くなることがある。それでも、分布の歪みが極端だったり外れ値が多い場合は影響が残り得るため、データの分布診断と合わせた判断が必要である。
4.2 独立性の仮定
検定が想定する自由度の扱いは、サンプルが独立であることに依存する。時系列データや同一対象の反復測定のように、観測間に相関があると、推定した分散や誤差のばらつきが過小評価または過大評価になり得る。
独立性が崩れる場合は、モデル化を変更するか、相関構造を取り込む手法を選ぶ必要がある。単にＦ検定を適用するだけでは、検定の意味がずれてしまう可能性がある。
4.3 等分散性の仮定
二標本の分散比較や一元配置ANOVAの標準形では、群間で分散が等しいことが前提となる。等分散性が成立しないと、統計量の参照分布がずれ、誤った棄却や見逃しが起きる恐れがある。
等分散性は検定だけでなく、残差解析や分散の推定の比較によっても確認される。分散の不均一が予想される設計では、頑健な手法や分散不均一を許容する枠組みが検討される。
4.4 仮定が満たされない場合の代替手法
正規性や等分散性、独立性のいずれかが疑わしい場合、Ｆ検定以外の選択肢が現れる。代表的には、分散不均一に配慮した手法、ノンパラメトリック検定、あるいは一般化線形モデルや混合効果モデルによる再モデリングが挙げられる。
また、推定量の分布に頑健な推定（分散推定の工夫）を使うことで、近似のずれを軽減できる場合がある。どの代替が適切かは、どの仮定が破れているかとデータの構造に依存するため、診断と検討を組み合わせるのが基本となる。
5 計算方法
Ｆ検定の計算は、状況に応じて検定統計量を構成し、Ｆ分布に基づいてＰ値や臨界値による判定を行う流れになる。ここでは、代表的な手順を一般化して示す。
5.1 検定統計量の算出
まず比較すべき量（群間のばらつき、残差の減少、分散の比など）を平方和や分散推定で表す。次に、それらを自由度で割ってスケールを揃え、分子側と分母側の比としてＦ統計量を作る。
このとき、分子と分母が表す意味（説明による変動か、誤差か）を取り違えると判定が崩れるため、定義の対応関係を明確にすることが重要である。
5.2 Ｆ分布表の利用
計算したＦ統計量から棄却域を決めるために、Ｆ分布表（あるいはソフトウェアの分布関数）を用いる。Ｆ分布表は分子側自由度と分母側自由度の組ごとに臨界値を提供する。
同じ有意水準でも片側・両側で扱う尾が異なる場合があるため、表の見方が適切かを確認する必要がある。手計算では小数点や丸めの誤差もあり得るため、可能なら計算環境で再現性のある値を参照する。
5.3 既定の計算手順
実務でよく用いられる手順は、統計量の作成、自由度の決定、臨界値またはＰ値に基づく判定の三段階で整理できる。
5.3.1 分散の比の作成
分散比較では、二つの標本分散を用いて比を計算する。分散の大小で比の向きが変わることがあるが、Ｆ検定の定義に従い、必要なら比を整える。
分散分析や回帰では、分散そのものではなく平方和の比として同等の構造が作られる。いずれの場合も、分子と分母の対応を誤らないことが要点である。
5.3.2 自由度の設定
群数、標本数、推定したパラメータ数から自由度を決める。分子側自由度は比較により説明される変動の数に対応し、分母側自由度は誤差として残る部分の情報量を反映する。
回帰の部分検定では制約数が自由度に影響し、ネストされたモデル関係を前提に計算されることが多い。ここでの自由度計算は結果の基盤になるため、設計行列やモデル指定の確認が欠かせない。
5.3.3 棄却域の判定
計算したＦ統計量を、指定した有意水準に対応する臨界値と比較する。統計量が棄却域に入るなら帰無仮説を棄却し、入らないなら棄却しない。
Ｐ値を求める場合は、Ｆ分布の右尾（片側）または両尾の確率として算出し、その値が有意水準を下回れば棄却に至る。ソフトウェアの出力では「片側か両側か」「尾の扱い」が選択されることがあるため、設定の確認が必要である。
6 解釈
Ｆ検定の解釈は、Ｐ値や臨界値による判断に加えて、効果の大きさや実務的な意味を併せて考えることが重要である。
6.1 Ｐ値の読み取り
Ｐ値は、帰無仮説が真であると仮定したときに、観測された（あるいはそれ以上の）検定統計量が得られる確率として理解される。Ｐ値が小さいほど、帰無仮説が現実のデータと両立しにくいという結論が導かれる。
ただしＰ値が大きい場合は「差がない」と断定するものではない。検出力やサンプルサイズによって、差があっても見えにくいことがあるため、別の観点からの評価が必要になる。
6.2 臨界値との比較
臨界値は、指定した有意水準に対応する閾値であり、これを超えれば棄却となる。Ｆ検定では一般に統計量が大きいほど帰無仮説に不利になる形で棄却域が設定されることが多い。
臨界値との比較は手計算で直感的だが、実装ではＰ値と組み合わせて説明すると誤解を減らせる。特に報告書では、採用した有意水準と臨界値またはＰ値のどちらで結論したかを明記することが望ましい。
6.3 効果の大きさとの違い
統計的有意性と効果の大きさは別物である。Ｆ検定は「偶然で起きやすいかどうか」を評価するため、サンプルが大きいほど小さな差でも有意になり得る。一方で、効果が小さくてもばらつきやデータ構造の条件によって有意にならない場合がある。
回帰や分散分析では決定係数に類する指標や、分散配分に基づく尺度が補助的に示されることがある。実務的には、統計結果をそのまま現場の判断に直結させず、効果量の解釈を併記する方が有用である。
7 応用分野
Ｆ検定は、実験データのばらつきやモデル比較が中心になる領域で利用される。分野固有の目的は異なっても、分析の背後にある統計構造は共通性を持つ。
7.1 実験計画
実験計画では、処理条件や因子が結果に与える影響を評価するために分散分析が用いられることが多い。複数水準の比較を一括で行えるため、要因効果の有無を効率よくスクリーニングできる。
ただし、処理間の分散が等しいという仮定が満たされない設計では、事前に計画段階で対策（変量設計、変換、別モデル）を検討することがある。実験の再現性確保も前提条件の一部として考えられる。
7.2 品質管理
品質管理では、製造工程や条件の変更によって製品特性のばらつきが変わるか、平均が変わるかを調べる場面がある。ばらつきの比較や、工程間の差の有無を統計的に確認する用途でＦ検定が活用されることがある。
一方、工程データには時間依存や集団の階層性が含まれる場合があり、その場合は単純な独立仮定が崩れ得る。したがって、データ生成過程を踏まえたモデル選択が重要になる。
7.3 社会科学
社会科学では、複数のグループに属する観測から平均差や説明力の違いを検討する場面が多い。分散分析を通じて因子効果をまとめて評価したり、回帰モデルの全体的な有意性を確認したりする。
ただし、測定尺度の特性や分布の歪み、共変量の扱いが複雑になりやすい。結果の解釈では、統計的な差と理論的な意味を分けて考え、必要に応じて堅牢な推定や代替モデルを検討する。
7.4 生物統計
生物統計では、実験群や個体群の比較、条件による反応の違いの評価などで分散分析や回帰が頻繁に用いられる。特に多因子実験では、誤差構造の見積もりが重要となり、Ｆ検定がその一部として登場する。
ただし、生物データでは外れ値、群間のばらつきの違い、反復測定の相関などが起きやすい。混合効果モデルのように階層性や相関を扱う枠組みへ拡張することで、前提のずれを抑えることがある。
8 関連する統計手法
Ｆ検定は、他の検定やモデル比較と同じ目的に沿って使われることが多い。ここでは特に関係の深い手法を整理する。
8.1 ｔ検定との関係
ｔ検定は主に平均の差を評価するための検定として知られる。Ｆ検定は分散や平方和の比として構成され、分散分析では平均差をまとめて評価する役割を担うことがある。
例えば、一つの比較に整理できる状況では、ｔ検定とＦ検定が同じ結論に結びつく関係が現れることがある。これは自由度の対応によって説明でき、同一の背後理論が異なる形で現れていると捉えられる。
8.2 カイ二乗検定との関係
カイ二乗検定は主に分割表の独立性や適合度など、頻度データに基づく評価で用いられる。一方でＦ検定は平方和の比という観点から導出され、分布の系統としてはカイ二乗型の量が中間に現れる関係がある。
具体的には、Ｆ分布が分子・分母にカイ二乗型の量を持つ構造として理解できるため、両者は同じ「二乗量と分布」から派生した関係にあるといえる。実務では扱うデータの形が異なるため、適用場面を混同しないことが重要である。
8.3 多重比較との関係
分散分析のＦ検定は、群間平均の差が存在する可能性をまとめて検出する段階として使われることが多い。その後、どの群同士が違うのかを知るには事後比較（多重比較）が必要になる。
多重比較では、複数の検定を行うことによる誤差率の増大を抑える調整（手続きの選択）を行う。Ｆ検定の有意性そのものは多重比較のための前提やスクリーニングとして扱われることがあるが、手続き全体として制御される誤差率を設計し直すことが重要である。
9 歴史
Ｆ検定は、分散や回帰の理論が確立されていく過程の中で整理されてきた。ここでは発展の経緯と、統計学における位置づけを概観する。
9.1 発展の経緯
Ｆ分布に基づく検定は、分布論や推測統計の発達とともに具体化されてきた。特に、正規分布に関する独立な二乗量の比が、特定の分布に従うという洞察が、実務的な検定へとつながった。
分散分析や回帰分析が普及するにつれて、モデル比較の枠組みとしてＦ検定が定着し、教育やソフトウェア実装にも深く組み込まれていった。
9.2 統計学における位置づけ
Ｆ検定は、推測統計と回帰・分散分析の橋渡しとして重要な位置を占める。単なる一検定手法にとどまらず、平方和の分解、自由度の概念、モデル比較の考え方と結びついているため、多様な応用へ拡張しやすい。
現在では、ソフトウェアによる自動計算が広く普及している一方で、前提条件や解釈の注意点は変わらず重要である。理論的背景を理解した上で用いることが、誤った判断を避けるための鍵になる。