F-स्टैटिस्टिक समझें: शुरुआती मार्गदर्शिका

F स्टैटिस्टिक आपको यह जांचने में मदद करती है कि डेटा में पाए गए अंतर सार्थक हैं या सिर्फ यादृच्छिक उतार-चढ़ाव। यह किसी मॉडल या समूहबद्धता द्वारा समझाए गए विचरण की तुलना बचे हुए, न समझाए गए विचरण से करती है।

आप F-स्टैटिस्टिक को आम सांख्यिकीय विधियों जैसे ANOVA और रिग्रेशन विश्लेषण में देखेंगी/देखेंगे। दोनों ही मामलों में यह एक बुनियादी प्रश्न का उत्तर देती है: क्या मॉडल संयोग की तुलना में डेटा को बेहतर समझाता है?

इस गाइड में, हम बताएंगे कि F स्टैटिस्टिक क्या मापती है, इसे कैसे गणना किया जाता है, ANOVA और रिग्रेशन में यह कहाँ दिखती है, और परिणामों की सही व्याख्या कैसे करें।

F स्टैटिस्टिक क्या मापती है

F स्टैटिस्टिक यह मापती है कि मॉडल द्वारा समझाया गया विचरण क्या यादृच्छिक शोर से पैदा हुए विचरण से बड़ा है। यह विचरण के दो स्रोतों की तुलना करती है: एक संकेत (signal) और दूसरा शोर (noise) का प्रतिनिधित्व करता है।

गणितीय रूप से, F स्टैटिस्टिक माध्य-वर्गों (variances) के अनुपात के रूप में होती है:

कई सांख्यिकीय परीक्षणों में, इसे इस तरह लिखा जाता है

F स्टैटिस्टिक इन दो मात्राओं की तुलना करती है।

1. समूहों के बीच का विचरण (Between-group variance): यह मापता है कि समूह औसत एक-दूसरे से कितने अलग हैं। बड़े अंतर बताते हैं कि समूहों का व्यवहार अलग है।

2. समूहों के भीतर का विचरण (Within-group variance): यह मापता है कि प्रत्येक समूह के व्यक्तिगत मान अपने समूह के औसत के आसपास कितने भिन्न होते हैं। यह डेटा में यादृच्छिक शोर या प्राकृतिक परिवर्तनशीलता को दर्शाता है।

यदि समूहों के बीच का विचरण बहुत बड़ा है, तो F मान बड़ा हो जाता है। यह संकेत देता है कि समूहों के बीच अंतर सार्थक हैं। यदि समूहों के भीतर का विचरण हावी है, तो F मान छोटा रहता है। यह संकेत देता है कि देखे गए अंतर संभवतः यादृच्छिक हैं।

F स्टैटिस्टिक कहाँ उपयोग होती है

आप F स्टैटिस्टिक को निम्नलिखित सांख्यिकीय विधियों में देख सकते हैं:

• वैरिएंस का विश्लेषण (ANOVA): ANOVA कई समूह औसतों के भिन्न होने की जांच के लिए F स्टैटिस्टिक का उपयोग करता है। उदाहरण के लिए, यह परख सकता है कि तीन मार्केटिंग अभियानों के औसत कन्वर्ज़न रेट अलग हैं या नहीं।
• रिग्रेशन की समग्र प्रासंगिकता: रैखिक रिग्रेशन में, F स्टैटिस्टिक जांचती है कि मॉडल परिणाम चर के एक अर्थपूर्ण हिस्से की व्याख्या करता है या नहीं। सरल शब्दों में, यह परखती है कि प्रेडिक्टर्स मिलकर केवल औसत के उपयोग की तुलना में भविष्यवाणी में सुधार करते हैं या नहीं।
• नेस्टेड मॉडलों की तुलना: F स्टैटिस्टिक दो रिग्रेशन मॉडलों की तुलना भी कर सकती है, जहाँ एक मॉडल दूसरे का सरल संस्करण होता है। यह तय करने में मदद मिलती है कि अतिरिक्त चर जोड़ने से जटिलता के बावजूद मॉडल में पर्याप्त सुधार होता है या नहीं।

F स्टैटिस्टिक कैसे गणना करें

F स्टैटिस्टिक दो माध्य-वर्गों के अनुपात के रूप में गणना होती है। एक माध्य-वर्ग विचरण का आकलन होता है। यह दिखाता है कि डेटा के किसी विशेष भाग में कितनी परिवर्तनशीलता है।

सामान्य सूत्र इस प्रकार दिखता है:

यहाँ: 

• MS₁ मॉडल या समूहबद्ध संरचना द्वारा समझाए गए विचरण का प्रतिनिधित्व करता है।
• MS₂ न समझाए गए विचरण का प्रतिनिधित्व करता है।

यदि समझाया गया विचरण न समझाए गए विचरण से बहुत बड़ा है, तो F मान बड़ा हो जाता है। इसका अर्थ है कि मॉडल या समूहबद्धता सार्थक भिन्नताओं को समझाती है।

हालाँकि व्याख्या आपके विश्लेषण पर निर्भर करती है, F स्टैटिस्टिक का सबसे आम उपयोग ANOVA और रिग्रेशन विश्लेषण में होता है।

एक सरल संख्यात्मक उदाहरण

आइए इसे स्पष्ट करने के लिए एक सरल उदाहरण देखें।

मान लीजिए कि आप तीन मार्केटिंग अभियानों के कन्वर्ज़न रेट की तुलना कर रहे हैं। सम-ऑफ़-स्क्वेयर्स निकालने और डिग्रीज़-ऑफ़-फ़्रीडम से भाग देने के बाद आपको मिलता है:

• समूहों के बीच का माध्य-वर्ग (MS_between) = 20
• समूहों के भीतर का माध्य-वर्ग (MS_within) = 5

अब F स्टैटिस्टिक निकालें: F = 20 / 5 = 4

तो, F मान 4 है।

इसका अर्थ है कि अभियानों के औसतों के बीच का विचरण, प्रत्येक अभियान के भीतर के विचरण से चार गुना बड़ा है। यानी, अभियानों के बीच के अंतर उनके भीतर की यादृच्छिक भिन्नता की तुलना में अपेक्षाकृत बड़े हैं।

F स्टैटिस्टिक और F वितरण

शून्य परिकल्पना सही होने पर F स्टैटिस्टिक F वितरण का अनुसरण करती है।

यह वितरण दिखाता है कि केवल यादृच्छिक भिन्नता से F मान कितना बड़ा हो सकता है। हम इसका उपयोग यह जांचने के लिए करते हैं कि देखा गया F मान असामान्य रूप से बड़ा है या नहीं।

इसका कारण F स्टैटिस्टिक के निर्माण से आता है।

F अनुपात के प्रत्येक भाग में विचरण का माप होता है। एक भाग मॉडल या समूहों द्वारा समझाई गई परिवर्तनशीलता को पकड़ता है, और दूसरा यादृच्छिक परिवर्तनशीलता को। जब शून्य परिकल्पना सही होती है, तो दोनों एक ही मूलभूत विचरण से आते हैं।

सरल शब्दों में, F स्टैटिस्टिक एक ही विचरण के दो स्वतंत्र आकलनों की तुलना करती है। जब ऐसा होता है, तो उनका अनुपात F वितरण का अनुसरण करता है।

F वितरण में दो डिग्रीज़-ऑफ़-फ़्रीडम

F वितरण दो डिग्रीज़-ऑफ़-फ़्रीडम मानकों से परिभाषित होता है। ये वितरण के सटीक आकार को नियंत्रित करते हैं।

• हर (numerator) के डिग्रीज़-ऑफ़-फ़्रीडम (df₁): यह F स्टैटिस्टिक के हर में मौजूद विचरण आकलन से संबद्ध होता है। 
• हर (denominator) के डिग्रीज़-ऑफ़-फ़्रीडम (df₂): यह हर में मौजूद विचरण आकलन से संबद्ध होता है।

व्यवहार में, ये मान उपयोग की जा रही सांख्यिकीय विधि पर निर्भर करते हैं।

उदाहरण के लिए:

ANOVA में: 

• हर के df = समूहों की संख्या − 1
• हर के नीचे के df = कुल प्रेक्षण − समूहों की संख्या

रिग्रेशन में: 

• हर के df = प्रेडिक्टर्स की संख्या
• हर के नीचे के df = सैंपल आकार − प्रेडिक्टर्स − 1

ये डिग्रीज़-ऑफ़-फ़्रीडम यह निर्धारित करते हैं कि विचरण आकलन कितने परिवर्तनशील हैं। छोटे डिग्रीज़-ऑफ़-फ़्रीडम अधिक परिवर्तनशीलता पैदा करते हैं, जिससे वितरण का आकार बदलता है।

F वितरण दाईं ओर झुका हुआ (right-skewed) होता है। अधिकांश मान शून्य के पास होते हैं, जबकि बड़े मान दाएँ पूँछ में फैलते हैं। ऐसा इसलिए होता है क्योंकि विचरण आकलन नकारात्मक नहीं हो सकते। इसलिए दो विचरण आकलनों का अनुपात केवल धनात्मक मान देता है।

डिग्रीज़-ऑफ़-फ़्रीडम वितरण के सटीक आकार को प्रभावित करते हैं:

• छोटे डिग्रीज़-ऑफ़-फ़्रीडम व्यापक वितरण बनाते हैं जिसमें दायीं पूँछ लंबी होती है।
• बड़े डिग्रीज़-ऑफ़-फ़्रीडम वितरण को अधिक संकेंद्रित बनाते हैं।

जब देखा गया F स्टैटिस्टिक वितरण की दायीं पूँछ में बहुत आगे आता है, तो यह दर्शाता है कि समझाया गया विचरण, न समझाए गए विचरण से बहुत बड़ा है। यह शून्य परिकल्पना के विरुद्ध साक्ष्य देता है।

ANOVA में F स्टैटिस्टिक

वैरिएंस के विश्लेषण (ANOVA) में, F स्टैटिस्टिक यह परखती है कि क्या कई समूह औसत समान हैं।

वन-वे ANOVA में, शून्य परिकल्पना कहती है कि सभी समूह औसत समान हैं। वैकल्पिक परिकल्पना कहती है कि कम से कम एक समूह औसत भिन्न है।

परीक्षण समूहों के बीच के विचरण की तुलना समूहों के भीतर के विचरण से करता है। यदि समूह औसतों के बीच के अंतर समूहों के भीतर की भिन्नता से कहीं बड़े हैं, तो F मान बड़ा हो जाता है।

उपयोग किए गए घटक 

ANOVA कुल विचरण को दो भागों में बाँटता है:

• SS between (समूहों के बीच सम-ऑफ़-स्क्वेयर्स): मापता है कि प्रत्येक समूह औसत समग्र औसत से कितना दूर है
• SS within (समूहों के भीतर सम-ऑफ़-स्क्वेयर्स): मापता है कि प्रेक्षण अपने-अपने समूह औसत के आसपास कितने बदलते हैं

इनको फिर उनके डिग्रीज़-ऑफ़-फ़्रीडम से भाग देकर माध्य-वर्गों में बदला जाता है:

• MS between समूह भिन्नताओं द्वारा समझाया गया विचरण आँकता है।
• MS within शेष न समझाया गया विचरण आँकता है।

इसके बाद F स्टैटिस्टिक इन दोनों माध्य-वर्गों के अनुपात के रूप में निकाली जाती है।

F मान की व्याख्या कैसे करें

F मान दिखाता है कि समूह भिन्नताएँ यादृच्छिक परिवर्तन की तुलना में कितनी उभर कर आती हैं। इसे इस प्रकार समझें:

• छोटा F मान: समूहों के बीच की परिवर्तनशीलता, समूहों के भीतर की परिवर्तनशीलता जैसी ही है। औसत संभवतः समान हैं।
• बड़ा F मान: समूहों के बीच की परिवर्तनशीलता बहुत बड़ी है। यह संकेत देता है कि कम से कम एक समूह औसत अलग है।

मुख्य मान्यताएँ

ANOVA कुछ मान्यताओं पर आधारित है:

• प्रेक्षण स्वतंत्र हों
• प्रत्येक समूह के भीतर डेटा लगभग सामान्य-वितरित हो
• समूहों में विचरण समान हों

रिग्रेशन में F स्टैटिस्टिक

रिग्रेशन विश्लेषण में, F स्टैटिस्टिक यह परखती है कि मॉडल बिना किसी प्रेडिक्टर वाले मॉडल की तुलना में डेटा को बेहतर समझाता है या नहीं।

तुलना वाला मॉडल केवल इंटरसेप्ट शामिल करता है और परिणाम का औसत मान भविष्यवाणी करता है। इसे समग्र प्रासंगिकता का F परीक्षण कहा जाता है। परिकल्पनाएँ हैं:

• शून्य परिकल्पना (H₀): बिना प्रेडिक्टर्स वाला मॉडल डेटा पर उतना ही अच्छा फिट बैठता है जितना रिग्रेशन मॉडल
• वैकल्पिक परिकल्पना (H₁): रिग्रेशन मॉडल इंटरसेप्ट-ओनली मॉडल से बेहतर फिट देता है

F स्टैटिस्टिक मॉडल द्वारा समझाए गए विचरण की तुलना शेष न समझाए गए विचरण से करती है।

• MS model प्रेडिक्टर्स द्वारा समझाए गए विचरण का प्रतिनिधित्व करता है।
• MS error शेष न समझाए गए विचरण का प्रतिनिधित्व करता है।

यदि समझाया गया विचरण न समझाए गए विचरण से बहुत बड़ा है, तो F मान बड़ा हो जाता है। यह दर्शाता है कि मॉडल डेटा में अर्थपूर्ण पैटर्न पकड़ता है।

F स्टैटिस्टिक और R² का संबंध

F स्टैटिस्टिक R² से क़रीबी रूप से संबंधित है, जो मापता है कि परिणाम चर में कितनी परिवर्तनशीलता मॉडल द्वारा समझाई गई है।

जैसे-जैसे मॉडल अधिक परिवर्तनशीलता समझाता है, R² बढ़ता है। इससे F स्टैटिस्टिक भी आमतौर पर बढ़ती है क्योंकि समझाया गया विचरण, न समझाए गए विचरण की तुलना में बड़ा होता जाता है।

हालाँकि, दोनों मापों के उद्देश्य अलग हैं:

• R² दिखाता है कि मॉडल कितनी परिवर्तनशीलता समझाता है
• F परीक्षण यह परखता है कि वह समझाई गई परिवर्तनशीलता सांख्यिकीय रूप से महत्वपूर्ण है या नहीं

मल्टिपल रिग्रेशन में व्याख्या

मल्टिपल रिग्रेशन में, F परीक्षण मॉडल की समग्र प्रासंगिकता का आकलन करता है। शून्य परिकल्पना कहती है कि सभी रिग्रेशन गुणांक शून्य के बराबर हैं:

यदि F स्टैटिस्टिक पर्याप्त रूप से बड़ा है, तो शून्य परिकल्पना को खारिज किया जाता है। इसका अर्थ है कि कम से कम एक प्रेडिक्टर का परिणाम चर पर गैर-शून्य प्रभाव है।

F परीक्षण पूरे मॉडल का मूल्यांकन करता है। उसके बाद, व्यक्तिगत प्रेडिक्टर्स की जाँच t परीक्षणों से की जाती है।

F स्टैटिस्टिक और p-वैल्यू की व्याख्या कैसे करें

F परीक्षण की व्याख्या करने के लिए ये चरण अपनाएँ:

1. F स्टैटिस्टिक की गणना करें: F मान दो माध्य-वर्गों के अनुपात के रूप में निकाला जाता है। सटीक सूत्र प्रयुक्त विधि (जैसे ANOVA या रिग्रेशन) पर निर्भर करता है।
2. F वितरण का संदर्भ लें: निकाले गए F मान की तुलना दो डिग्रीज़-ऑफ़-फ़्रीडम से परिभाषित F वितरण से की जाती है:
• हर के डिग्रीज़-ऑफ़-फ़्रीडम (df₁)
• हर के नीचे के डिग्रीज़-ऑफ़-फ़्रीडम (df₂)
3. p-वैल्यू की गणना करें: p-वैल्यू वह प्रायिकता है कि शून्य परिकल्पना सत्य मानते हुए, प्राप्त F मान जितना या उससे बड़ा F मान देखा जाए।

यदि p-वैल्यू चुने गए महत्व-स्तर से छोटी है, तो परिणाम सांख्यिकीय रूप से महत्वपूर्ण माना जाता है।

सांख्यिकीय महत्त्व का अर्थ क्या है

सांख्यिकीय रूप से महत्वपूर्ण F परीक्षण दर्शाता है कि मॉडल यादृच्छिक संयोग से परे विचरण को समझाता है।

• ANOVA में, यह संकेत देता है कि कम से कम एक समूह औसत अलग है
• रिग्रेशन में, यह संकेत देता है कि मॉडल इंटरसेप्ट-ओनली मॉडल से बेहतर परिणाम समझाता है

सांख्यिकीय महत्त्व का यह अर्थ नहीं होता

एक महत्वपूर्ण F परिणाम की सीमाएँ हैं:

• यह ANOVA में कौन-सा विशिष्ट समूह भिन्न है, यह नहीं बताता। इसके लिए पोस्ट-हॉक परीक्षण चाहिए
• यह व्यावहारिक महत्त्व नहीं बताता। बड़े डेटासेट में छोटे प्रभाव भी सांख्यिकीय रूप से महत्वपूर्ण हो सकते हैं

इसी कारण, विश्लेषक प्रभाव के बल को समझने के लिए अतिरिक्त माप रिपोर्ट करते हैं।

F परीक्षण के साथ उपयोगी प्रभाव-आकार माप

इफ़ेक्ट साइज आँकड़े यह मात्राबद्ध करने में मदद करते हैं कि मॉडल कितनी परिवर्तनशीलता समझाता है।

ANOVA में, एक सामान्य माप है:

• Eta squared (η^²) जो समूह भिन्नताओं द्वारा समझाई गई विचरण के अनुपात का अनुमान लगाता है।

रिग्रेशन में, सामान्य माप शामिल हैं:

• R^², जो मॉडल द्वारा समझाई गई विचरण के अनुपात को मापता है।
• एडजस्टेड R^², जो मॉडल में स्वतंत्र चरों की संख्या के लिए समायोजित करता है।

F स्टैटिस्टिक की मान्यताएँ और कब यह भ्रमित कर सकती है

F परीक्षण तब अच्छी तरह काम करता है जब कुछ मुख्य मान्यताएँ उचित रूप से पूरी हों। यदि ये मान्यताएँ टूटी हों, तो F स्टैटिस्टिक भ्रामक परिणाम दे सकती है।

प्रेक्षणों की स्वतंत्रता

डेटासेट में प्रेक्षण एक-दूसरे से स्वतंत्र होने चाहिए — एक प्रेक्षण दूसरे को प्रभावित नहीं करना चाहिए।

उदाहरण के लिए, यदि एक ही व्यक्ति या एक ही प्रायोगिक इकाई से कई माप लिए गए हैं, तो स्वतंत्रता का उल्लंघन हो सकता है। जब प्रेक्षण स्वतंत्र नहीं होते, तो F स्टैटिस्टिक परिवर्तनशीलता को कम आँक सकती है और अविश्वसनीय परिणाम दे सकती है।

त्रुटियों का लगभग सामान्य-वितरण

कई F परीक्षण मानते हैं कि त्रुटियाँ लगभग सामान्य-वितरित हैं। सरल शब्दों में, देखे गए मान और मॉडल की भविष्यवाणियों के बीच के अंतर लगभग सामान्य पैटर्न का पालन करें।

यह मान्यता बड़े नमूनों में कम महत्वपूर्ण हो जाती है। पर्याप्त डेटा होने पर, वितरण पूर्णतः सामान्य न होने पर भी F परीक्षण अक्सर ठीक काम करता है।

समान विचरण

क्लासिक ANOVA मानता है कि समूहों में विचरण समान हैं। इसे वैरिएंस की समानता (homogeneity of variance) कहते हैं। 

यदि किसी एक समूह में अन्य के मुकाबले बहुत अधिक परिवर्तनशीलता है, तो F परीक्षण समूह औसतों के बीच अंतर को गलत तरीके से पकड़ सकता है। जब समूह आकार बहुत अलग होते हैं, तो समस्या बढ़ जाती है।

जब F परीक्षण अधिक सुदृढ़ होता है

कई व्यावहारिक स्थितियों में, F परीक्षण अब भी उचित प्रदर्शन करता है।

उदाहरण के लिए, ANOVA तब काफ़ी सुदृढ़ होता है जब समूह आकार संतुलित हों, यानी प्रत्येक समूह में प्रेक्षणों की संख्या समान हो। ऐसे मामलों में, सामान्यता या समान विचरण की मध्यम उल्लंघन का प्रभाव सीमित रहता है।

हालाँकि, समस्याएँ तब बढ़ती हैं जब दो स्थितियाँ साथ होती हैं, जैसे:

• समूह विचरणों में तीव्र अंतर
• असमान समूह आकार

यह संयोजन F स्टैटिस्टिक को विकृत कर सकता है और गलत निष्कर्षों के जोखिम को बढ़ा सकता है।

जब मान्यताएँ टूटें तो विकल्प

यदि आपका डेटा F परीक्षण की मान्यताओं को पूरा नहीं करता, तो आप वैकल्पिक विधियाँ अपना सकते हैं जो इन मुद्दों को बेहतर संभालती हैं:

• Welch का ANOVA: समूहों में असमान विचरण को संभालता है
• रॉबस्ट रिग्रेशन विधियाँ: अत्यधिक मानों या आउटलायर्स के प्रभाव को कम करती हैं
• परम्यूटेशन परीक्षण: सैद्धांतिक वितरणों पर निर्भर होने के बजाय डेटा को बार-बार फेरबदल कर प्रासंगिकता का अनुमान लगाते हैं 

F स्टैटिस्टिक के बारे में आम उलझनें 

F स्टैटिस्टिक का व्यापक उपयोग होता है, लेकिन कुछ बिंदु शुरुआती लोगों को अक्सर उलझाते हैं। इनमें से अधिकतर इसकी अन्य सांख्यिकीय परीक्षणों से संबद्धता से आते हैं।

F स्टैटिस्टिक बनाम t स्टैटिस्टिक

F स्टैटिस्टिक और t स्टैटिस्टिक काफ़ी संबंधित हैं। सरल मामलों में, वे एक ही विचार की जाँच करते हैं।

उदाहरण के लिए, जब रिग्रेशन मॉडल में केवल एक ही प्रेडिक्टर हो:

इसका अर्थ है कि दोनों परीक्षण सांख्यिकीय महत्त्व के बारे में एक ही निष्कर्ष तक पहुँचते हैं।

अधिक जटिल मॉडलों में, उनकी भूमिकाएँ अलग होती हैं। t परीक्षण एक बार में एक गुणांक का मूल्यांकन करता है, जबकि F परीक्षण एक साथ कई मानकों का आकलन करता है।

समग्र प्रासंगिकता बनाम व्यक्तिगत गुणांक की प्रासंगिकता

एक और आम उलझन मॉडल-स्तर और चर-स्तर की प्रासंगिकता के अंतर को लेकर होती है।

• F परीक्षण पूरे मॉडल का मूल्यांकन करता है। यह जाँचता है कि मॉडल बिना प्रेडिक्टर्स वाले मॉडल से बेहतर परिणाम समझाता है या नहीं
• t परीक्षण व्यक्तिगत गुणांकों का मूल्यांकन करता है। यह जाँचता है कि कोई विशिष्ट प्रेडिक्टर महत्वपूर्ण प्रभाव रखता है या नहीं

इसी वजह से आपको ऐसे परिणाम दिख सकते हैं:

• समग्र F परीक्षण महत्वपूर्ण है
• कुछ व्यक्तिगत गुणांक महत्वपूर्ण नहीं हैं

यह तब होता है जब कई चर मिलकर परिणाम को समझाते हैं, भले ही प्रत्येक का व्यक्तिगत प्रभाव छोटा हो।

बड़े नमूनों में बड़े F मान

बड़ा F मान अक्सर सांख्यिकीय महत्त्व की ओर ले जाता है, लेकिन इसका अर्थ यह नहीं कि परिणाम व्यवहार में भी महत्वपूर्ण हो।

बड़े सैंपल आकार में, छोटे-से-छोटे अंतर भी महत्वपूर्ण F मान दे सकते हैं। मॉडल कुछ परिवर्तनशीलता समझा सकता है, लेकिन प्रभाव वास्तविक अर्थों में छोटा हो सकता है।

इसीलिए विश्लेषक R^² या eta squared जैसे प्रभाव-आकार माप भी देखते हैं।

ANOVA के बाद पोस्ट-हॉक परीक्षण

ANOVA में, F स्टैटिस्टिक एक प्रश्न का उत्तर देती है: क्या सभी समूह औसत समान हैं?

यदि परिणाम महत्वपूर्ण है, तो यह दिखाता है कि कम से कम एक समूह औसत अलग है। यह नहीं बताता कि कौन-से समूह अलग हैं।

अंतर पहचानने के लिए, विश्लेषक समूहों की जोड़ी-दर-जोड़ी तुलना करने वाले पोस्ट-हॉक परीक्षण चलाते हैं।

आम उदाहरण हैं:

• Tukey का परीक्षण: एकाधिक तुलनाओं को नियंत्रित करता है
• Bonferroni समायोजन: कई परीक्षण चलाते समय महत्व-सीमा को कड़ा करता है

ये परीक्षण समग्र F परीक्षण में प्रासंगिकता आने के बाद, ठीक-ठीक बताते हैं कि अंतर कहाँ हैं।

अंतिम विचार

अब आप समझते हैं कि F स्टैटिस्टिक कैसे काम करती है और ANOVA तथा रिग्रेशन में इसकी व्याख्या कैसे करें। अब इसे व्यवहार में लागू करें। 

सरल ANOVA या रिग्रेशन विश्लेषण चलाएँ और F मान, p-वैल्यू, और इफ़ेक्ट साइज को साथ में पढ़ने पर ध्यान दें। इससे आप गणना से वास्तविक व्याख्या की ओर बढ़ेंगे।

यदि आप और मजबूत सांख्यिकी की नींव बनाना चाहते हैं, तो वैरिएंस, परिकल्पना परीक्षण, और रिग्रेशन मॉडलिंग जैसे मूल सिद्धांतों में गहराई से जाएँ।