以非中心F分布在Excel中计算ANOVA检验效能与样本量
ANOVA Power Analysis Using Noncentral F-Distribution
独立研究者Prasanth Sambaraju提出一种在Microsoft Excel中用数组公式近似计算非中心F分布累积分布函数的方法,用于单因素ANOVA的检验效能与样本量估算。

https://stock.adobe.com
方差分析(ANOVA)是一种用于比较组间均值的统计检验,具体方法是将组间方差与组内方差进行比较(1)。相应的功效分析用于确定所需的样本量,以确保ANOVA结果可靠(2)。此类评估通常涉及F分布,其特征是使用两个不同的自由度(υ1、υ2)。在具有n个观测值和p个变量的样本中(n > p),υ1表示变量数减1(p – 1),而υ2表示观测值数减去变量数(n – p)。F分布及其相关检验和临界值用于多变量统计过程控制,为检测离群值以及评估某个观测值是否属于预定义类别提供了依据(3)。
与各自的中心分布相比,非中心分布通过一个额外的非中心参数(λ)来标识。非中心参数衡量当原假设为假时检验统计量的偏离程度。因此,当原假设为假时,非中心分布用于计算检验的统计功效(4)。
相关:细胞与基因治疗产品基于监管和风险统计方法的减量生物负载检测
使用Microsoft Excel软件估计非中心F分布的累积分布函数(cdf)的不同方法可在此处找到(5–7)。然而,现有的cdf计算算法涉及复杂的展开和/或递推策略。本文所述方法在计算cdf值时不需要任何编程或应用程序扩展。
非中心cdf,F′,可由公式1:定义
F′ = (χm2(λ) ÷ m) ÷ (χk2 ÷ k)
其中 χm2(λ) 是自由度为 m 的非中心卡方分布,χk2 是自由度为 k 的非中心卡方分布(8)。
非中心卡方分布 χm2(λ) 可进一步分解为自由度为 1 的非中心卡方分布与自由度为 (m – 1) 的中心卡方分布(9)。自由度为 1 的非中心卡方分布即正态分布的平方(8)。
公式 2: χm2(λ) = χ12(λ) + χm–12
公式 3: χm2(λ) = (Z (λ0.5))2 + χm–12
在非中心 F 分布的情况下,F 分布不会像非中心 t 分布那样向右或向左偏移,而是伸展为不同的形状,如图 1 所示(6)。

图 1:中心与非中心 F 分布的比较;用于计算非中心 F 分布概率密度函数(pdf-non)的 Microsoft Excel 公式见参考文献 6。
方法
非中心 F 分布随机变量按上文公式 1–3 所述生成。均值为 λ0.5、标准差为 1 的平方正态随机数在单元格 E2 至 E25001 中生成。自由度为 (m – 1) 的卡方随机数在单元格 F2 至 F25001 中生成。单元格 G2 至 G25001 对应 E 列与 F 列单元格之和除以 m。单元格 H2 至 H25001 对应卡方随机数除以 k。非中心 F 分布随机值位于 I 列,即 G 列与 H 列单元格之比。非中心 F 分布的估计 cdf 见单元格 B7,它统计 I2 至 I25001 列中大于 F 临界值(用于判定是否拒绝原假设、从而判定结果是否具有统计学显著性的阈值)的数值个数。图 2 显示了此处所述示例用于 cdf 估计的公式(8)。
相关:供应商治理是一个质量体系:在外包与技术转移中超越基于状态的监督

图 2:样本数据的估计累积分布函数(cdf)与报告值一致(8)。由于 cdf 估计通过模拟获得,重新计算时可能观察到结果存在变异。(lamba = 非中心参数,df = 自由度,α = 显著性水平,F-crit = F 临界值)
使用 Microsoft Excel 软件计算非中心 F 分布 cdf: 在 Excel 软件中计算 cdf 的数组公式如下:
相关:将灭菌作为化学、生产和控制的设计决策:为何方法选择必须尽早整合到药品和器械开发中
=1-SUM((((0.5*Lambda)^(ROW($A$1:$A$101)-1))/FACT(ROW($A$1:$A$101)-1))*E^(-Lambda/2)*BETA.DIST((V_1*F)/(V_2+V_1*F),V_1/2+ROW($A$1:$A$101)-1,V_2/2,TRUE))
表 1 描述了数组公式中使用的 Excel 内置函数。该公式通过将曲线下面积分成 100 个切片(ROW($A$1:$A$101)-1)来近似估计 cdf,然后将每个切片的面积相加计算 cdf。ANOVA F 检验的检验效能通过从 1 中减去 cdf 值获得,因为其返回的是 F 临界值右侧的曲线下面积(6)。该公式的一个局限是切片数不能超过 170,因为 Excel 程序无法输出更大数字的阶乘。

表 1:使用 Microsoft Excel 数组公式计算累积分布函数(cdf)时各术语的说明(6)
使用非中心 F 分布的 ANOVA 检验效能:ANOVA 使用 F 检验对均值是否相等进行统计学检验。F 统计量表示两个方差之比,用于衡量数据偏离均值的程度。在单因素 ANOVA 中,当原假设成立时,组间变异与组内变异之比服从 F 分布(10)。单因素 ANOVA 的假设条件在 Navarro(11)中有所讨论,Laverty 和 Kelly 描述了违反这些假设条件的影响(12)。本文使用比较四种不同方法的假设数据(5),通过非中心 F 分布计算 ANOVA 的检验效能。表 2 比较了由不同方法得到的 λ 值所对应的检验效能(5, 13, 14)。

表 2:单因素方差分析(ANOVA)的检验效能估计;λ = 非中心参数
图 3 显示了单因素 ANOVA 的结果。所得 p 值(≈0.045)<0.05,表明四种方法之间存在统计学显著差异。按照一个约定俗成的惯例,统计检验所需的检验效能通常设定为 80%(15)。但由于无论采用哪种方法估计非中心参数,所得检验效能均 <80%,因此需要以更大的样本量开展实验才能得出确定性结论。

图 3:非中心参数(ncp,λ)估计的比较;单元格 B21 中所示的值基于参考文献 13 所述方法,而单元格 B22 中的值按组间平方和与均方误差之比计算(5)。(ANOVA = 方差分析,df = 自由度,F-crit = F 临界值,k = 自由度,m = 自由度,MS = 均方,ni = 每种方法的观测数,omega = 基本事件,p-value = 概率值,Plus @@ni = ni 值之和,sd = 标准差,SS = 平方和)
其中,η2 提供了效应量的度量,即因变量方差中可由自变量解释的比例。具体而言,η2 计算的是组间方差(写作组间平方和,SS之间)与数据总方差(写作总平方和,SS总计)之比。在图 3 中,η2 按参考文献 16 所述使用方程 4–6 计算,λ 按参考文献 14 所述估计:
方程 4: η2 = SS之间 ÷ SS总计
方程 5: f(效应量) = (η2 ÷ (η2 – 1))0.5
方程 6: λ = nf2(其中 n = 样本数)
图 4 显示了使用 G*Power 软件(Heinrich-Heine-Universität Düsseldorf)进行的 λ 和检验效能计算(17)。

图 4: 使用 G*Power 软件计算非中心参数(λ)并分析方差分析(ANOVA)检验效能(16)(α = 显著性水平,β = 犯 II 类错误的概率,df = 自由度)
样本量计算:统计检验的样本量估计是分析的一个重要方面。它取决于组数、效应量、效应水平数、1 类错误和检验效能。ANOVA 中的效应量对应于最低组与最高组均值之差除以共同标准差。Özge 和 Serpil 讨论了使用模拟来计算 ANOVA 所需的最佳样本量(18)。
Zaiontz 描述了在给定效应量下使用 Microsoft Excel 软件进行样本量计算(5)。如果给出样本量和效应量,就可以计算 ANOVA 检验效能。在此,使用参考文献 14 所述方法对单因素 ANOVA 计算了检验效能,以在一系列样本量和误差方差下比较三种药物对血压的影响。如图 5 所示,对于给定的误差方差值,检验效能随样本量增加而增加。误差方差值越小,检验效能也越高(19)。

图 5:使用 Microsoft Excel 软件中的数据表功能,针对一系列样本量和误差方差(Err var,35 和 60)估计的检验效能;非中心性参数 lambda(λ)采用 14 中所述方法估计。(α = 显著性水平,df = 自由度)
在假设数据中增加一行数据后进行了单因素 ANOVA,如图 6 所示。p 值(0.0126)<0.05。这表明四种方法之间存在统计学显著差异。所得检验效能 >80%。在此情况下,ANOVA 本可检测到真实效应。

图 6:纳入额外数据后的检验效能估计;λ 采用 5 中所述方法计算。(ANOVA = 方差分析,df = 自由度,F-crit = F 临界值,MS = 均方,p-value = 概率值,SS = 平方和)
ANOVA 的相关应用
Jain 和 Jain 描述了他们在优化一种同时使用聚乙二醇偶联(PEG化)和非 PEG 化纳米颗粒配制的替莫唑胺产品时,对 ANOVA 和非中心 F 分布的应用(20)。该研究将药物浓度、聚乳酸-羟基乙酸共聚物(PLGA)/PEG–PLGA 浓度、水相中聚乙烯醇(PVA)浓度以及超声时间作为自变量进行评估。评估的因变量为药物包封率和粒径。该研究有助于预测自变量取值,以优化制备具有所需特性的纳米颗粒(20)。
Takács 描述了 ANOVA 在 RGB-10(一种特立帕肽生物类似药)与参比特立帕肽产品之间临床可比性研究中的应用(21)。在对药代动力学参数进行对数转换后进行了统计分析。
结论
现有的 cdf 值计算方法较为复杂。本文所述方法提供了一种易于理解且无需复杂代码即可直接实施的策略。
支持材料
以下 Microsoft Excel 文件可供下载:
参考文献
1 Kim H-Y. 方差分析(ANOVA)比较两组以上均值。修复牙科与牙髓病学. 39(1) 2014: 74–77; https://doi.org/10.5395/rde.2014.39.1.74.
2 Kang H. 使用 G*Power 软件进行样本量确定与功效分析。健康教育评估杂志. 18, 2021: 17; https://doi.org/10.3352/jeehp.2021.18.17.
3 Brereton RG. F 分布及其与卡方分布和 t 分布的关系。化学计量学杂志. 29, 2015: 582–586; https://doi.org/10.1002/cem.2734.
4 Sambaraju P. 在 Excel 中计算非中心卡方分布的累积密度。心理学定量方法 18(3) 2022: 255–257; https://doi.org/10.20982/tqmp.18.3.p255.
5 Zaiontz C. 单因素方差分析的功效。使用 Excel 进行真实统计分析 2026; https://real-statistics.com/one-way-analysis-of-variance-anova/power-for-one-way-anova.
6 Calberg C. 统计分析:Microsoft Excel 2013。Pearson Education:London, UK,2014。
7 Byron NJ. 一个用于返回 Microsoft Office Excel 中非中心 F 分布累积密度的稳健函数。心理学37(1) 2016: 61–83; https://files.eric.ed.gov/fulltext/EJ1090072.pdf.
8 Liu XS. 一种表示和计算非中心 t, F, and χ2. 统计模拟与计算通讯. 42(6) 2013: 1433–1436; https://doi.org/10.1080/03610918.2012.664230.
9 Norman LJ, Samuel K, Balakrishnan N. 连续单变量分布(第2版)Wiley:New York, NY,1995。
10理解方差分析(ANOVA)与 F-Test. Minitab 18 May 2016; https://blog.minitab.com/en/blog/adventures-in-statistics-2/understanding-analysis-of-variance-anova-and-the-f-test.
11 Navarro D. 单因素方差分析的假设。用 R 学习统计学:面向心理学学生及其他初学者的教程。LibreTexts 统计学:Davis, CA,2024;https://stats.libretexts.org/Bookshelves/Applied_Statistics/Learning_Statistics_with_R_-_A_tutorial_for_Psychology_Students_and_other_Beginners_(Navarro).
12 Laverty W, Kelly I. 使用 Excel 探讨假设违反对单因素方差分析(ANOVA)统计程序的影响。Open J. Stat. 9(4) 2019: 458–469; https://doi.org/10.4236/ojs.2019.94031.
13 Hélie S. 使用非中心概率分布理解统计功效:卡方、G 方与 ANOVA。 Quantit. Meth. Psychol. 3(2) 2007: 63–69; http://dx.doi.org/10.20982/tqmp.03.2.p063.
14 使用效应量的单因素方差分析 F 检验。NCSS:Kaysville, UT, 2026; https://www.ncss.com/wp-content/themes/ncss/pdf/Procedures/PASS/One-Way_Analysis_of_Variance_F-Tests_using_Effect_Size.pdf.
15 Columb MO, Atkinson MS. 统计分析:样本量与功效估计。 BJA Edu. 16(5) 2016: 159–161; https://doi.org/10.1093/bjaed/mkv034.
16 Volchok E. 第16章:单因素方差分析检验。 Clear-Sighted Statistics. CUNY Manifold:New York, NY, 2020; https://cuny.manifoldapp.org/read/chapter16_one-wayanovar1/section/4ba8b104-7a1c-4e85-8ea6-b2fcc9d51ab0.
17 Faul F 等,G*Power:适用于 Mac 和 Windows 的统计功效分析。杜塞尔多夫海因里希·海涅大学:德国杜塞尔多夫,2026;https://www.psychologie.hhu.de/arbeitsgruppen/allgemeine-psychologie-und-arbeitspsychologie/gpower.
18 Özge KA, Serpil AA. ANOVA 设计的最优样本量确定。 Int. J. Appl. Math. Stat. 25(1) 2011: 127–134; https://www.researchgate.net/publication/282242860_Optimal_Sample_Size_Determination_for_the_ANOVA_Designs.
19 ANOVA 模型的功效分析。StataCorp:College Station, TX,2026;https://www.stata.com/features/overview/power-analysis-for-anova-models.
20 Jain A, Jain SK. 采用 3 因素 2 水平析因设计对替莫唑胺纳米粒进行处方与优化。 Biomatter 3(2) 2013: e25102; https://doi.org/10.4161/biom.25102.
21 Takács I, et al. 首个获批用于治疗骨质疏松症的生物类似药:一项比较性药代动力学/药效学研究结果。 Osteoporos. Int. 30, 2019: 675–683; https://doi.org/10.1007/s00198-018-4741-0.
Prasanth Sambaraju,药学硕士、化学硕士,独立研究者,专注于计算技术在制药行业中的应用; [email protected]。
请按以下方式引用本文 Sambaraju P. 使用非中心 F 分布的 ANOVA 功效分析。 BioProcess Int. 24(9) 2026: 240907.
来源:BioProcess International · 工艺与质量 · bioprocessintl.com