合并方差公式推导是统计学计算中的核心命题之一，其重要性不言而喻。
合并方差的计算依赖于样本方差的加权平均。具体而言，它反映了所有样本数据的离散程度，是进行后续 F 检验的前提条件。
二、符号定义与基本逻辑 为了进行严谨的数学推导，我们首先设定必要的符号系统。$mu_i$
- $mu_i$：第 $i$ 个样本的样本均值。
- $sigma_i^2$：第 $i$ 个样本的样本方差。
- $n_i$：第 $i$ 个样本的样本量。
- $n$：总样本量。
- $k$：组数。
假设我们拥有 $k$ 个独立样本，每个样本的均值分别为 $bar{x}_1, bar{x}_2, dots, bar{x}_k$。合并方差的公式推导，本质上是将各独立方差通过自由度调整，合并成一个大样本的方差估计量。
$S_p^2$
- $S_p^2$：合并方差的估计值。
推导的核心逻辑在于构造一个通用的加权平均公式。由于不同组的样本量不同，简单的算术平均无法准确反映总体的离散特征，因此需要引入权重机制。权重通常取样本量 $n_i$ 的倒数，即 $frac{1}{n_i}$。这种加权方式在统计学上具有鲁棒性，能够平衡不同规模样本的贡献。
三、推导核心步骤 接下来，我们将通过正式的数学推导来揭示公式的内在逻辑。假设总体方差未知，样本方差 $S_i^2$ 是总体方差 $sigma_i^2$ 的无偏估计，即 $E[S_i^2] = sigma_i^2$。第一，定义总样本量 $N = sum_{i=1}^{k} n_i$。这是推导的基准线。
第二，构建加权平均值。因为各组数据的波动大小可能不同，不能一概而论，所以采用权重 $w_i = frac{n_i}{n}$。定义总均值 $bar{x}_{text{grand}} = frac{1}{N} sum_{i=1}^{k} n_i bar{x}_i$。
第三，计算加权平方和。根据方差定义，方差与平均值的平方差有关。为了得到总体的方差，我们需要考察 $sum_{i=1}^{k} n_i (bar{x}_i - bar{x}_{text{grand}})^2$。利用代数恒等式 $sum (a_i - bar{a})^2 = sum a_i^2 - kbar{a}^2$（此处需注意权重处理），可以展开为各观测值的平方和减去调整后的项。
第四，代入自由度修正。样本方差 $S_i^2$ 是除以$N_i-1$的，而合并方差通常估计总体方差，需要除以$N-1$。推导中需要引入修正系数。最终得到的公式为：
$S_p^2 = frac{sum_{i=1}^{k} n_i S_i^2}{N - k}$
在这个公式中，分子反映了各组数据的总变异，分母反映了自由度。自由度 $N-k$ 意味着有 $N$ 个数据点，去除了 $k$ 个样本均值估计带来的损失。这一减法是统计学严谨性的体现，也是考试中的重点考察点。
四、实例演示：提升直观理解 为了将抽象的公式具象化，我们构建一个具体的案例来进行演示。假设我们要比较三种不同处理组的考试成绩。
- 组 A：样本量 $n_A = 20$，样本方差 $S_A^2 = 100$。
- 组 B：样本量 $n_B = 30$，样本方差 $S_B^2 = 80$。
- 组 C：样本量 $n_C = 10$，样本方差 $S_C^2 = 150$。
首先计算总样本量 $N = 20 + 30 + 10 = 60$。
然后计算各组对总差别的贡献。
- 组 A 的贡献权重为 $frac{20}{60} = frac{1}{3}$，加权方差贡献为 $frac{20 times 100}{60} = frac{2000}{60}$。
- 组 B 的贡献权重为 $frac{30}{60} = frac{1}{2}$，加权方差贡献为 $frac{30 times 80}{60} = frac{2400}{60}$。
- 组 C 的贡献权重为 $frac{10}{60} = frac{1}{6}$，加权方差贡献为 $frac{10 times 150}{60} = frac{1500}{60}$。
将上述加权贡献相加，得到分子总和 $frac{5900}{60}$。最后，根据公式 $S_p^2 = frac{text{总和}}{N - k}$，其中 $k=3$，分母为 $60 - 3 = 57$。
最终计算：$S_p^2 = frac{5900/60}{57} = frac{98.33}{57} approx 1.726$。
通过这个例子，我们可以清晰地看到，大样本的组 C 对总误差的影响较小，而中样本的组 B 起着主导作用。这验证了加权平均法的准确性。考生需注意的是，在考试中，通常只需要推导出最终表达式，不需要像上述那样代入具体数字，但理解背后的乘除关系至关重要。
五、推导总结与误区规避 在回顾推导过程时，有几个关键点需要特别注意。首先，分母必须是 $N-k$，切勿误写为$N$或$N-1$。这是 ANOVA 模型中 $S_p^2$ 估计总体方差的自由度修正项，也是高频易错点。
其次，分子中的方差 $S_i^2$ 必须是样本方差，而非总体方差估计 $hat{sigma}_i^2$。若题目给的是 $sigma_i^2$，推导公式则变为 $S_p^2 = frac{sum n_i sigma_i^2}{N-k}$。
最后，权重 $frac{n_i}{n}$ 必须正确应用。考生的易错点在于忘记对每个项单独应用权重，直接对所有项进行简单加平均。正确的思路是：先算加权后的各组方差，再求和，最后平均。
此外，在应用此公式进行统计推断时，必须假设各个样本来自正态分布的总体，且方差齐性（Homogeneity of Variance）成立。如果这些假设不满足，合并方差公式的适用性就会大打折扣，此时可能需要使用 Welch-Satterthwaite 公式进行校正。但在基础考试中，通常默认满足齐性假设，直接使用上述合并方差公式即可。
综上所述，合并方差公式推导并非枯燥的代数运算，而是连接数据分布特征与统计推断逻辑的桥梁。考生若能透彻理解其推导逻辑与含义，便能在各类职业资格考试中从容应对。
希望这份由界域职考网xinlishi.cc 精心整理的合并方差公式推导攻略，能帮助广大考生理清思路，掌握核心考点。无论是复习备考还是实际应用，深入理解这一公式都将为数据建模与分析提供坚实的理论支撑。