F检验（F-test），最常用的别名叫做联合假设检验（英语：joint hypotheses test），此外也称方差比率检验、方差齐性检验。它是一种在原假设（null hypothesis, H0）之下，统计值服从F-分布的检验。

       p值的计算是与假设检验有着密不可分的关系，p值为结果可信水平的一个递减指标，p值越大，我们越不能以为样本中变量的关联是总体中各变量关联的可靠指标。p值是将察看结果觉得有效即具有总体代表性的犯错概率。如p=0.05提醒样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们反复相似试验，会发现约20个试验中有一个试验，我们所研讨的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的雷同结果，当总体中的变量存在关联，反复钻研和发明关联的可能性与设计的统计学效率有关。）在许多钻研范畴，0.05的p值通常被以为是可接收过错的边界程度。

让我们用一个统计学的例子来描述p值的求取过程：

例如：假设某制药公司断言，鼾克能够在2周内治愈90%的患者。恰好一位医生在给患者开治疗药物时随机抽取了15名患者的治疗情况，统计他们是否被治愈，结果如下：

是否治愈

是

否

频数

11

4

根据抽样结果，这名医生对该药物的治疗效果表示失望，因此她想要否决该制药公司的断言。

      那么她如果想要拒绝这个推论就需要检验鼻鼾药物是否至少能治愈90%的患者，因此原假设为：p=90%.即（H0：p=0.9）

而与原假设对立的结论被统计学称为备择假设，一般用H1表示。因此有医生认为制药公司对疗效的判断不准确，她认为治愈率不会达到90%，低于90%的概率比较大。此时我们能够确定备择假设为H1：p