不用statsmodels的lb检验

在Python中，除了使用`scipy.stats.levene()`函数进行Levene检验，如果不想依赖`statsmodels`库，可以手动编写一些简单的计算来完成这项任务。以下是一个基本的例子，它基于公式计算样本均值和方差：

def levene_test(data_list):
    n_groups = len(data_list)
    
    # 计算每组的平均值和标准偏差
    means = [np.mean(group) for group in data_list]
    std_devs = [np.std(group, ddof=1) for group in data_list]

    # 根据Levene检验公式计算F统计量
    numerator = np.sum((means - np.mean(means)) ** 2)
    denominator = sum(std_devs**2)

    # 理论上每个分母应该除以(n - 1)，这里我们直接除以n作为近似
    degrees_of_freedom = n_groups * (len(data_list[0]) - 1)
    
    F_statistic = numerator / (denominator / degrees_of_freedom)
    
    # 使用F分布表查得临界值或计算p-value（如果已知自由度）
    critical_values = {2: 3.96, 4: 6.31, 6: 7.82}  # 这里假设小样本情况
    if degrees_of_freedom <= 6:
        p_value = 1 - stats.f.cdf(F_statistic, dfn=degrees_of_freedom, dfd=n_groups - 1)
    else:
        # 对于大样本，我们可以使用连续性校正的t分布代替F分布
        t_critical = stats.t.ppf(1 - 1))), df=degrees_of_freedom)
        p_value = 2 * min(stats.distributions.t.sf(np.abs(F_statistic), df=degrees_of_freedom),
                          stats.distributions.t.sf(-np.abs(F_statistic), df=degrees_of_freedom))

    return F_statistic, p_value

# 示例
data_list = [data1, data2, data3]
test_result = levene_test(data_list)
print(f"F统计量: {test_result[0]}, P值: {test_result[1]}")