Kim był Howard Levene?
Howard Levene był profesorem statystyki matematycznej i genetyki na Uniwersytecie Columbia. W 1941 r. ukończył z najwyższym wyróżnieniem New York University, po czym dołączył do grupy badawczej na Columbii pracującej przy projektach wojskowych; tam też obronił doktorat i wkrótce wszedł do grona wykładowców. Zmarł 2 lipca 2003 r. w wieku 89 lat (Wallace, 2004).
Jego praca leżała na styku dwóch dziedzin. Współpracował z genetykiem Theodosiusem Dobzhanskym przy badaniach populacji muszek owocowych Drosophila, a jego zadaniem na Columbii było uczyć statystyki genetyków i genetyki statystyków (Wallace, 2004). Gastwirth, Gel i Miao (2009) podkreślają, że Levene zajmował się głównie problemami statystycznymi z nauk biologicznych i był jedynym autorem trzech klasycznych prac, cytowanych do dziś.
Najważniejsze pomysły
- Dokładny test równowagi Hardy’ego–Weinberga (1949). Levene (1949) opisał statystykę do wykrywania odstępstw od równowagi Hardy’ego–Weinberga i podał jej rozkład dokładny oraz asymptotyczny. Według Gastwirtha i in. (2009) był to pierwszy dokładny test tej równowagi – w duchu testu dokładnego Fishera.
- Kilka nisz ekologicznych (1953). Levene pokazał, że dwa allele mogą się utrzymywać w populacji, która zamieszkuje kilka nisz i migruje między nimi, nawet jeśli heterozygota nie jest najlepiej przystosowana w żadnej z nich. Gastwirth i in. (2009) nazywają to pierwszym modelem wpływu przestrzennej zmienności na dostosowanie.
- Test równości wariancji (1960). W księdze pamiątkowej dla Harolda Hotellinga (Olkin i in., red.) Levene (1960) zaproponował test, który dziś nosi jego nazwisko: zwykłą ANOVA na odchyleniach bezwzględnych wyników od średniej grupy. Wypróbował też inne funkcje odchyleń, m.in. kwadrat i logarytm, i symulacją sprawdził, że zwykły rozkład F dobrze przybliża rozkład statystyki przy poziomach .05 i .01 (Gastwirth i in., 2009).
W 1974 r. Brown i Forsythe pokazali, że warianty z odporną miarą położenia, np. medianą zamiast średniej, są odporne na odstępstwa od normalności (Brown i Forsythe, 1974). Do 2009 r. pracę Levene’a z 1960 r. zacytowano ponad 1000 razy (Gastwirth i in., 2009).
Ciekawostka
Najbarwniejszy portret Levene’a-nauczyciela zostawił genetyk Bruce Wallace, który w roku akademickim 1946/47, po powrocie z wojska, kończył studia u Dobzhansky’ego (Wallace, 2004). W grupie byli m.in. późniejsi znani biolodzy Ruth Sager i Colin Pittendrigh. Studenci przekonali prowadzącego, że chcą poznać także teorię statystyki. Levene napisał więc na tablicy coś, co wyglądało jak odwrócona do góry nogami wielka litera L – funkcję gamma. Konsternacja słuchaczy była tak wyraźna, że – jak wspomina Wallace – Levene porzucił próby uczenia ich teorii.
Wymaganiem kursu był suwak logarytmiczny, opłacony z ustawy o pomocy weteranom (GI Bill) – Wallace wciąż go miał i nazwał dziełem sztuki.
Przykład na historycznych danych
Zbiór cats z pakietu MASS to – według pliku pomocy – masa ciała i masa serca 144 dorosłych kotów (powyżej 2 kg) użytych w doświadczeniach z naparstnicą; źródłem jest praca R. A. Fishera z 1947 r. Masa serca kocurów (n = 97, M = 11.32 g, SD = 2.54) jest bardziej rozproszona niż kotek (n = 47, M = 9.20 g, SD = 1.36); iloraz wariancji wynosi 3.51.
Wersja testu z 1960 r. (odchylenia bezwzględne od średniej) daje F(1, 142) = 14.97, p < .001 – identycznie jak car::leveneTest(center = mean). Wersja z medianą (Brown–Forsythe) daje F(1, 142) = 14.92, p < .001, a test Bartletta K²(1) = 20.14, p < .001. Gdy zamiast wartości bezwzględnych użyć kwadratów odchyleń – jednej z funkcji, które Levene wypróbowywał – F spada do 8.74 (p = .004).
Skąd ta różnica? Kwadrat bardzo wzmacnia pojedyncze duże odchylenia, a w grupie kocurów ogony są grubsze niż w rozkładzie normalnym (kurtoza nadwyżkowa 0.66 wobec −0.04 u kotek). Symulacja (ziarno 1960, 5000 powtórzeń w punkcie, liczebności jak u kotów) pokazuje to ogólniej. Przy rozkładzie normalnym obie wersje są praktycznie równie dobre: przy równych wariancjach odrzucają H0 w 4.7% prób, a przy ilorazie odchyleń standardowych 1.4 – w 67.7% i 68.7%. Przy rozkładzie t z 4 stopniami swobody wersja z wartościami bezwzględnymi wykrywa ten sam iloraz 1.4 w 44.9% prób, a wersja z kwadratami tylko w 24.1%; przy ilorazie 2 – 96.1% wobec 72.3%. Rozkłady i ilorazy wybraliśmy ręcznie.
Na rysunku
Co widać. Trzy najważniejsze prace Levene’a powstały w ciągu 11 lat: dwie z genetyki i jedna o wariancjach.
Na co uważać. Cytowane źródła nie podają daty urodzenia ani roku doktoratu, więc ich na osi nie ma.
Podpis do pracy:
MASS::cats) ze średnimi odchyleniami bezwzględnymi (A) oraz odsetek wyników istotnych testu Levene’a z odchyleniami bezwzględnymi i z kwadratami odchyleń w symulacji (B). Obliczenia i rysunek: R, pakiety ggplot2 i patchwork (dane w panelu B symulowane, set.seed(1960), 5000 powtórzeń w każdym punkcie).Co widać. Panel A pokazuje to, co porównuje test Levene’a: średnie odległości punktów od środka grupy – u kocurów prawie dwa razy większe. Panel B: przy danych normalnych funkcja odchylenia nie ma znaczenia, przy grubych ogonach wartości bezwzględne dają wyraźnie większą moc.
Na co uważać. Przy rozkładzie t i równych wariancjach wersja ze średnią odrzuca H0 nieco częściej niż nominalne 5% (5.9%, błąd Monte Carlo najwyżej 0.7 pp). Symulacja dotyczy dwóch grup o liczebnościach 47 i 97 i rozkładów symetrycznych; przy rozkładach skośnych bezpieczniejsza jest wersja z medianą (zob. test Browna–Forsythe’a).
Podpis do pracy:
Gdzie spotkasz Levene’a w swojej pracy
Przy teście t dla prób niezależnych i jednoczynnikowej ANOVA. Na co zwracać uwagę:
- sprawdź, którą wersję liczy program: SPSS przy teście t podaje wersję ze średnią (jak Levene w 1960 r.), a
car::leveneTest()domyślnie – z medianą; szczegóły w haśle test Levene’a; - raportuj F z oboma stopniami swobody i p, np. F(1, 142) = 14.97, p < .001, a obok – odchylenia standardowe grup;
- nie używaj go jako bramki przed wyborem testu średnich: Gastwirth i in. (2009) zauważają, że dziś zwykle można od razu użyć testu Welcha (albo ANOVA Welcha), który przy równych wariancjach traci niewiele mocy. Więcej o założeniu – w haśle homogeniczność wariancji.
Spory, mity i trudne strony
- Test wstępny czy pytanie badawcze? Według Gastwirtha i in. (2009) procedura „najpierw Levene, potem test t albo Welch” jest poprawna przy dobrze dobranym poziomie testu wstępnego, ale zwykle prościej od razu użyć Welcha. Przypominają też, że wiele pytań naukowych dotyczy samych wariancji – np. która metoda podawania leku daje najmniej zmienną dawkę – i tu test Levene’a jest właściwym narzędziem.
- Jedna nazwa, kilka testów. „Test Levene’a” może oznaczać wersję ze średnią, medianą albo średnią przyciętą; przy skośnych danych wyniki się różnią, więc podaj, której wersji użyto.
- Levene to nie Bartlett. Test Bartletta porównuje same wariancje i zakłada normalność; podejście Levene’a ominęło ten problem, korzystając z odporności zwykłej ANOVA na nienormalność (Gastwirth i in., 2009).
Test Levene’a na danych o kotach w R
Kod wczytuje dane cats, liczy test Levene’a „ręcznie” jako ANOVA na odchyleniach (wersja ze średnią, z kwadratami odchyleń i z medianą), sprawdza zgodność z car::leveneTest(), liczy test Bartletta, przeprowadza symulację (ziarno 1960) i rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Ziarno 47 służy tylko do rozrzucenia punktów w panelu A.
1. Test Levene’a i symulacja: rysunek 2
Kod R rysunku 2
# Howard Levene: test równości wariancji jako ANOVA na odchyleniach – dane Fishera o kotach (MASS::cats)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c(abs = "#0072B2", kw = "#D55E00", dane = "grey35") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(cats, package = "MASS")
# Hwt – masa serca (g); Sex – płeć (F, M); 144 dorosłe koty (Fisher, 1947, według pliku pomocy)
opis <- t(sapply(split(cats$Hwt, cats$Sex), function(z)
c(n = length(z), M = mean(z), SD = sd(z), Me = median(z), sr_odch_bezwzgl = mean(abs(z - mean(z))))))
round(opis, 3)
c(iloraz_wariancji_M_do_F = round(opis["M", "SD"]^2 / opis["F", "SD"]^2, 2))
# kurtoza nadwyżkowa w grupach (0 dla rozkładu normalnego) – jak grube są ogony
round(sapply(split(cats$Hwt, cats$Sex), function(z) mean((z - mean(z))^4) / mean((z - mean(z))^2)^2 - 3), 2)
# 1. Test Levene'a „ręcznie”: zwykła ANOVA (test F) na odchyleniach od środka grupy
levene_F <- function(y, g, srodek = mean, f = abs) {
d <- f(y - ave(y, g, FUN = srodek))
n <- tabulate(g); k <- length(n); N <- length(d)
m <- rowsum(d, g)[, 1] / n # średnie odchyleń w grupach
ssb <- sum(n * (m - mean(d))^2); ssw <- sum((d - m[g])^2)
F <- (ssb / (k - 1)) / (ssw / (N - k))
c(F = F, df1 = k - 1, df2 = N - k, p = pf(F, k - 1, N - k, lower.tail = FALSE))
}
wyniki <- rbind(
"Levene: |y − średnia| (1960)" = levene_F(cats$Hwt, cats$Sex, mean, abs),
"Levene: (y − średnia)^2" = levene_F(cats$Hwt, cats$Sex, mean, function(e) e^2),
"Brown–Forsythe: |y − mediana|" = levene_F(cats$Hwt, cats$Sex, median, abs))
round(wyniki, 4)
bt <- bartlett.test(Hwt ~ Sex, data = cats)
round(c(Bartlett_K2 = unname(bt$statistic), p = bt$p.value), 6)
# zgodność z car::leveneTest (wersja ze średnią)
round(c(car_leveneTest_F = car::leveneTest(Hwt ~ Sex, data = cats, center = mean)[1, "F value"]), 4)
# 2. Funkcja odchylenia: |e| czy e²? Symulacja – dwie grupy o liczebnościach jak u kotów (47 i 97),
# rozkład normalny albo t z 4 df (grube ogony); SD kocurów = iloraz × SD kotek (iloraz = 1 to prawdziwa H0)
set.seed(1960)
R <- 5000
g <- factor(rep(c("F", "M"), times = c(47, 97)))
ilorazy <- c(1, 1.2, 1.4, 1.6, 1.8, 2)
losuj <- list(normalny = function(n) rnorm(n), "t (4 df)" = function(n) rt(n, df = 4))
sym <- do.call(rbind, lapply(names(losuj), function(r) do.call(rbind, lapply(ilorazy, function(q) {
p <- replicate(R, {
y <- losuj[[r]](length(g)) * ifelse(g == "M", q, 1)
c(abs = levene_F(y, g, mean, abs)[["p"]], kw = levene_F(y, g, mean, function(e) e^2)[["p"]])
})
data.frame(rozklad = r, iloraz_SD = q, wersja = c("|e|", "e^2"), odrzucenia = rowMeans(p < .05))
}))))
sym$blad_MC <- sqrt(sym$odrzucenia * (1 - sym$odrzucenia) / R)
tab <- reshape(sym[, 1:4], idvar = c("rozklad", "iloraz_SD"), timevar = "wersja", direction = "wide")
tab[, 3:4] <- round(100 * tab[, 3:4], 1) # odsetek p < .05 w %
print(tab, row.names = FALSE)
round(100 * max(sym$blad_MC), 2) # największy błąd Monte Carlo (pp)
# Rysunek: A – dane i odchylenia; B – rozkład symulowanych F na tle rozkładu F(1, 142)
cats$odch <- abs(cats$Hwt - ave(cats$Hwt, cats$Sex))
cats$plec <- factor(cats$Sex, levels = c("F", "M"), labels = c("kotki (n = 47)", "kocury (n = 97)"))
srednie <- aggregate(cbind(Hwt, odch) ~ plec, data = cats, FUN = mean)
os_x <- setNames(sprintf("%s\nśr. |odch.| = %.2f g", srednie$plec, srednie$odch), srednie$plec)
set.seed(47)
pA <- ggplot(cats, aes(plec, Hwt)) +
geom_jitter(width = 0.18, height = 0, shape = 21, fill = "white", colour = kol[["dane"]], size = 1.8) +
geom_errorbar(data = srednie, aes(ymin = Hwt - odch, ymax = Hwt + odch), width = 0.35,
colour = kol[["abs"]], linewidth = 1) +
geom_point(data = srednie, aes(plec, Hwt), shape = 23, size = 3.5, fill = kol[["abs"]]) +
scale_x_discrete(labels = os_x) +
labs(title = "A. Masa serca: średnia ± średnie |odchylenie|", x = NULL, y = "Masa serca (g)") +
motyw
sym$wersja_opis <- factor(sym$wersja, levels = c("|e|", "e^2"),
labels = c("|y − średnia| (Levene, 1960)", "(y − średnia)²"))
pB <- ggplot(sym, aes(iloraz_SD, 100 * odrzucenia, colour = wersja_opis, shape = wersja_opis, linetype = wersja_opis)) +
geom_hline(yintercept = 5, colour = "grey50", linetype = "dotted") +
geom_line(linewidth = 0.8) +
geom_errorbar(aes(ymin = 100 * (odrzucenia - 2 * blad_MC), ymax = 100 * (odrzucenia + 2 * blad_MC)), width = 0.02, linetype = "solid") +
geom_point(size = 2.6) +
scale_colour_manual(values = c(kol[["abs"]], kol[["kw"]]), name = NULL) +
scale_shape_manual(values = c(16, 17), name = NULL) +
scale_linetype_manual(values = c("solid", "22"), name = NULL) +
scale_x_continuous(breaks = ilorazy) +
guides(colour = guide_legend(ncol = 1), shape = guide_legend(ncol = 1), linetype = guide_legend(ncol = 1)) +
facet_wrap(~ rozklad, nrow = 1, labeller = labeller(rozklad = function(r) paste("rozkład", r))) +
labs(title = "B. Odsetek p < .05 w symulacji (n = 47 i 97)", x = "Iloraz odchyleń standardowych (kocury : kotki)",
y = "Odsetek odrzuceń H0 (%)") +
motyw
p2 <- pA + pB + plot_layout(widths = c(1, 1.6))
p2Wynik w R
n M SD Me sr_odch_bezwzgl
F 47 9.202 1.358 9.1 1.109
M 97 11.323 2.542 11.4 2.022
iloraz_wariancji_M_do_F
3.51
F M
-0.04 0.66
F df1 df2 p
Levene: |y − średnia| (1960) 14.9746 1 142 0.0002
Levene: (y − średnia)^2 8.7389 1 142 0.0036
Brown–Forsythe: |y − mediana| 14.9239 1 142 0.0002
Bartlett_K2 p
20.141419 0.000007
car_leveneTest_F
14.9746
rozklad iloraz_SD odrzucenia.|e| odrzucenia.e^2
normalny 1.0 4.7 4.7
normalny 1.2 25.1 25.2
normalny 1.4 67.7 68.7
normalny 1.6 92.0 92.8
normalny 1.8 99.0 99.3
normalny 2.0 99.9 99.9
t (4 df) 1.0 5.9 4.4
t (4 df) 1.2 16.9 8.5
t (4 df) 1.4 44.9 24.1
t (4 df) 1.6 73.0 43.2
t (4 df) 1.8 89.0 59.6
t (4 df) 2.0 96.1 72.3
[1] 0.72. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Howard Levene (zm. 2003) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1941, 1947, 1949, 1953, 1960, 1974, 2003, 2009),
opis = c("dyplom New York University;\npotem grupa badawcza\nna Columbii (projekty wojskowe)",
"1946–1947: uczy statystyki\ngenetyków (wspomnienie\nB. Wallace'a)",
"dokładny test równowagi\nHardy'ego–Weinberga", "model genetyczny\nz kilkoma niszami",
"test równości wariancji\n(księga dla Hotellinga)", "Brown i Forsythe:\nwersja z medianą",
"zmarł 2 lipca\nw wieku 89 lat", "przegląd wpływu testu\n(Gastwirth i in.)"),
rodzaj = c("życie", "praca", "publikacja", "publikacja", "publikacja", "następcy", "życie", "następcy"),
poziom = c(0.5, -0.5, 1.25, -1.25, 0.5, -0.5, 0.5, -0.5),
wyrownanie = c(0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5))
zdarzenia$rodzaj <- factor(zdarzenia$rodzaj, levels = c("życie", "praca", "publikacja", "następcy"))
zdarzenia$etykieta <- ifelse(zdarzenia$rok == 1947, zdarzenia$opis, paste0(zdarzenia$rok, "\n", zdarzenia$opis))
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "następcy" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "następcy" = "#009E73") # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
geom_segment(aes(xend = rok, y = 0, yend = poziom), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
geom_text(aes(y = poziom + 0.06 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
size = 3.1, lineheight = 0.88) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1932, 2018), breaks = seq(1940, 2010, by = 10)) +
scale_y_continuous(limits = c(-2.3, 2.3)) +
labs(x = NULL, y = NULL) +
theme_minimal(base_size = 13) +
theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
legend.position = "bottom")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (ANOVA na odchyleniach – własna funkcja, test Bartletta – bartlett.test() z pakietu stats, kontrola – leveneTest() z pakietu car; dane – pakiet MASS; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- car (wersja 3.1-5): Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). Sage. https://www.john-fox.ca/Companion/
- MASS (wersja 7.3-65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://www.stats.ox.ac.uk/pub/MASS4/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Kim był Howard Levene?
Profesorem statystyki matematycznej i genetyki na Uniwersytecie Columbia. Ukończył New York University (1941), doktorat obronił na Columbii, współpracował z Theodosiusem Dobzhanskym przy badaniach populacji muszek owocowych i uczył statystyki genetyków. Zmarł 2 lipca 2003 r. w wieku 89 lat.
Co dokładnie zaproponował Levene w 1960 roku?
Test równości wariancji w kilku grupach: zwykłą ANOVA na odchyleniach bezwzględnych wyników od średniej grupy. Praca ukazała się w księdze pamiątkowej dla Harolda Hotellinga. Levene wypróbował też inne funkcje odchyleń, m.in. kwadrat i logarytm, i symulacją sprawdził, że rozkład F dobrze przybliża rozkład statystyki.
Dlaczego Levene użył wartości bezwzględnych, a nie kwadratów odchyleń?
Źródła nie podają jego motywacji, ale symulacja w tym haśle pokazuje praktyczną przewagę: przy rozkładzie normalnym obie wersje działają podobnie, a przy grubych ogonach wersja z wartościami bezwzględnymi ma wyraźnie większą moc – np. 44.9% wobec 24.1% przy ilorazie odchyleń standardowych 1.4.
Czym zajmował się Levene w genetyce?
Genetyką populacyjną. W 1949 r. podał dokładny test równowagi Hardy’ego–Weinberga, a w 1953 r. model, w którym dwa allele utrzymują się w populacji zamieszkującej kilka nisz ekologicznych. Uczył też statystyki studentów genetyki na Columbii.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Brown, M. B., & Forsythe, A. B. (1974). Robust tests for the equality of variances. Journal of the American Statistical Association, 69(346), 364–367. https://doi.org/10.1080/01621459.1974.10482955
- Gastwirth, J. L., Gel, Y. R., & Miao, W. (2009). The impact of Levene’s test of equality of variances on statistical theory and practice. Statistical Science, 24(3), 343–360. https://doi.org/10.1214/09-sts301 ● Otwarty dostęp
- Levene, H. (1949). On a matching problem arising in genetics. The Annals of Mathematical Statistics, 20(1), 91–94. https://doi.org/10.1214/aoms/1177730093 ● Otwarty dostęp
- Levene, H. (1960). Robust tests for equality of variances. In I. Olkin i in., Contributions to probability and statistics: Essays in honor of Harold Hotelling (pp. 278–292). Stanford University Press. https://openlibrary.org/books/OL15046150M
- Wallace, B. (2004). Howard Levene remembered. Journal of Heredity, 95(1), 93–94. https://doi.org/10.1093/jhered/esh007
Cytowania BibTeX
@article{brown1974robust, author={Brown, Morton B. and Forsythe, Alan B.}, title={{Robust tests for the equality of variances}}, journal={Journal of the American Statistical Association}, year={1974}, volume={69}, number={346}, pages={364--367}, doi={10.1080/01621459.1974.10482955}}@article{gastwirth2009impact, author={Gastwirth, Joseph L. and Gel, Yulia R. and Miao, Weiwen}, title={{The impact of Levene’s test of equality of variances on statistical theory and practice}}, journal={Statistical Science}, year={2009}, volume={24}, number={3}, pages={343--360}, doi={10.1214/09-sts301}}@article{levene1949matching, author={Levene, Howard}, title={{On a matching problem arising in genetics}}, journal={The Annals of Mathematical Statistics}, year={1949}, volume={20}, number={1}, pages={91--94}, doi={10.1214/aoms/1177730093}}@incollection{levene1960robust, author={Levene, Howard}, title={{Robust tests for equality of variances}}, booktitle={Contributions to probability and statistics: Essays in honor of Harold Hotelling}, year={1960}, pages={278--292}, publisher={Stanford University Press}, url={https://openlibrary.org/books/OL15046150M}}@article{wallace2004howard, author={Wallace, Bruce}, title={{Howard Levene remembered}}, journal={Journal of Heredity}, year={2004}, volume={95}, number={1}, pages={93--94}, doi={10.1093/jhered/esh007}}