AITerms 登入
統計方法模型評估資料處理

卡方檢定(Chi-squared Test)是什麼?

卡方檢定是一種統計方法,用於檢驗兩個或多個類別變數之間是否存在顯著關聯性。它比較觀察值與期望值之間的差異。

完整定義

卡方檢定是一種非參數統計檢定方法,主要用於分析類別變數之間的關聯性。它通過比較觀察到的頻率與在假設兩個變數獨立情況下期望的頻率,來判斷是否存在顯著差異,從而推斷變數之間是否存在關聯。卡方檢定廣泛應用於各個領域,例如醫學、社會科學和市場研究。

白話說明

你在看兩個類別變數之間有沒有關聯時,你會怎麼判斷它真正的作用?

你可以把它想成 卡方檢定是一種統計方法,用於檢驗兩個或多個類別變數之間是否存在顯著關聯性。它比較觀察值與期望值之間的差異。

在 你在看兩個類別變數之間有沒有關聯時 這種情境裡,這個概念會直接影響你怎麼設計、怎麼評估、怎麼上線。

比喻

卡方檢定就像一個「關聯性偵探」 -- 它會檢查兩個看起來相關的現象(比如性別和對某產品的喜好),看看它們之間的關係是純屬巧合,還是真的有某種「內在連結」。

容易混淆

卡方檢定 vs t 檢定

卡方檢定看類別變數,t 檢定看連續變數的平均。

卡方檢定 vs 相關係數

卡方檢定是看類別之間是否有關聯,相關係數偏向連續變數的線性關係。

卡方檢定 vs 因果推論

卡方檢定只能看關聯,不能直接推出因果。

實際案例

案例 1:廣告點擊

你想知道性別和是否點擊廣告之間有沒有關聯。

案例 2:問卷偏好

你想知道不同年齡層對某產品的偏好分布有沒有差。

演算法與應用

面向
核心
重點
把觀察到的次數和期望次數相比,看差異大不大。
面向
前提
重點
資料要是類別型,且各觀察值最好彼此獨立。
面向
注意
重點
期望次數太小時,結果會比較不穩。

卡方檢定在檢定什麼

卡方檢定(chi-squared test,χ² test)處理的是類別資料,問的是「觀察到的次數,跟理論上該有的次數,差距大到不像是隨機造成的嗎」。

統計量的公式很直觀:

χ² = Σ (觀察次數 − 期望次數)² / 期望次數

每一格算一次,全部加起來。差距越大、χ² 越大,越不像隨機。

常見的兩種用法:

類型
適合度檢定
問的問題
觀察分布符合某個理論分布嗎
例子
骰子公不公平
類型
獨立性檢定
問的問題
兩個類別變數有關聯嗎
例子
性別與購買偏好有沒有關係

實際算一次獨立性檢定

假設調查 200 人,問是否訂閱付費方案:

期望次數的算法是「該列合計 × 該欄合計 ÷ 總數」。左上角是 120 × 80 ÷ 200 = 48。

四格的期望次數分別是 48、72、32、48,代入公式得 χ² = 3 + 2 + 4.5 + 3 = 12.5。

自由度是 (列數 − 1) × (欄數 − 1) = 1。查表在自由度 1、顯著水準 0.05 的臨界值是 3.84。12.5 遠大於 3.84,所以拒絕「兩者獨立」的虛無假設,也就是用過免費版與是否訂閱有關聯。

用過免費版
訂閱
60
未訂閱
60
合計
120
沒用過
訂閱
20
未訂閱
60
合計
80
合計
訂閱
80
未訂閱
120
合計
200

三個使用前提,違反了結果就不能信

每格的期望次數要夠大。 常見標準是所有格子的期望次數都不小於 5,或至少 80% 的格子達標。樣本太小時改用費雪精確檢定(Fisher's exact test)。

觀察值必須互相獨立。 同一個人被問兩次、或有配對設計,就不能用卡方,配對資料要用麥克內馬檢定(McNemar's test)。

它只告訴你有沒有關聯,不告訴你關聯有多強。 樣本數夠大時,再小的差距都會顯著。要看強度得另外算效果量,2×2 表用 phi 係數,更大的表用 Cramér's V。

情境判斷

Q1(判斷題): 如果兩個變數都是類別型,這時很自然會想到哪個檢定?

通常會先想到卡方檢定。

Q2(判斷題): 如果你想證明兩件事有因果關係,卡方檢定夠嗎?

不夠,它只能告訴你有沒有關聯。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 1 題把卡方檢定列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:en.wikipedia.org

其他格式:Markdown 版本