不能逆行卡方檢驗時的解決方法

1樓：阿朵朵兒了

1、擬合優度檢驗（goodness of fit test）：用卡方統計量進行統計學檢驗，依據總體分佈狀況，計算出分類變數中各類別的期望頻數，與分佈的觀察頻數進行對比，判斷期望頻數與觀察頻數是否有顯著差異，從而達到對分類變數的分佈進行分析的目的。

2、擬合優度檢驗是對一信肆碰個分類變數的檢驗，有時滑談我們會遇到兩個分類變數的問題（也就是列聯表資料，橫標目和縱標目各代表乙個分類變數），看這兩個分類變數是否存在聯絡。

現在，來個題考考大家！

雙向無序列聯表資料什麼時候能用卡方檢驗，什麼時候要用精確概率法？

傳統的統計教材中一般認為：

對雙向無序的rxc列聯表資料進行卡方檢驗中，當樣本量小，存在單元格的理論頻數（又叫期望計數）小於5，或這樣的單元格數超過總單元格數的20%，才需要選用精確概率法。

其實，這種說法已經過時了。

john h. mcdonald在handbook of biological statistics (3rd ed.)一書中對卡方檢驗的適用條件進行了新的闡述。

完全顛覆了我的以往思路。

現總結歸納如下。

一、只要樣本量小於1000的列聯表資料，都應該使用精確概率法。因為，1000以下樣本量的精確概率法在excel、sas、spss等軟體中都可以輕鬆實現。

二、當樣本量比1000大很多時，即使在大型計雹冊算機上的強大軟體（例如sas）做精確概率法的運算都可能存在困難，所以對於樣本量大於1000時，應該使用卡方檢驗。如果自由度只有1，可以使用yates連續性校正（但是對於如此大的樣本量，yates連續性校正對p值在準確性上的改進是微不足道。）

三、為了便於操作，mcdonald將其經驗法則建立在總樣本量的基礎上，而不是最小的期望計數；如果乙個或多個期望計數是非常小（個位數），即使總樣本量大於1000，也應該使用精確概率法，只是但願你的計算機能夠處理這樣的運算量。

四、如果分類變數的類別數太多，有些類別的期望計數非常小，應該考慮合併較少頻數的類別，即使運用的是精確概率法，合併類別後，更小的自由度將提高檢驗的效力。

五、如果看到別人按照傳統的過時規則，對總樣本量小於1000的資料進行卡方檢驗，不用太過於擔心。舊的習慣很難改變，除非期望計數真的非常小（達到個位數），否則這可能不。

2樓：楚秀慧

r*c列聯表卡方檢驗要求理論頻數不宜太小，一般不宜有1/5以上的格仔的理論頻數小於5，或不宜有乙個理論頻數小於1，而你的r*c列聯表沒有超過1/5，所以可以直接用卡方檢驗。校正公式只適用於四格表資料，列聯表沒有校正公式可言。如果出現理論頻數不滿足此要求，可以考慮選擇如下方法處理：

適當增加樣本含量，這是最好的辦法。結合專業知識考慮是否可以將格所在行或列與別的行或列合併，是否可以合老蠢並要根據樣本的專業特性確定，合併後會損失資訊。該用r*c表的高含氏fisher確切概率戚散法，可以用計算機軟體操作。