מבחן צ'י בריבוע לעצמאות

מבחן כי בריבוע לעצמאות

מבחן כי בריבוע (χ²) לעצמאות הוא שיטה סטטיסטית לא פרמטרית המשמשת לעתים קרובות כדי לקבוע האם שני משתנים קטגוריים (סולם נומינלי או סדור) קשורים או לא קשורים. במחקרים רבים בתחומי החברה, הבריאות, החינוך, השיווק והמדיניות, חוקרים נתקלים לעתים קרובות בנתונים קטגוריים כגון מין (גבר/נקבה), סטטוס עישון (כן/לא), רמת השכלה (תיכון/דיפלומה/תואר ראשון), העדפות מותג (A/B/C) וכן הלאה. מבחן כי בריבוע לעצמאות מסייע לענות על השאלה המרכזית: האם התפלגות משתנה אחד שונה באופן משמעותי על פני קטגוריות משתנים אחרות?

מושגים בסיסיים: מהי עצמאות?

שני משתנים נחשבים בלתי תלויים אם מידע על הקטגוריות במשתנה הראשון אינו מסייע לחיזוי הקטגוריות במשתנה השני. לדוגמה, אם "מגדר" ו"העדפת משקה" אינם בלתי תלויים, אזי שיעור העדפות המשקה יהיה דומה יחסית בקבוצות הגברים והנשים כאחד. לעומת זאת, אם הפרופורציות שונות באופן משמעותי, אזי הדבר מצביע על כך ששני המשתנים אינם בלתי תלויים (קשורים).

מבחן כי בריבוע לבדיקת אי-תלות פועל על ידי השוואת תדירויות נצפות (הנתונים בפועל שאנו רואים) עם תדירויות צפויות (התדירויות ש"צריכות להתרחש" אם שני המשתנים היו בלתי תלויים באמת). ככל שההפרש בין הערכים הנצפים והצפויים גדול יותר, כך ערך הסטטיסטיקה χ² גדול יותר, וכך הראיות לקשר חזקות יותר.

טבלת מקרי מעבר

הנתונים עבור מבחן זה מאורגנים בטבלת חלופות, המציגה שכיחויות עבור צירופים קטגוריים של שני משתנים. לדוגמה, בואו נבחן את הקשר בין מצב עישון (כן/לא) לבין שכיחות שיעול כרוני (כן/לא). ניצור טבלה 2x2 המכילה את מספר המשיבים בכל צירוף.

באופן כללי, טבלאות יכולות להיות בגודל 2×2, 2×3, 3×4 וכן הלאה, בהתאם למספר הקטגוריות בכל משתנה. ניתן להשתמש במבחן כי בריבוע לחוסר תלות עבור טבלאות בכל גודל, כל עוד מתקיימים תנאים מסוימים.

מבחן השערה

במבחן כי בריבוע לאי-תלות, ההשערה היא:

– H0 (השערת אפס): שני המשתנים בלתי תלויים (אין קשר/אסוציאציה).
– H1 (השערה חלופית): שני המשתנים אינם בלתי תלויים (יש קשר/אסוציאציה).

מטרת המבחן היא לקבוע האם הנתונים מספקים ראיות מספיקות כדי לדחות את H0.

נוסחה סטטיסטית של כי בריבוע

סטטיסטיקת מבחן כי בריבוע מחושבת באמצעות הנוסחה:

\[
\chi^2 = \sum \frac{(O_{ij} – E_{ij})^2}{E_{ij}}
\]

מֵידָע:
– \(O_{ij}\) היא תדירות התצפית בשורה-i ובעמודה-j בתא.
– \(E_{ij}\) היא התדירות הצפויה בתא של שורה-i ועמודה-j.

התדירות הצפויה מחושבת מסכום השורות ומסך העמודות:

\[
E_{ij} = \frac{(\text{סה"כ שורה i}) \times (\text{סה"כ עמודה j})}{\text{סכום כולל}}
\]

נוסחה זו משקפת את מה שהיה צפוי לקרות אם ההתפלגויות בכל שורה ועמודה לא היו משפיעות זו על זו (היו בלתי תלויות).

דרגות חופש

דרגות החופש (df) עבור בדיקה זו נקבעות על ידי גודל הטבלה:

\[
df = (r – 1)(c – 1)
\]

עם:
– \(r\) = מספר השורות (קטגוריית המשתנים הראשונה)
– \(c\) = מספר עמודות (קטגוריית משתנים שנייה)

דרגות החופש משפיעות על צורת התפלגות כי בריבוע המשמשת לקביעת ערך p.

שלבים לביצוע מבחן העצמאות בריבוע כי

להלן הרצף הכללי לביצוע בדיקה זו:

1. סדרו את הנתונים בטבלת מקריות.
ודאו שהנתונים מוצגים בצורת תדירות ולא באחוזים.

2. חשב את התדירות הצפויה עבור כל תא באמצעות הנוסחה \(E_{ij}\).

3. חשב את הערך של χ² על ידי סיכום רכיבי \((OE)^2/E\) עבור כל התאים.

4. קבע את הערך df באמצעות (r-1)(c-1)).

5. חשב את ערך ה-p בהתבסס על התפלגות כי בריבוע עם מדד ה-df (או השווה את χ² המחושב עם הטבלה χ² ברמת המובהקות α, לדוגמה 0,05).

6. קבל החלטה.
– אם ערך p ≤ α → דחה את H0 → קיים קשר/תלות.
– אם ערך p > α → אינו דוחה את H0 → אין ראיות לקשר.

7. פרשנות מהותית.
הסבירו מה משמעות הקשר בהקשר של המחקר, לא רק "משמעותי" או "לא משמעותי".

דוגמה לפרשנות (ללא חישובים מפורטים)

נניח שחוקר מעריך את הקשר בין "שיטת לימוד" (עצמאית/קבוצתית) לבין "סיום לימודים" (עובר/נכשל). לאחר ביצוע מבחן כי בריבוע, ערך ה-p הוא 0,02. עם α = 0,05, המסקנה היא לדחות את H0, דבר המצביע על קשר בין שיטת הלימוד לסיום לימודים. לאחר מכן, החוקר צריך לקבוע אילו תאים תורמים את ההפרש הגדול ביותר (לדוגמה, האם לימוד קבוצתי מגדיל את שיעור הבוגרים). בפועל, ניתן להרחיב את הניתוח על ידי בחינת שאריות סטנדרטיות או גדלי אפקט.

מונחים והנחות חשובות

למרות שמבחן כי בריבוע אינו פרמטרי, למבחן זה מספר דרישות חשובות:

1. הנתונים הם בצורת ספירות (תדירות) וכל נושא נופל רק לקטגוריה אחת (סותרת הדדית).
2. תצפיות בלתי תלויות, כלומר לא ניתן לספור משיב אחד יותר מפעם אחת, ואין קשר זוגי בין התצפיות.
3. התדירות הצפויה גדולה מספיק. כלל אצבע נפוץ: רוב ערכי ה-\(E_{ij}\) צריכים להיות ≥ 5. אם יש יותר מדי תאים עם ערכים צפויים קטנים, תוצאות מבחן כי בריבוע עשויות להיות לא תקפות.

עבור טבלאות 2×2 עם שכיחויות נמוכות, חלופה נפוצה היא מבחן פישר המדויק. עבור נתונים מזווגים (למשל, לפני-אחרי על אותו משיב), חלופה היא מבחן מקנמר.

גודל האפקט: לא רק משמעותי

תוצאה משמעותית אינה בהכרח אומרת קשר "חזק". לכן, מומלץ לעתים קרובות לדווח על גודל ההשפעה, לדוגמה:

– פי (φ) עבור שולחן 2×2
– V של Cramér לשולחנות גדולים יותר

מדד ה-V של קרמר נע בין 0 ל-1, כאשר ערכים גדולים יותר מצביעים על קשר חזק יותר. דיווח על גדלי אפקט עוזר לקוראים להבין את עוצמת הקשר, ולא רק את קיומו.

יתרונות ומגבלות

קלביחאן:
– קל לשימוש עבור נתונים קטגוריים.
- לא דורש את הנחת הנורמליות.
- מתאים לתחומי מחקר רבים.

קטרבטסן:
– רגיש לגודל המדגם: מדגמים גדולים יכולים להפוך הבדלים קטנים ל"משמעותיים".
– לא מראה את כיוון הקשר באופן ישיר, אלא רק את נוכחותו/היעדרו של קשר.
– זה בעייתי אם לתאים רבים יש תדרים צפויים נמוכים.
– יש לתמוך בפרשנות בניתוח נוסף (למשל, התבוננות בפרופורציות או שאריות).

סְגִירָה

מבחן כי בריבוע לאי-תלות הוא כלי חשוב להערכת קיומו או היעדרו של קשר בין שני משתנים קטגוריים. על ידי בניית טבלת תנאי, חישוב תדירויות צפויות והשוואתם לתדירויות שנצפו באמצעות סטטיסטיקת χ², חוקרים יכולים לבחון באופן אובייקטיבי את השערת האי-תלות. עם זאת, כדי לייצר ניתוח מוצק, על החוקרים ללכת מעבר לקביעה האם קיימת השפעה משמעותית או לא; עליהם גם לדווח על גודלי אפקט, לבחון את דרישות התדירויות הצפויות ולקשר את הממצאים להקשר המהותי של המחקר. לפיכך, מבחן כי בריבוע הופך ליותר מסתם הליך מתמטי, אלא לחלק מהנמקה מדעית המסייעת להבין דפוסי קשרים בנתונים קטגוריים.