独立性のカイ二乗検定
独立性のカイ二乗（χ²）検定は、2 つのカテゴリ変数（名義尺度または順序尺度）が関連しているか無関係であるかを判断するためによく使用されるノンパラメトリック統計手法です。社会、健康、教育、マーケティング、政策分析の多くの研究において、研究者は性別（男性/女性）、喫煙状況（あり/なし）、学歴（高校卒業/卒業証書/学士号）、ブランド嗜好（A/B/C）などのカテゴリデータに遭遇することがよくあります。独立性のカイ二乗検定は、ある変数の分布が他の変数カテゴリ間で有意に異なるかどうかという根本的な疑問に答えるのに役立ちます。
基本概念：独立とは何か？
2つの変数は、最初の変数のカテゴリーに関する情報が2番目の変数のカテゴリーを予測するのに役立たない場合、独立していると言われます。例えば、「性別」と「飲料の好み」が独立している場合、男性グループと女性グループの両方で飲料の好みの割合は比較的似通っています。逆に、割合が大きく異なる場合は、2つの変数は独立していない（関連している）ことを示しています。
独立性のカイ二乗検定は、観測頻度（実際に観測されたデータ）と期待頻度（2つの変数が真に独立している場合に「発生するはずの」頻度）を比較することによって機能します。観測値と期待値の差が大きいほど、χ²統計量の値は大きくなり、関係性の証拠は強くなります。
分割表
このテストのデータは分割表に整理されており、2つの変数のカテゴリ別組み合わせの頻度が表示されます。たとえば、喫煙状況（あり／なし）と慢性咳嗽の発生率（あり／なし）の関係を調べてみましょう。各組み合わせの回答者数を含む2×2の表を作成します。
一般的に、表のサイズは、各変数のカテゴリ数に応じて、2×2、2×3、3×4などになります。カイ二乗独立性検定は、一定の条件を満たしていれば、どのサイズの表にも適用できます。
仮説検定
独立性のカイ二乗検定における仮説は次のとおりです。
– H0（帰無仮説）：両方の変数は独立している（関係性／関連性はない）。
– H1（対立仮説）：2つの変数は独立ではない（関係性／関連性がある）。
この検定の目的は、データが帰無仮説H0を棄却するのに十分な証拠を提供しているかどうかを判断することである。
カイ二乗統計式
カイ二乗検定統計量は、次の式を用いて計算されます。
\[
\chi^2 = \sum \frac{(O_{ij} – E_{ij})^2}{E_{ij}}
\]
ケテランガン：
– \(O_{ij}\) は、セル i 行目 j 列目の観測頻度です。
– \(E_{ij}\) は、i 行 j 列のセルにおける期待頻度です。
期待頻度は、行合計と列合計から計算されます。
\[
E_{ij} = \frac{(\text{i行目の合計}) \times (\text{j列目の合計})}{\text{総計}}
\]
この式は、各行と各列の分布が互いに影響し合わない（独立している）場合に予想される結果を反映しています。
自由度
この検定の自由度（df）は、表のサイズによって決まります。
\[
df = (r – 1)(c – 1)
\]
と：
– \(r\) = 行数（最初の変数カテゴリ）
– \(c\) = 列数（2番目の変数カテゴリ）
自由度は、p値を決定するために使用されるカイ二乗分布の形状に影響を与える。
カイ二乗独立性検定の実施手順
このテストを実施する一般的な手順は以下のとおりです。
1. データを分割表に整理する。
データはパーセンテージではなく、頻度の形式で示すようにしてください。
2. 式 \(E_{ij}\) を使用して、各セルの期待頻度を計算します。
3. すべてのセルについて \((OE)^2/E\) の成分を合計して χ² の値を計算します。
4. \((r-1)(c-1)\)を使用してdfを決定します。
5. 自由度 (df) のカイ二乗分布に基づいて p 値を計算します (または、計算された χ² を有意水準 α (例えば 0,05) の χ² 表と比較します)。
6．決断を下す。
– p値≦αの場合→H0を棄却→関係性／依存関係が存在する。
– p値 > αの場合 → H0を棄却できない → 関係性の証拠はない。
7．実質的解釈
単に「有意」か「有意ではない」かではなく、研究の文脈においてその関係が何を意味するのかを説明してください。
解釈例（詳細な計算なし）
ある研究者が「学習方法」（個人学習／グループ学習）と「卒業」（合格／不合格）の関係を評価しているとします。カイ二乗検定を行った結果、p値は0,02でした。有意水準α=0,05の場合、帰無仮説H0を棄却し、学習方法と卒業の間には関係があると判断します。次に研究者は、どのセルが最も大きな差をもたらすか（例えば、グループ学習が卒業者の割合を増加させるかどうか）を特定する必要があります。実際には、標準化残差や効果量を調べることで、分析をさらに拡張することができます。
重要な用語と前提条件
カイ二乗検定はノンパラメトリック検定ですが、いくつかの重要な要件があります。
1. データはカウント（頻度）の形式で表され、各対象は1つのカテゴリにのみ属します（相互排他的）。
2. 独立した観測値。つまり、1人の回答者が複数回カウントされることはなく、観測値間にペア関係はありません。
3. 期待頻度が十分に大きいこと。一般的な経験則として、ほとんどの \(E_{ij}\) 値は 5 以上である必要があります。期待値が小さいセルが多すぎると、カイ二乗検定の結果が無効になる可能性があります。
度数が少ない2×2分割表の場合、一般的な代替手法としてフィッシャーの正確確率検定があります。ペアデータ（例えば、同一回答者に対する前後比較）の場合、代替手法としてマクネマー検定があります。
効果の大きさ：単に有意なだけではない
有意な結果が得られたからといって、必ずしも「強い」関係性があるとは限りません。そのため、例えば以下のような効果量を報告することが推奨されることがよくあります。
– 2×2表のファイ（φ）
– 大きなテーブル用の Cramér's V
クレイマーのV係数は0から1までの範囲を取り、値が大きいほど関連性が強いことを示します。効果量を報告することで、読者は単に関連性が存在するだけでなく、その強さを理解することができます。
利点と限界
ケレビハン：
―カテゴリデータに使いやすい。
正規分布を仮定する必要がない。
―多くの研究分野に適しています。
ケテルバタサン:
– サンプルサイズに敏感：サンプルサイズが大きいと、小さな差が「有意」になる可能性がある。
関係の方向性を直接示すのではなく、関連性の有無のみを示す。
―多くの細胞の期待頻度が小さい場合、問題が生じる。
解釈は、追加的な分析（例えば、比率や残差を調べるなど）によって裏付けられる必要がある。
閉鎖
独立性のカイ二乗検定は、2つのカテゴリ変数間の関係の有無を評価するための重要なツールです。研究者は、分割表を作成し、期待度数を計算し、χ²統計量を用いて観測度数と比較することで、独立性の仮説を客観的に検証できます。しかし、信頼性の高い分析を行うためには、有意な効果の有無を判断するだけでなく、効果量を報告し、期待度数の要件を検討し、研究の実質的な文脈と結果を関連付ける必要があります。このように、カイ二乗検定は単なる数学的手順にとどまらず、カテゴリデータの関係性のパターンを理解するのに役立つ科学的推論の一部となります。
