卡方獨立性檢定
卡方（χ²）獨立性檢定是一種非參數統計方法，常用於判斷兩個分類變數（名目變數或順序變數）是否相關。在許多社會、健康、教育、行銷和政策分析研究中，研究人員經常會遇到分類數據，例如性別（男/女）、吸菸狀況（是/否）、教育程度（高中/大專/本科）、品牌偏好（A/B/C）等等。卡方獨立性檢定有助於回答一個核心問題：一個變數的分佈在其他變數類別中是否有顯著差異？
基本概念：什麼是獨立性？
如果第一個變數的類別資訊不能幫助預測第二個變數的類別，則稱這兩個變數是獨立的。例如，如果「性別」和「飲料偏好」是獨立的，那麼男性和女性群體中飲料偏好的比例將相對接近。相反，如果這兩個比例存在顯著差異，則表示這兩個變數不是獨立的（相關的）。
卡方獨立性檢定的工作原理是將觀測頻率（我們看到的實際數據）與預期頻率（如果兩個變數真正獨立，「應該出現」的頻率）進行比較。觀測值與預期值之間的差異越大，χ² 統計量的值就越大，表示變數之間存在關聯的證據就越強。
列聯表
本測驗的資料以列聯表的形式呈現，該表顯示了兩個變數分類組合的頻率。例如，我們來檢視吸菸狀況（是/否）與慢性咳嗽發生率（是/否）之間的關係。我們將建立一個 2x2 列聯表，其中包含每種組合的受訪者人數。
一般來說，表格可以是 2×2、2×3、3×4 等等，這取決於每個變數的類別數。只要滿足某些條件，卡方獨立性檢定可以用於任意大小的表格。
假設檢定
卡方獨立性檢定的假設是：
– H0（零假設）：兩個變數是獨立的（沒有關係/關聯）。
– H1（備擇假設）：這兩個變數不是獨立的（存在關係/關聯）。
此檢定的目的是確定數據是否提供了足夠的證據來拒絕原假設 H0。
卡方統計公式
卡方檢定統計量的計算公式如下：
\[
\chi^2 = \sum \frac{(O_{ij} – E_{ij})^2}{E_{ij}}
\]
信息：
– \(O_{ij}\) 是單元格第 i 行第 j 列的觀測頻率。
– \(E_{ij}\) 是第 i 行第 j 列單元格中的期望頻率。
預期頻率由行總計和列總計計算得出：
\[
E_{ij} = \frac{(\text{第 i 行總計}) \times (\text{第 j 列總計})}{\text{總計}}
\]
這個公式反映瞭如果每一行和每一列的分佈互不影響（相互獨立）時，預期會發生什麼情況。
自由度
此檢定的自由度（df）由表格的大小決定：
\[
自由度 = (r – 1)(c – 1)
\]
和：
– \(r\) = 行數（第一個變數類別）
– \(c\) = 列數（第二個變數類別）
自由度會影響用於確定 p 值的卡方分佈的形狀。
執行卡方獨立性檢定的步驟
以下是執行此測試的一般步驟：
1. 將資料整理成列聯表。
請確保資料以頻數呈現，而不是百分比形式。
2. 使用公式 \(E_{ij}\) 計算每個單元格的期望頻率。
3. 對所有單元格的 \((OE)^2/E\) 分量求和，計算 χ² 的值。
4. 使用 \((r-1)(c-1)\) 決定 df。
5. 根據自由度為 df 的卡方分佈計算 p 值（或將計算出的 χ² 與顯著性水準 α（例如 0,05）下的 χ² 表進行比較）。
6. 做出決定。
– 如果 p 值 ≤ α → 拒絕 H0 → 存在關係/依賴性。
– 如果 p 值 > α → 無法拒絕 H0 → 沒有證據顯示有關係。
7. 實質解釋。
請解釋該關係在研究背景下的意義，而不僅僅是「顯著」或「不顯著」。
解釋範例（不包含詳細計算）
假設一位研究者正在評估「學習方法」（獨立學習/小組學習）與「畢業」（通過/未通過）之間的關係。進行卡方檢定後，p值為0,02。在α=0,05的顯著水準下，結論是拒絕原假設H0，顯示學習方法與畢業之間存在關聯。接下來，研究者需要確定哪些因素對差異的貢獻最大（例如，小組學習是否提高了畢業率）。在實踐中，可以透過檢視標準化殘差或效應量來擴展分析。
重要術語和假設
雖然卡方檢定是非參數檢驗，但它有幾個重要的要求：
1. 資料以計數（頻率）的形式呈現，每個物件只能屬於一個類別（互斥）。
2. 獨立觀察，意味著一個受訪者不能被多次計數，觀察之間沒有配對關係。
3. 期望頻數夠大。一個常用的經驗法則是：大多數 \(E_{ij}\) 值應 ≥ 5。如果期望值較小的儲存格過多，則卡方檢定結果可能無效。
對於頻數較小的 2×2 列聯表，常用的替代方法是 Fisher 精確檢定。對於配對資料（例如，同一受訪者的前後對比資料），則可使用 McNemar 檢定。
效應量：不只是顯著
結果顯著並不一定意味著存在「強」關係。因此，通常建議報告效應量，例如：
– 2×2 表的 Phi (φ)
– Cramér 的 V 用於較大的桌子
克萊默V係數的值範圍為0到1，數值越大表示關聯性越強。報告效應量有助於讀者理解關係的強度，而不僅僅是關係的存在。
優點與局限性
Kelebihan：
– 易於處理分類資料。
不需要假設常態性。
– 適用於多個研究領域。
Keterbatasan:
對樣本量敏感：大樣本量可能使微小的差異「顯著」。
– 不直接顯示關係的方向，只顯示是否有關聯。
– 如果許多細胞的預期頻率都很小，那就有問題。
– 解釋必須有其他分析支援（例如，查看比例或殘差）。
關閉
卡方獨立性檢定是評估兩個分類變數之間是否存在關係的重要工具。透過建立列聯表、計算期望頻數並使用 χ² 統計量將其與觀測頻數進行比較，研究人員可以客觀地檢驗獨立性假設。然而，為了進行穩健的分析，研究人員不應僅限於判斷是否存在顯著效應；他們還應報告效應量、檢驗期望頻數要求，並將研究結果與研究的實質背景聯繫起來。因此，卡方檢定不僅是一種數學程序，更是科學推理的一部分，有助於理解分類資料中的關係模式。
