Калькулятор теста хи-квадрат
Вычислите статистику хи-квадрат, число степеней свободы и p-значение для теста независимости (таблица сопряжённости) или критерия согласия (наблюдаемые и ожидаемые частоты).
Провести тест хи-квадрат
Формула теста хи-квадрат
Где:
- \(O_i\) — наблюдаемая частота в категории или ячейке \(i\)
- \(E_i\) — ожидаемая частота при нулевой гипотезе
- \(k\) — число категорий (или ячеек таблицы)
Статистика показывает, насколько наблюдаемые частоты отклоняются от предсказаний нулевой гипотезы. Большие отклонения дают большое \(\chi^2\), что, в свою очередь, приводит к малому p-значению.
Ожидаемые частоты зависят от типа теста:
- Критерий согласия: \(E_i\) берётся из вашего теоретического распределения; число степеней свободы равно \(df = k - 1\) (минус единица за каждый параметр, оценённый по данным).
- Тест независимости: для таблицы с \(r\) строками и \(c\) столбцами ожидаемая частота ячейки \((i, j)\) равна \(E_{ij} = \dfrac{R_i \cdot C_j}{N}\), где \(R_i\) — сумма по строке, \(C_j\) — сумма по столбцу, а \(N\) — общая сумма. Число степеней свободы равно \(df = (r-1)(c-1)\).
P-значение — это вероятность правого хвоста \(P(\chi^2_{df} \ge \chi^2)\) распределения хи-квадрат с \(df\) степенями свободы.
Тест хи-квадрат — пример расчёта
Пример: в опросе 130 человек зафиксированы пол (две группы) и предпочтение среди трёх продуктов. Таблица сопряжённости наблюдаемых частот:
\[ \begin{array}{c|ccc} & A & B & C \\ \hline \text{Группа 1} & 10 & 20 & 20 \\ \text{Группа 2} & 40 & 20 & 20 \end{array} \]
Суммы по строкам равны 50 и 80; суммы по столбцам — 50, 40 и 40; \(N = 130\). Ожидаемая частота для первой ячейки равна \(E_{11} = \frac{50 \times 50}{130} = 19.2308\). Вычислив остальные ячейки аналогичным образом, получаем:
\[ E = \begin{array}{ccc} 19.2308 & 15.3846 & 15.3846 \\ 30.7692 & 24.6154 & 24.6154 \end{array} \]
Теперь просуммируем квадраты относительных отклонений:
\[ \chi^2 = \frac{(10-19.2308)^2}{19.2308} + \frac{(20-15.3846)^2}{15.3846} + \cdots + \frac{(20-24.6154)^2}{24.6154} = 11.7000 \]
При \(df = (2-1)(3-1) = 2\) p-значение равно \(p = 0.0029\).
Результат: \(\chi^2 = 11.7000\), \(df = 2\), \(p = 0.0029\). Поскольку \(p < 0.05\), между двумя переменными существует статистически значимая связь.
Как пользоваться калькулятором
- Выберите Тип теста: «Тест независимости (таблица сопряжённости)» или «Критерий согласия (наблюдаемые и ожидаемые частоты)».
- Для критерия согласия введите частоты в поля Наблюдаемые частоты, а теоретические значения — в Ожидаемые частоты, разделяя их пробелами, точками с запятой или переводами строки. Оба списка должны содержать одинаковое количество значений и одинаковые суммы.
- Для теста независимости введите таблицу в поле Таблица сопряжённости (наблюдаемые): по одной строке на строку таблицы, частоты в каждой строке разделяются пробелами. Ожидаемые частоты вычисляются автоматически по суммам строк и столбцов.
- Прочитайте результаты: статистику хи-квадрат, число степеней свободы, p-значение и интерпретацию простым языком при уровне значимости \(\alpha = 0.05\).
Что такое тест хи-квадрат
Тест хи-квадрат — это непараметрический критерий для категориальных данных. Он сравнивает фактически наблюдаемые частоты с теми, которые ожидались бы, если бы нулевая гипотеза была верна, и выражает расхождение одним числом. Если расхождение больше того, которое могло бы правдоподобно возникнуть случайно, нулевая гипотеза отвергается.
Два поддерживаемых варианта отвечают на разные вопросы. Критерий согласия проверяет, следует ли одна категориальная переменная заданному распределению — например, является ли игральная кость честной (ожидается по 10 выпадений на грань при 60 бросках) или соответствуют ли приходы клиентов теоретической модели. Тест независимости проверяет, связаны ли две категориальные переменные: зависит ли предпочтение продукта от пола или зависит ли результат лечения от группы дозировки.
Выдаваемое p-значение — это вероятность получить статистику хи-квадрат не меньше вычисленной при условии, что нулевая гипотеза верна. Распространённый порог — \(\alpha = 0.05\): если \(p < 0.05\), наблюдаемые отклонения считаются статистически значимыми. Помните, что статистическая значимость не означает сильную или практически важную связь — на больших выборках значимыми становятся даже малые отклонения. Чтобы оценить силу связи для числовых (а не категориальных) переменных, лучше подойдёт инструмент вроде калькулятора коэффициента корреляции.
Допущения, ограничения и практические советы
- Частоты, а не проценты. Тест работает с абсолютными частотами. Вводите фактическое число наблюдений в каждой категории, а не проценты или доли.
- Независимость наблюдений. Каждый объект должен учитываться ровно в одной ячейке. Повторные измерения или парные данные нарушают это допущение и требуют другого критерия.
- Ожидаемые частоты не менее 5. Распределение хи-квадрат хорошо аппроксимирует дискретное выборочное распределение, только если ожидаемые частоты не слишком малы. Если более чем в 20% ячеек \(E < 5\), объедините соседние категории или соберите больше данных — калькулятор отмечает это в интерпретации.
- Корректировка df для оценённых параметров. В критерии согласия, если параметры ожидаемого распределения оценивались по тем же данным (например, среднее Пуассона), вычитайте одну степень свободы за каждый оценённый параметр; калькулятор выдаёт \(k-1\), и корректировку нужно выполнить вручную.
- Равные суммы в режиме критерия согласия. Сумма ожидаемых частот должна равняться сумме наблюдаемых. Если ваше теоретическое распределение задаёт доли, сначала умножьте их на общую наблюдаемую сумму.
- Если вы планируете исследование, а не анализируете уже проведённое, калькулятор объёма выборки поможет определить, сколько наблюдений вам нужно, а если ваши частоты связаны с редкими событиями, для вывода ожидаемых частот полезен калькулятор распределения Пуассона.
Справка: критические значения при α = 0,05
Если \(\chi^2\) превышает указанное ниже критическое значение, результат значим на 5%-ном уровне для соответствующего числа степеней свободы:
| df | Критическое значение | df | Критическое значение |
|---|---|---|---|
| 1 | 3,841 | 6 | 12,592 |
| 2 | 5,991 | 8 | 15,507 |
| 3 | 7,815 | 10 | 18,307 |
| 4 | 9,488 | 15 | 24,996 |
| 5 | 11,070 | 20 | 31,410 |
В примере выше \(\chi^2 = 11.7\) при \(df = 2\) явно превышает критическое значение 5,991, что согласуется с полученным p-значением 0,0029.
Часто задаваемые вопросы
Как вычислить статистику хи-квадрат вручную?
Для каждой ячейки или категории вычтите ожидаемую частоту из наблюдаемой, возведите разность в квадрат и разделите на ожидаемую частоту: \((O - E)^2 / E\). Просуммируйте эти значения по всем ячейкам — получится \(\chi^2\). Затем сравните его с критическим значением из таблицы хи-квадрат или переведите в p-значение, используя своё число степеней свободы. Калькулятор автоматизирует последний шаг — самый трудоёмкий при ручном расчёте.
Какое значение хи-квадрат считается хорошим?
Абсолютно «хорошего» или «плохого» значения не существует — всё зависит от числа степеней свободы и уровня значимости. Большое \(\chi^2\) относительно df указывает на сильное расхождение с нулевой гипотезой. При \(\alpha = 0.05\) грубое правило: \(\chi^2\), превышающий примерно вдвое число степеней свободы, обычно значим, но вместо опоры на это правило всегда проверяйте p-значение или таблицу критических значений.
Почему p-значение важнее самой величины хи-квадрат?
У «сырой» статистики нет фиксированной шкалы интерпретации, поскольку её распределение меняется с числом степеней свободы. P-значение переводит \(\chi^2\) в вероятность: шанс увидеть расхождение хотя бы такого размера, если бы нулевая гипотеза была верна. Поэтому стандартное правило принятия решения формулируется через p — обычно нулевую гипотезу отвергают при \(p < 0.05\), а для более строгих требований используют \(0.01\).
Нужно ли применять поправку Йейтса для таблицы 2×2?
Для таблицы сопряжённости 2×2 многие статистики применяют поправку Йейтса на непрерывность, вычитая 0,5 из каждой абсолютной разности \(|O - E|\) перед возведением в квадрат. Она уменьшает статистику и делает тест более консервативным. Этот калькулятор выдаёт статистику без поправки — так же, как большинство программ по умолчанию. Если в вашей таблице 2×2 малые ожидаемые частоты (менее 5), рассмотрите вместо этого точный тест Фишера.
Можно ли использовать тест хи-квадрат для процентов, средних или ранговых данных?
Нет. Критерий требует исходных частот независимых наблюдений, распределённых по взаимоисключающим категориям. Проценты или доли уничтожают информацию об объёме выборки. Для сравнения средних по группам используйте t-тест или дисперсионный анализ; для ранговых или порядковых данных — непараметрический критерий, например U-критерий Манна — Уитни или ранговую корреляцию Спирмена.
Как понять, имеет ли результат хи-квадрат практическую значимость?
Статистическая значимость лишь говорит, что отклонение вряд ли случайно — на большой выборке значимой становится даже ничтожная связь. Чтобы измерить силу связи, вычислите величину эффекта, например V Крамера для таблиц сопряжённости: \(V = \sqrt{\chi^2 / (N \cdot \min(r-1, c-1))}\), принимающую значения от 0 до 1. Значения около 0,1 считаются слабыми, 0,3 — умеренными, 0,5 и выше — сильными, хотя многое зависит от контекста.
Что делать, если ожидаемые частоты слишком малы?
Если ожидаемые частоты ниже 5 более чем в 20% ячеек, аппроксимация хи-квадрат становится ненадёжной и p-значения могут получаться завышенно либеральными. Возможные решения: объединить соседние категории (это уменьшает df), собрать больше данных или — для малых таблиц 2×2 — использовать точный тест Фишера, который вычисляет вероятности напрямую без аппроксимации для больших выборок.