Калькулятор тесту хи-квадрат
Обчисліть статистику хи-квадрат, ступені вільності та p-значення для тесту незалежності (таблиця спряженості) або критерію згоди (спостережувані та очікувані частоти).
Виконайте тест хи-квадрат
Формула тесту хи-квадрат
Де:
- \(O_i\) — спостережувана частота в категорії або клітинці \(i\)
- \(E_i\) — очікувана частота за нульової гіпотези
- \(k\) — кількість категорій (або клітинок таблиці)
Статистика показує, наскільки спостережувані частоти відхиляються від тих, що передбачає нульова гіпотеза. Великі відхилення дають велике значення \(\chi^2\), яке, своєю чергою, дає мале p-значення.
Очікувані частоти відрізняються залежно від типу тесту:
- Критерій згоди: \(E_i\) береться з вашого теоретичного розподілу; ступені вільності дорівнюють \(df = k - 1\) (мінус один за кожний параметр, оцінений за даними).
- Тест незалежності: для таблиці з \(r\) рядками та \(c\) стовпцями очікувана частота клітинки \((i, j)\) дорівнює \(E_{ij} = \dfrac{R_i \cdot C_j}{N}\), де \(R_i\) — сумма рядка, \(C_j\) — сумма стовпця, а \(N\) — загальна сумма. Ступені вільності дорівнюють \(df = (r-1)(c-1)\).
P-значення — це ймовірність верхнього хвоста \(P(\chi^2_{df} \ge \chi^2)\) розподілу хи-квадрат із \(df\) ступенями вільності.
Тест хи-квадрат – приклад обчислення
Приклад: опитування 130 людей фіксує стать (дві групи) і уподобання серед трьох продуктів. Таблиця спряженості спостережуваних частот:
\[ \begin{array}{c|ccc} & A & B & C \\ \hline \text{Група 1} & 10 & 20 & 20 \\ \text{Група 2} & 40 & 20 & 20 \end{array} \]
Суми рядків дорівнюють 50 і 80; суми стовпців — 50, 40 і 40; \(N = 130\). Очікувана частота першої клітинки: \(E_{11} = \frac{50 \times 50}{130} = 19.2308\). Обчисливши решту клітинок так само, отримуємо:
\[ E = \begin{array}{ccc} 19.2308 & 15.3846 & 15.3846 \\ 30.7692 & 24.6154 & 24.6154 \end{array} \]
Тепер підсумуємо квадрати відносних відхилень:
\[ \chi^2 = \frac{(10-19.2308)^2}{19.2308} + \frac{(20-15.3846)^2}{15.3846} + \cdots + \frac{(20-24.6154)^2}{24.6154} = 11.7000 \]
За \(df = (2-1)(3-1) = 2\) p-значення дорівнює \(p = 0.0029\).
Результат: \(\chi^2 = 11.7000\), \(df = 2\), \(p = 0.0029\). Оскільки \(p < 0.05\), між двома змінними існує статистично значущий зв'язок.
Як користуватися калькулятором
- Виберіть Тип тесту: «Тест незалежності (таблиця спряженості)» або «Критерій згоди (спостережувані vs. очікувані)».
- Для критерію згоди введіть свої частоти в поле Спостережувані частоти, а теоретичні значення — у поле Очікувані частоти, розділяючи їх пробілами, крапками з комою або новими рядками. Обидва списки повинні мати однакову кількість значень і однакову суму.
- Для тесту незалежності введіть свою таблицю в поле Таблиця спряженості (спостережувані частоти): один рядок таблиці на рядок тексту, частоти в кожному рядку розділені пробілами. Очікувані частоти обчислюються автоматично на основі сум рядків і стовпців.
- Зчитайте результати: статистику хи-квадрат, ступені вільності, p-значення та тлумачення простою мовою на рівні значущості \(\alpha = 0.05\).
Що таке тест хи-квадрат
Тест хи-квадрат — це непараметричний критерій для категоріальних даних. Він порівнює частоти, які ви фактично спостерігали, з частотами, які очікувалися б, якби нульова гіпотеза була істинною, і виражає розбіжність одним числом. Якщо розбіжність більша за ту, яку могла б правдоподібно створити випадковість, нульова гіпотеза відхиляється.
Два підтримувані варіанти відповідають на різні питання. Критерій згоди перевіряє, чи підпорядковується одна категоріальна змінна заданому розподілу — наприклад, чи є кубик чесним (очікується по 10 на кожну грань із 60 кидків) або чи відповідає потік клієнтів теоретичній моделі. Тест незалежності перевіряє, чи пов'язані дві категоріальні змінні: чи залежать уподобання щодо продукту від статі або чи залежить результат лікування від групи дозування.
P-значення — це ймовірність отримати статистику хи-квадрат принаймні таку ж велику, як обчислена, за припущення істинності нульової гіпотези. Поширений поріг — \(\alpha = 0.05\): якщо \(p < 0.05\), спостережувані відхилення вважаються статистично значущими. Пам'ятайте, що статистична значущість не означає сильний або практично важливий зв'язок — за великих вибірок значущими стають навіть малі відхилення. Щоб оцінити силу зв'язку для числових (а не категоріальних) змінних, краще підійде інструмент, як-от калькулятор коефіцієнта кореляції.
Припущення, обмеження та практичні поради
- Частоти, а не відсотки. Тест працює з абсолютними частотами. Вводьте фактичну кількість спостережень у кожній категорії, а не відсотки чи частки.
- Незалежні спостереження. Кожен об'єкт має потрапляти рівно в одну клітинку. Повторні вимірювання або парні дані порушують це припущення і потребують іншого тесту.
- Очікувані частоти щонайменше 5. Розподіл хи-квадрат добре наближає дискретний розподіл вибіркової статистики лише тоді, коли очікувані частоти не надто малі. Якщо більш ніж у приблизно 20% клітинок \(E < 5\), об'єднайте сусідні категорії або зберіть більше даних — калькулятор позначає це в тлумаченні.
- Скоригуйте df для оцінених параметрів. У критерії згоди, якщо параметри очікуваного розподілу були оцінені за тими самими даними (наприклад, середнє Пуассона), віднімайте один ступінь вільності за кожний оцінений параметр; калькулятор показує \(k-1\), і очікується, що ви скоригуєте значення вручну.
- Однакові суми в режимі критерію згоди. Сума очікуваних частот має дорівнювати сумі спостережуваних. Якщо ваш теоретичний розподіл дає частки, спочатку помножте їх на спостережувану суму.
- Якщо ви плануєте дослідження, а не аналізуєте його, калькулятор розміру вибірки допоможе визначити, скільки спостережень вам потрібно, а якщо ваші частоти походять від рідкісних подій, калькулятор розподілу Пуассона зручний для отримання очікуваних частот.
Довідка: критичні значення при α = 0,05
Якщо \(\chi^2\) перевищує критичне значення нижче, результат є значущим на 5%-му рівні для відповідних ступенів вільності:
| df | Критичне значення | df | Критичне значення |
|---|---|---|---|
| 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 |
У прикладі вище \(\chi^2 = 11.7\) за \(df = 2\) явно перевищує критичне значення 5.991, що узгоджується зі звітним p-значенням 0,0029.
Часті запитання
Як обчислити статистику хи-квадрат вручну?
Для кожної клітинки або категорії відніміть очікувану частоту від спостережуваної, зведіть різницю в квадрат і розділіть на очікувану частоту: \((O - E)^2 / E\). Підсумуйте ці значення по всіх клітинках, щоб отримати \(\chi^2\). Потім порівняйте його з критичним значенням із таблиці хи-квадрат або перетворіть у p-значення, використовуючи свої ступені вільності. Калькулятор автоматизує останній крок — саме він найважчий для ручних обчислень.
Яке значення хи-квадрат вважається хорошим?
Абсолютно хорошого чи поганого значення не існує — все залежить від ступенів вільності та вашого рівня значущості. Велике \(\chi^2\) відносно df вказує на велику розбіжність із нульовою гіпотезою. За \(\alpha = 0.05\) як грубе правило можна вважати, що \(\chi^2\), більший приблизно ніж удвічі за ступені вільності, зазвичай значущий, але завжди перевіряйте p-значення або таблицю критичних значень, а не покладайтеся на це правило.
Чому p-значення важливіше за саме значення хи-квадрат?
Сама статистика не має фіксованої шкали тлумачення, оскільки її розподіл змінюється зі ступенями вільності. P-значення перетворює \(\chi^2\) на ймовірність: шанс побачити розбіжність принаймні таку велику, якби нульова гіпотеза була істинною. Саме тому загальне правило прийняття рішення формулюється через p — зазвичай нульову гіпотезу відхиляють, коли \(p < 0.05\), або використовують \(0.01\) для суворіших доказів.
Чи варто застосовувати поправку Єйтса для таблиці 2×2?
Для таблиці спряженості 2×2 багато статистиків застосовують поправку на неперервність Єйтса, яка віднімає 0,5 від кожної абсолютної різниці \(|O - E|\) перед піднесенням у квадрат. Вона зменшує статистику і робить тест більш консервативним. Цей калькулятор показує непоправлену статистику — саме її більшість програм за замовчуванням виводить. Якщо у вашій таблиці 2×2 малі очікувані частоти (менше 5), розгляньте натомість точний тест Фішера.
Чи можна використовувати тест хи-квадрат для відсотків, середніх або рангових даних?
Ні. Тест потребує абсолютних частот незалежних спостережень, розподілених за взаємно виключними категоріями. Відсотки або частки знищують інформацію про розмір вибірки. Для порівняння середніх за групами використовуйте t-тест або дисперсійний аналіз; для рангових або порядкових даних — непараметричний тест, як-от U-тест Манна — Уітні або рангова кореляція Спірмена.
Як зрозуміти, чи мій результат хи-квадрат практично важливий?
Статистична значущість лише каже, що відхилення навряд чи є випадковим — за великої вибірки значущим стає навіть тривіальний зв'язок. Щоб виміряти силу, обчисліть розмір ефекту, як-от V Крамера для таблиць спряженості: \(V = \sqrt{\chi^2 / (N \cdot \min(r-1, c-1))}\), який змінюється від 0 до 1. Значення близько 0,1 — слабкі, 0,3 — помірні, 0,5 і вище — сильні, хоча контекст має значення.
Що робити, якщо мої очікувані частоти надто малі?
Якщо очікувані частоти падають нижче 5 більш ніж у приблизно 20% клітинок, наближення хи-квадрат стає ненадійним, і p-значення можуть бути завищеними (тест стає занадто «ліберальним»). Рішення включають об'єднання сусідніх категорій (що зменшує df), збір більше даних або — для малих таблиць 2×2 — використання точного тесту Фішера, який обчислює ймовірності напряму, без асимптотичного наближення.