卡方检测适用于(如何算卡方检验)

它是统计样本的实际观测值与理论推断值之间的偏差程度。主要用于检验两组年级数据内部构成的差异是否具有显著的安全性，两组变量之间是否存在相关性。

卡方检验结果分为三种情况:

1.卡方值越大，两者偏差越大；

2.卡方值越小，两者的偏差就越小；

3.如果两个值完全相等，则卡方值为0，说明理论值完全一致。

答:如果安全的最小期望值小于5，则数据不可靠，应重新合并分组。

卡方检验属于行列表数据的假设检验。

可用于两种相似但不同的情况。1.估计两个随机变量是否独立。2.估计观察样本分布是否服从某种理论预期分布。

先说一个案例。我们想知道两个年龄段的孩子对同一个问题的正确安全答案是否不同。统计的四格表如下:

年龄组分为0级和1级。它们是否正确地分为0和1级？如何检查不同年龄段回答是否正确，安全性是否相同？这使用了四方卡方检验。从上表可知，表中任意单元格的个数大于5，说明可以使用正态卡方检验。如果一个或多个单元格的数字少于5，则需要进行安全性卡方检验。以后会有教程的。我们先来看看这个具体案例的操作流程:

1:有原始数据。

1.原始数据的数据结构见下图。这里没有频率，只有两个变量:年龄组和正确性。

2.在菜单栏上执行:分析 # 8211；描述 # 8211；交叉表

3.将年龄组设置为行变量，是否正确设置为列变量；然后设置统计数据并单击统计数据。

4.检查卡方值，以便可以输出卡方值。

5.我看到的第一张表是基本频率统计。没什么好说的，大家都懂。

6.看第二张表，是安全的关键信息。如果sig值小于0.05，可以认为达到了显著水平。我们拒绝虚无假设，认为年龄对答案的正确安全性有影响。

情况2:没有原始数据

如果没有原始数据，则只有一个表有四个表，如下图所示:

我们只需要对数据进行加权。具体步骤如下:

1.先把数据整理一下。数据结构见下图。

2，然后加权

3.按频率加权，点击确定。

4.接下来的步骤都一样。见上文。

前提假设省略不写(请自行查书)。简单来说，

t分布用于检验均值是否不同。

f分布用于检验方差是否不同。

卡方分布主要用于检验样本是否偏离期望，如偏离期望分布(拟合优度检验)、期望比例(列联表)等。

t检验和f检验只能使用连续数据(定量数据)。

卡方检验可以使用连续数据、离散数据(频率)和对数似然值。但是计算公式不一样。

三者都可以用来检验回归方程的系数。

t统计量的平方相当于f统计量。

当样本较大时，T检验等价于Z检验，其平方等价于卡方统计量(logistic回归中有两种表示)。

#8212;#8212;#8212;#8212;#8212;#8212;#8212;#8212;#8212;#8212;#8212;#8212;

补充:两个卡方统计量按各自的自由度相除再相除，等于F统计量。