【2015.】交叉表卡方和非參數卡方,到底啥關係?

2021-03-02 精鼎統計
     SPSS軟體之中，有兩處均可以實現卡方檢驗，讓初學小白們有點納悶，為啥都是卡方，卻要放到不同的菜單模塊中，其中的緣由是啥呢？其實卡方是一家，因為功效而分家，交叉卡方負責組間比，非參卡方負責單組找比例！

  

分析-描述統計-交叉表中的卡方：為分類變量獨立性檢驗的卡方。其用途為：多組分類找差異。就是為了比較組間差異性的。

如不同性別大學生血型構成比較，主要目的尋找不同性別間的差異。

    得到的結果為Pearson卡方、似然比卡方、線性趨勢卡方，對於四格表資料還可以自動計算Fisher確切概率法。

  

非參數-卡方，為擬合優度卡方，反映單組分類變量是否符合某種特定比例的分布。

抽取100名大學生的近似比例，是否符合特定的比例如0.6。可以簡稱為：單組分類看比例。

如下設置性別比例為6:4，進行卡方擬合優度驗證。

得到結果，P<0.001，所以認為該群體大學是性別男女比例不符合6:4比例。

 

問大家一個問題，看您有沒有想過，t檢驗有三種：

①單樣本t檢驗（單組資料）

②配對t檢驗（配對資料）

③兩獨立t檢驗（成組2組資料）

那我們處理分類變量的卡方有：

①有配對的Mcnemar卡方（配對資料）

②有成組四格表卡方和R×C卡方（處理2組或多組）

上面2個都可以在交叉表實現，那為啥沒有想t檢驗一樣的單樣本呢？這樣一總結，OK，齊活了，t檢驗和卡方檢驗各種類型都對應上了，思路框架是不是更加清晰了。
單樣本t檢驗，是已知一個樣本（數值變量）與一個總體均數比較；單樣本卡方，是已知一個樣本（分類變量）與一個總體比例比較；

整理不易，感謝點亮再看！

不求讚賞，請點亮再看

相關焦點

  • 卡方檢驗的多種應用場景總結
    如果是定類數據之間的差異性，比較均值顯然不合理，而用數字出現的頻數或比例進行比較，就可以不考慮數值本身的信息，直接比較出類別變量之間的關係情況。這類分析方法就被稱為卡方檢驗。本文將從概念、方法分類、每個方法的使用場景及案例分析對卡方檢驗進行介紹。
  • 卡方檢驗多種用途總結
    概念卡方檢驗是一種用途廣泛的分析定類數據差異性的方法，主要用於比較定類與定類數據的關係情況，以及分析實際數據的比例與預期比例是否一致。02.擬合優度檢驗結果上表格顯示，男女的實際頻數分別是48和52，預期頻數分別是40和60；經過卡方擬合優度檢驗顯示，實際比例和期望比例並沒有呈現出顯著性差異（X2=2.667，p=0.102&
  • 給大家推薦一款輕便的RC列聯表卡方統計分析工具
    2、功能強大：（1）能夠進行任意列聯表的描述性統計、Pearson卡方檢驗、Fisher精確概率、Kappa一致性檢驗、配對卡方檢驗。（2）直接給出統計量的及P值，無需查表。（3）對於四格表，還能給出OR值及置信區間。（4）對於行列數大於2的列聯表，還能自動進行兩兩比較。
  • 問卷與量表分析:【09】變量之間的關係之交叉分析與卡方檢驗
    本文和下一篇文章介紹如何對變量之間的關係進行分析。一般來說我們要根據變量的類型來確定變量之間關係的分析方法；下表展示了不同類型的變量與對應的變量之間進行相關分析的方法，本文我們先探討無序分類變量和分類變量（包括無序和有序）之間相關性的分析方法：卡方檢驗。在進行卡方檢驗之前，一般先要進行交叉分析，SPSS把交叉分析和卡方檢驗的功能放置在了同一菜單下，使用起來比較方便。
  • 別錯過，卡方檢驗實用總結
    通常情況下，卡方檢驗是研究分類數據與分類數據之間關係的分析方法，如性別和是否戴隱形眼鏡之間的關係。卡方檢驗通常會涉及卡方值和P值兩個名詞術語。那麼就可以利用卡方擬合優度檢驗進行分析（SPSSAU默認提供）；如果想研究單選題和多選題的選擇差異關係，那麼這種是研究定類數據和定類數據的差異性，SPSSAU默認也提供卡方檢驗結果。
  • 別錯過,卡方檢驗實用總結!
    通常情況下，卡方檢驗是研究分類數據與分類數據之間關係的分析方法，如性別和是否戴隱形眼鏡之間的關係。卡方檢驗通常會涉及卡方值和P值兩個名詞術語。卡方值與P值有對應關係，P值小於0.05則說明有差異存在，即性別與是否戴隱形眼鏡之間有聯繫。
  • 非參數檢驗—兩相關樣本資料
    上面三個研究皆為配對設計，指標為分類資料，表1、表2會考慮使用McNemar檢驗，表3考慮使用McNemar-Bowker檢驗或Marginal Homogeneity檢驗，在卡方檢驗學習過卡方檢驗—配對設計列聯表資料，其實McNemar檢驗屬於非參數檢驗，今天再深入學習該檢驗方法，同時學習Marginal Homogeneity
  • 如何快速搞定 SPSS 卡方檢驗?
    ，這些情況下，參數檢驗技術就未必適用了，因此我們還需要掌握一些非參數檢驗技術，其中最為常用的就是卡方檢驗，它最適合於次數分布檢驗。例如，樣本來自的總體數據不符合正態分布，此時可採用卡方檢驗完成。另外研究定類變量和定序變量之間的關係時，由於定類或者定序變量都不具有完備的運算性能，因此無法對總體某種參賽的計算，可採用非參數檢驗如卡方檢驗來完成。
  • 手把手帶你搞定 SPSS 卡方檢驗
    ，或者無法確定其是否正態分布，由於缺乏足夠信息，總體的分布未知，這些情況下，參數檢驗技術就未必適用了，因此我們還需要掌握一些非參數檢驗技術，其中最為常用的就是卡方檢驗，它最適合於次數分布檢驗。例如，樣本來自的總體數據不符合正態分布，此時可採用卡方檢驗完成。另外研究定類變量和定序變量之間的關係時，由於定類或者定序變量都不具有完備的運算性能，因此無法對總體某種參賽的計算，可採用非參數檢驗如卡方檢驗來完成。
  • R語言實現統計分析——非參數假設檢驗
    非參數檢驗是指總體不服從正態分布，且分布情況不明時，用來檢驗數據是否來自同一個總體假設等一類檢驗方法。非2 分布一致性檢驗2.1  離散分布卡方檢驗總體分布的卡方檢驗適用於配合度檢驗，是根據樣本數據的實際頻數推斷總體分布與期望分布或理論分布是否有顯著差異。
  • 管理心理學之統計(23)擬合度卡方檢驗
    什麼是卡方檢驗卡方檢驗是一種用途很廣的計數資料的假設檢驗方法。它屬於非參數檢驗的範疇。其根本思想在於使用樣本頻數與比例來檢驗關於相應總體值的假設。當實驗數據不是等距或等比數據時，實驗不符合參數檢驗的要求，實驗者可以使用擬合度卡方檢驗與獨立性卡方檢驗這兩種方法作為替代，使用樣本數據來評估關於總體內部的比例或關係。這兩種卡方檢驗和多數非參數檢驗一樣，沒有陳述關於特定參數的假設，也很少對總體分布做出假設，因此非參數檢驗有時被稱為任意分布檢驗。
  • 抽樣分布之卡方分布&F分布
    基礎準備前面草堂君系統介紹了抽樣分布的含義，以及兩種常見的抽樣分布類型：Z分布和T分布，大家可以點擊下方文章連結回顧：結束Z分布、T分布以及切比雪夫不等式的介紹之後，關於均值抽樣分布的類型就介紹完了。均值抽樣分布是樣本參數信息與總體均值之間的橋梁，為下一步推斷總體均值做好了準備。下面將介紹關於方差這個參數的抽樣分布：卡方分布和F分布。
  • 管理心理學之統計(25)獨立性卡方檢驗的效應假設限定與特殊應用
    3.卡方檢驗的特殊應用卡方檢驗是一種非參數檢驗。雖然非參數檢驗有自己的獨特功能，但也可以被看作是參數檢驗的一個代替方法。3.1卡方與皮爾遜相關獨立性卡方檢驗與皮爾遜相關都是用來評估兩個變量間關係的統計技術。
  • 多選題如何進行卡方分析
    問卷中如果有多選題，很可能會涉及多選題與其他題目的交叉分析，具體如何進行分析呢，下面就用一個簡單的案例進行說明。無論是多選題、單選題、量表題之間的交叉，本質都是研究差異關係。差異關係差異研究主要包括方差分析、t檢驗和卡方檢驗。如果是定類和定類，此時應該使用卡方分析；如果是定類和定量，此時應該使用方差或者t檢驗。多選題也屬於定類數據，分析時類似於單選題，通常是研究兩個分類數據之間的關係，即使用卡方分析。
  • 卡方檢驗,T檢驗和F檢驗
    卡方檢驗、T-test、F檢驗區別卡方檢驗卡方檢驗是一種用途很廣的計數資料的假設檢驗方法。
  • 30天學習醫學統計與SPSS(Day 12):等級資料的比較,秩和還是卡方?
    案例1的數據，實際上是2組等級數據的比較，由於是隨機對照試驗，一般可以應用基本統計學方法的t、F、卡方、秩和檢驗中某一合適的方法進行分析。假設檢驗方法不僅可論證兩組的差異性，且可以直接探討分組變量與結局變量的因果關係。等級數據屬於分類數據，分類數常見的比較方法便是卡方檢驗，因此，等級數據的第一種分析策略是應用卡方檢驗進行分析。
  • 卡方分布的應用
    誠然在傳統學科中，其在以上學科發揮作用很大。然而隨著科學技術的發展和機器智能的普及，統計學在機器智能中的作用越來越重要。本系列統計學學習基於李航的《統計學習方法》一書和一些基本的概率知識。統計和數學模型對機器智能發揮重大的作用。諸如：語音識別、詞性分析、機器翻譯等世界級的難題也是從統計中找到開啟成功之門鑰匙的。尤其是在自然語言處理方面更顯得重要。
  • SPSS分析技術:卡方檢驗;問卷(試卷)信度分析原理
    基礎準備非參數檢驗框架介紹，請回顧：數據分析技術：非參數檢驗；梁山好漢排座次今天介紹的是卡方檢驗