卡方检验如何判断变量独立性？

Question

**问题：如何利用卡方检验判断两个分类变量是否独立？** 在统计学中，卡方检验（Chi-Square Test）常用于判断两个分类变量之间是否存在显著的关联性。其核心思想是通过比较实际观测频数与期望频数之间的差异来判断变量是否独立。构建列联表后，计算卡方统计量并结合卡方分布表判断其显著性。若计算出的卡方值大于临界值或p值小于显著性水平（如0.05），则拒绝原假设，认为变量不独立。实际应用中需注意样本量是否足够、期望频数是否大于5等前提条件，以确保结果可靠性。

Answer 1

一、卡方检验简介

卡方检验（Chi-Square Test）是一种非参数统计方法，主要用于分析两个分类变量之间是否存在显著的关联性。它广泛应用于数据挖掘、市场调研、医学研究、A/B测试等领域。

在实际应用中，卡方检验可以帮助我们判断两个分类变量是否独立，例如：性别与产品偏好是否相关，广告类型与点击率是否有关联等。

二、卡方检验的基本原理

卡方检验的核心思想是比较观测频数（Observed Frequency）与期望频数（Expected Frequency）之间的差异。若两个变量独立，则观测频数应与期望频数相近；若差异较大，则说明变量之间可能存在关联。

• 原假设（H₀）：两个分类变量是独立的。
• 备择假设（H₁）：两个分类变量不是独立的。

卡方统计量的计算公式如下：

χ² = Σ[(O - E)² / E]

其中：

• O：观测频数
• E：期望频数

三、卡方检验的步骤

1. 构建列联表（Contingency Table）
2. 计算每个单元格的期望频数
3. 计算卡方统计量
4. 查卡方分布表或计算p值
5. 根据显著性水平（如0.05）判断是否拒绝原假设

四、构建列联表示例

假设我们调查了100人，记录其性别与是否喜欢某款产品，结果如下表：

	喜欢	不喜欢	总计
男	30	20	50
女	25	25	50
总计	55	45	100

五、期望频数的计算

期望频数的计算公式为：

E = (行合计 × 列合计) / 总样本数

以“男-喜欢”单元格为例：

E = (50 × 55) / 100 = 27.5

同理可得其他单元格的期望频数：

	喜欢	不喜欢
男	27.5	22.5
女	27.5	22.5

六、卡方统计量的计算

代入公式计算每个单元格的贡献值：

χ² = (30 - 27.5)² / 27.5 + (20 - 22.5)² / 22.5 + (25 - 27.5)² / 27.5 + (25 - 22.5)² / 22.5
   = 0.227 + 0.278 + 0.227 + 0.278
   = 1.01

七、判断显著性

自由度（df）的计算公式为：

df = (行数 - 1) × (列数 - 1)

本例中 df = (2 - 1) × (2 - 1) = 1

查卡方分布表，α=0.05时，临界值为3.841。由于1.01 < 3.841，因此不能拒绝原假设，即性别与是否喜欢该产品无显著关联。

八、Python代码实现

```python from scipy.stats import chi2_contingency # 构建列联表 observed = [[30, 20], [25, 25]] # 执行卡方检验 chi2, p, dof, expected = chi2_contingency(observed) print("卡方值:", chi2) print("p值:", p) print("自由度:", dof) print("期望频数表:") print(expected) ```

九、卡方检验的适用条件

• 样本数据应为频数数据
• 每个单元格的期望频数应大于5，否则可能影响检验结果的准确性
• 样本应为随机抽样

十、卡方检验的应用场景

常见应用场景包括但不限于：

• 用户行为分析（如点击率与广告类型）
• 市场调研（如用户满意度与产品类别）
• A/B测试中的转化率分析
• 医学研究中的疗效分析

十一、卡方检验的优缺点分析

优点	缺点
适用于分类数据	不适用于连续变量
实现简单，计算快速	对小样本或期望频数小于5的情况敏感
广泛适用于数据分析领域	不能说明变量间关系的强弱

十二、卡方检验流程图

graph TD A[收集分类数据] --> B[构建列联表] B --> C[计算期望频数] C --> D[计算卡方统计量] D --> E[查卡方分布表或计算p值] E --> F{卡方值是否大于临界值或p值是否小于0.05?} F -- 是 --> G[拒绝原假设，变量不独立] F -- 否 --> H[接受原假设，变量独立]