二乘二列联表卡方检验的连续性校正何时适用？

Question

在进行2×2列联表卡方检验时，何时应使用连续性校正（如耶茨校正）存在广泛争议。常见问题是：当样本量较小或期望频数低于5时，是否必须应用连续性校正？尽管校正可减少I类错误风险，但可能过度保守导致统计效能下降。那么，在何种具体条件下（如总样本量<40、任一格子期望频数<5等），连续性校正才是必要且合理的？其适用边界如何与Fisher确切概率法选择权衡？

Answer 1

1. 2×2列联表卡方检验的基本原理与连续性校正的引入背景

在IT数据分析、A/B测试、用户行为研究等场景中，2×2列联表常用于比较两组分类变量之间的独立性。标准的皮尔逊卡方检验基于大样本近似理论，其统计量服从自由度为1的卡方分布。然而，当样本量较小或期望频数较低时，离散数据与连续分布之间的近似误差显著增大。

耶茨连续性校正（Yates’ correction for continuity）通过在计算中减去0.5来调整卡方统计量，以补偿这种离散-连续不匹配问题。其公式为：

χ² = Σ [ (|O - E| - 0.5)² / E ]

该方法最初由Frank Yates于1934年提出，旨在提升小样本下检验的准确性。但近年来，随着计算能力的发展和精确方法的普及，其必要性受到广泛质疑。

2. 连续性校正的争议焦点：I类错误控制 vs 统计效能损失

尽管连续性校正确实能降低I类错误率（即假阳性），但在实际应用中可能导致II类错误增加——即真实差异被忽略的概率上升。这对于IT行业中关注转化率微小变化的A/B测试尤为关键。

以下是在不同条件下是否使用校正的常见建议对比：

条件组合	推荐方法	理由
总样本 ≥ 40，所有期望频数 ≥ 5	标准卡方检验	渐近近似良好，无需校正
总样本 ≥ 40，任一期望频数 < 5	Fisher确切概率法	更准确的小频数处理方式
总样本 < 40，任意格子期望频数 < 5	Fisher确切概率法（唯一选择）	卡方检验完全失效
总样本 20–40，期望频数 3–5	可考虑耶茨校正	折中方案，但仍非最优
期望频数 < 1 或极度不平衡	禁止使用卡方，必须用Fisher	严重偏差风险

3. 具体适用边界分析：何时应启用连续性校正？

根据Cochran规则及后续实证研究，连续性校正仅在特定过渡区域可能“勉强可用”，但并非“必要且合理”的首选。具体边界如下：

• 总样本量 < 40：无论期望频数如何，应优先采用Fisher确切概率法。
• 任一格子期望频数 < 5：若样本量≥40，仍建议转向Fisher法而非依赖校正。
• 样本量介于20–40之间且最小期望频数在3–5之间：此为唯一可考虑耶茨校正的情境，但需报告未校正结果作为敏感性分析。
• 所有期望频数 ≥ 5 且 n ≥ 40：标准卡方检验足够稳健，无需任何形式校正。

值得注意的是，现代统计软件（如R、Python scipy.stats）默认不启用耶茨校正，除非显式指定correct=True，这反映了学术界的主流倾向。

4. 与Fisher确切概率法的权衡决策路径

面对小样本或低期望频数时，Fisher确切概率法提供了基于超几何分布的精确p值，避免了任何渐近假设。其优势在于：

• 适用于任意样本大小
• 不受期望频数限制
• 特别适合边缘总计固定的实验设计（如病例对照研究）

以下是选择检验方法的决策流程图：

graph TD
    A[开始: 2×2列联表] --> B{总样本量 ≥ 40?}
    B -- 是 --> C{所有期望频数 ≥ 5?}
    C -- 是 --> D[使用标准卡方检验]
    C -- 否 --> E[使用Fisher确切概率法]
    B -- 否 --> F{最小期望频数 < 5?}
    F -- 是 --> G[必须使用Fisher确切概率法]
    F -- 否 --> H[可考虑耶茨校正，但推荐Fisher]
    D --> I[输出结果]
    E --> I
    G --> I
    H --> I

5. 实际案例演示：从数据到方法选择的完整链条

假设某互联网公司进行UI改版A/B测试，记录用户点击行为如下表：

	点击	未点击	总计
新界面	12	38	50
旧界面	8	42	50
总计	20	80	100

期望频数计算得最小值为(20×50)/100=10，大于5；总样本n=100>40。因此，直接使用标准卡方检验即可，无需校正或Fisher法。

反例：若将上述数据改为每组n=20，则总样本为40，最小期望频数=(10×20)/40=5，处于临界状态。此时虽可勉强使用卡方，但建议同时报告Fisher结果以增强结论稳健性。

6. 现代实践中的技术实现与自动化判断逻辑

在构建自动化分析流水线时，可通过编程实现动态方法选择。以下为Python示例代码：

import numpy as np
from scipy.stats import chi2_contingency, fisher_exact

def select_test_method(table):
    n = np.sum(table)
    expected = chi2_contingency(table)[3]
    min_expected = np.min(expected)
    
    if n < 40 or min_expected < 5:
        stat, p = fisher_exact(table)
        return "Fisher确切概率法", stat, p
    else:
        stat, p, _, _ = chi2_contingency(table)
        return "标准卡方检验", stat, p

# 示例调用
data = [[12, 38], [8, 42]]
method, stat, p = select_test_method(data)
print(f"选用方法: {method}, 统计量: {stat:.4f}, p值: {p:.4f}")

此类封装函数可在BI系统、AB测试平台中集成，确保统计方法选择符合当前数据特征，避免人为误判。