卡方检验 自由度为1,计算出的卡方值是55.77062523,P值是8.14394E-14 说明什么?

是的,χ2读作卡方,χ2检验法分析,这个名词可读作是“卡方检验”.χ2是检验实际观测次数与理论期待次数之间差异程度的指标.

数据录入格式,用1,2,3,分别表示1组,2组,3组,不同的症状A、B、C
组别 症状 数量
1 1 19
1 2 10
1 3 72
2 1 29
2 2 36
2 3 65
3 1 6
3 2 6
3 3 25
分析的时候先用 数量这一列进行加权,之后使用卡方检验,分别选择行变量（组别）和列变量（症状）就可以了

你把原始数据做个表格

我也不是特别清楚.刚刚在看书的时候刚好看到这里,就把书上的给你说一下：在做方差齐性检验时,若为两样本,使用F双侧检验精度更好；若样本数量超过2个（≥3个）时,使用Bartlett检验精度更好：（1）样本含量较大时,直接使用bartlett检验；（2）样本含量较小时,要使用修正bartlett检验.bartlett检验室服从卡方检验的,具体原理涉及到bartlett球形分布（有点儿复杂）,你只需要知道其应用范围就知道啦^_^

率的比较用卡方检验，均值比较用t检验。比较着色细胞百分比是率的比较，所以要用卡方检验。每100个细胞中阳性细胞数的比较属于均值比较，所以要用t检验。

卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度,实际观测值与理论推断值之间的偏离程度就决定卡方值的大小,卡方值越大,越不符合,偏差越小,卡方值就越小,越趋于符合,若量值完全相等时,卡方值就为0,表明理论值完全符合.

在这题中,方差分析只能检验：
1.x09顾客数目是否受顾客年龄影响?
2.x09顾客数目是否受顾客到超市的频率的影响?
3.x09顾客数目是否受到顾客年龄以及频率的共同影响?
如果要检验顾客年龄与顾客到超市的频率之间有无关联,应该用独立性检验,而独立性检验要先构造似然比检验,再化作一个渐近服从卡方分布的统计量,再用卡方分布去检验的.
因此如果要检验顾客年龄与顾客到超市的频率之间有无关联,应近似用卡方分布检验. 但检验方法不是一般的“两总体均值已知,检验它们的方差是否相等”的那种卡方检验.你可以用统计软件进行独立性检验,则避免了钻研理论的麻烦.

秩和检验就行

你的结果没有出任何问题,仅仅是你不了解SPSS的输出格式.SPSS结果的默认输出是小数点后3位,因此你的结果.000实际上表示该结果小于0.0005.如果你想看到完整的结果,可以双击该结果表格,再双击.000这个格子（鼠标右键单击可以调节小数点位数,增加小数点位数后你有可能需要调整该格子的宽度才能显示全部结果）,然后拷贝、粘贴至Word里就可以看到完整的结果.
因此,你的结果没有任何问题,P值小于0.0005,具有统计学显著性.
The standardized statistic is -4.607表示Linear-by-LinearAssociation项的卡方结果21.222进行标准化转化后的结果为-4.607,其对应的P值小于0.0005,具有统计学显著性.Linear-by-LinearAssociation项的结果仅适用于行变量和列变量均为有序等级变量（如将年龄等级分为少年、青年、中年、老年四个等级,年龄逐级增加）的卡方检验（也就是双向有序卡方检验）.

你这分析只能说明每个项的比率不同,也就是满足程度不同选择的人数不同

如果确实是这样,应该是接受原假设(也就是没有统计学意义),因为不管那本参考书或统计软件都是说小于a （不包括等于a ,例如a=0.05）就拒绝原假设.不过,如果你是使用统计软件的话,应该不存在这个问题,因为统计软件计算的P值可以高达十几位小数点,不可能出现你说的情况.
原因很简单,在统计学领域,P小于a（不包括等于a ）就拒绝原假设是一直以来的通用约定.也就是说,对于包不包括等于a这一点,并不存在一个科学的定义,仅仅是依据统计学领域的约定俗成.就像a值到底应该是多少才算小概率事件,这也没有一个科学的绝对定义,也只是根据各专业领域的约定俗成（也是有科学依据的,不能随意确定,但也不存在绝对的界限）,大多数定为0.05,而有些定为0.1,0.01也是可以的.
如果你的领域制定的规则是在等于a 时也拒绝原假设,这也是完全没有问题的,只要规则是预先订好的,而不是得出结果后临时定的,就不会违反随机原则,也是有道理的.

这些都是大学课程里面的概率论、数理统计中的知识

嗯,对.是书上印错了

由于你给出数据带,应该不是绝对值(真实的数据),而是 “百分数” ,无法进行卡方检验,请参照下列步骤进行操作.
建立数据文件：
组别：1(实验组),1,2(对照组),2；
结果,1,2,1,2；
频数：输入对应的绝对值.
选择Data > Weight Case.选择Weight cases by,把“频数”放入Frequency variable,单击OK按钮.
选择Analyze >Descriptive Statistics > Crosstabs.Row(s)：组别；Column(s)：结果.单击statistics统计量按钮.选择Chi-square,单击continue与OK按钮.
若总例数>=40,最小理论频数>5(expected count less than 5),则满足卡方检验条件,选择卡方值(Pearson Chi-Square)和及对应的P值(即Sig).若P0.05,则差异无统计学意义.

先进行单因素分析,可选用卡方检验,因为你所说的自变量均为分类资料,进而筛选对因变量有影响的自变量；然后将入选的自变量进行多因素分析,如Logistic回归分析,可选用逐步回归,进而判定自变量对因变量的影响大小.（此处因变量应为观点的分布,卡方检验时将性别、年龄及工作同时调入列变量,SPSS会给出三个列联表,根据P值找出适宜的自变量；因为因变量为分类资料,故一般的线性回归是不可以的,而Logistic回归对这类资料就比较适用了,可以找出对因变量贡献最大的自变量）.

你的数据不适合使用卡方检验.卡方检验用于2个变量都属于分类变量（例如性别、婚姻状态等,属于定性数据）时的数据分析,例如要分析性别与色盲之间（色盲一般分为“有”和“无”2个分类,属于定性变量）的关系,就可以使用卡方检验.你的数据一个变量是组别（分为对照组和A租）,而另一个变量（你的测定值）基本上可以说是定量数据（定量变量,例如身高、体重等都属于这一类）,这种情况首先考虑使用成组t检验.

一个个来把。但用这几种检验一般要满足正态总体，不然结果无意义。 F检验，他的分布形式是两个卡方分布的商，容易联想到两个样本方差相除，故F检验常常用于检验两总体方差的异同，一般假设原假设是方差无显著差异，所以检验显著就说明方差有显著差异，一般p值取0.05，小于0.05即拒绝原假设。当然F检验最重要的用处还在方差分析，用于判定多正太总体均值的异同，原假设为各总体均值无显著差异。 t检验，正态除以...

由于你没有给出具体的数据,无法帮你分析.最小理论频数=1,可取校正卡方值；若

从表中给出的数据,由于实验组和对照组的样本量均为20,所以可以直接用二总体均值差的检验方法,不必用卡方检验.原假设H:u1-u2=0,被择假设：H':u1-u2=!0从表中计算 X1=13.6 X2=8.2 s^2(1)=1.3 s^2(2)=0.7 X为样本均值,S^2为样本方差构造检验统计量 T=（X1-X2)-(U1-U2)/[s^2(1)/n+s^2(2)/n]^(1/2),由于n

当然有意义,当样本数不一样的时候,这能够更精确地比较

表2两组患者后情况比较 例（%）
组别x05例数x05疼痛阳性 静脉炎
实验组x0540x050（0%）x05 0（0%）
对照组x0540x0515（6%） 4（1.6%）
X2值x05x0518.64x05 2.37（校正）
P值 0.05

卡方检验主要有三种作用,方差的同质性检验,判断多个样本的方差是否一样,适合性检验,即比较观察值与理论值是否符合,如生物上的得到实验数据看是否符合孟德尔定律,还有一种叫独立性检验,研究因素之间的关系,如研究吸烟与肺癌有无关系.
卡方检验具体概念和算法你应该知道,百度上有

1physical factors,belongs to the hierarchy of variables,two cases using paired chi-square analysis,other factors for numerical variables,using t test for comparison between two groups had significant difference,P

卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度,实际观测值与理论推断值之间的偏离程度就决定卡方值的大小,卡方值越大,越不符合,偏差越小,卡方值就越小,越趋于符合,若量值完全相等时,卡方值就为0,表明理论值完全符合.
同质性检验是指对所纳入的研究资料的结果,合并分析统计的合理性进行检验.敏感性分析是指改变某些影响结果的重要因素后,再分析合成结果和同质性是否发生变化,以判断结果的可靠性和稳定性.
我想应该可以这么理解,卡方是指样本与母本之间进行比较,看这两者的差异有多大,这种差异是不是可以接受.而同质性是指所取样本的内部比较,测量结果是不是足够稳定,所得结果是否可取.
不过,同质性高的话不一定效度高,同质性高的同时效度也高才算是取样结果可以信任.
只是理论上是这么说,实际中做起来完全不是这个样子.

若是计量资料,应先作正态性检验,服从正态使用单样本t检验；不服从正态,使用配对秩和检验(另一个样本的值全部为0).
若是等级资料,无需进行正态性检验,直接使用秩和检验.
若是无序分类资料,才会使用卡方检验,从你的文字中看,不会使用卡方检验.

z检验用于检验正态样本均值是否等于某个假设值,不过需要事先知道总体方差,得到的统计量服从正态分布,有的教材上又叫u检验
t检验与z检验相似,t检验不需要知道总体方差,它用样本方差替代总体方差,得到的统计量服从t分布.实践应用中,t检验比z检验常用,因为不容易知道总体的方差.t检验来源于戈斯特的笔名student.
f检验主要用于方差分析,方差分析中,组间均方比上组内均方服从F分布,它是为了纪念费雪（此人对统计学贡献巨大）
卡方检验主要为了检验某个样本是否服从某种分布,是一种样本分布检验,他的发明者如果没记错的话应该是皮尔逊.在交叉列表分析中卡方分布会用到.
多方回归我没听说过.
独立样本t检验用于比较两个不同样本之间的均值是否相等.
配对样本t检验是指同一个样本在两个不同时候均值的比较,比如比较某种减肥要的效果.
相关性主要似乎看两个变量之间的紧密程度
方差分析用于检验某因素的影响显著程度.

在做卡方检验时,如果在列联表中的单元格的个案数出现少于5的时候就会出现你那个提示,一般有一两个单元格的个案数少于5,软件计算得到的卡方值会自动经过优化,得到比较精确的卡方值.但是当个案数少于5的单元格占到一半或者3/4时,就不适合做卡方检验了,一般可以通过合并组别,来减少个案数少于5的单元格.
另外,虚机团上产品团购,超级便宜

X^2=∑(O-E)^2/E
其中O是实际值,E是理论值,好久没用到了这个了..

CI的上下限就是置信区间的上下限 p值用来判断结论是否有效的

不是的,The minimum expected count is XXX只是提醒你注意Pearson卡方检验是否可靠.Pearson卡方检验对理论频数（expected count ）有一定要求,当理论频数小于5的格子比例达到或超过20%时,Pearson卡方值偏离卡方分布较大,导致计算出的P值不准确,此时应该改用确切概率法.
你的结果理论频数最小为48.3,不存在以上问题,因此使用Pearson卡方值没有任何问题,结果是可靠的.

1.随机样本数据； 2.卡方检验的理论频数不能太小. 两个独立样本比较可以分以下3种情况： 1.所有的理论数T≥5并且总样本量n≥40,用Pearson卡方进行检验. 2.如果理论数T＜5但T≥1,并且n≥40,用连续性校正的卡方进行检...

而9.69的值小于19.68,说明卡方检验的预测值时可以接受的.
And the value of 9.69 is smaller than 19.68,which means the forecast value of the Chi-square test is acceptable.
因为预测销售量与实际销售量之间存在差异,且预测值低于实际值,所以要通过调试K和B来使得预测销售量是实际销售量更加接近.
For there are differences between the forecast sales and actual sales,and the forecast value is lower than the actuallue,therefore it needs to go through the debugging of the K and B' value to make the forecast sales and the actual sale more close to each other.
由于检测中得到的第五年的预测值与实际值存在偏差,为了让预测销售量与实际销售量更加接近,所以决定调整K和B的值以降低MAE和MSE的值.
For there was difference from the testing of the 5th year's forecast sales and the actual sales.In order to make the forecast sales more close to the actual sales,so I decided to adjust the value of K and B to lower the value of the MAE and MSE.
无论是当α=0.2还是α=0.5时多算出来的值都大于卡方值,说明卡方检验的预测值时不可以接受的.通过对指数平滑法和简单平滑法进行比较发现,当使用指数平滑法时得到的预测值是卡方检验可以接受的,而简单平滑法计算出的预测值时卡方检验所不能接受的,所以使用指数平滑法来计算更好.
No matter whether a=0.2 or a=0.5,the calculated values mostly would be bigger / higher than the Chi-square values,which demonstrates that the forecast values of the Chi-square test would not be unacceptable.Through the comparison of the exponential smoothing method and the simple smoothing method,we found that when using of the exponential smoothing method,the obtained forecast value would be acceptable by the Chi-square test,and when using of the simple smoothing method,the obtained forecast value would not be acceptable by the Chi-square test.Therefore,it would be better to use the exponential smoothing method for the calculation.
通过观察预测销售量和实际销售量的线基本吻合,但是MAE和MSE的值仍比较大所以通过调试K和B的值来降低MAE和MSE的值
Through observation,the forecast sales and the actual sales were basically concided,but the values of K and B were still a bit too high,so it needs to debug the values of K and B to lower the values of the MAE and MSE.
通过观察预测销售线上的点普遍高于实际销售线上的点.所以需要调试K和B的值使其更加的接近.
Through observation,the points on the forecast sales line,which were generally higher than those points on the actual sales line,so the value of K and B need to be debugged to make them closer to each other.

幸福感用均数来代替 而自我形象是分等级的,那就是应该采用方差分析来做的
如果你的幸福感已经算成了均数,没有原始记录,那就没办法 只能用方差分析
如果你可以把幸福感也按照等级分出来,那就采用卡方检验

皮尔逊x2检验是检验实际频数和理论频数是否较为接近,统计学家卡尔?皮尔逊1900年提出了如下检验统计量：X^2=∑{【（实际频数-理论频数的）^2】/理论频数}
它近似服从自由度为V =组格数－估计参数个数－1 的 分布.式中,n 是样本量,理论频数是由样本量乘以由理论分布确定的组格概率计算的.求和项数为组格数目.
皮尔逊 统计量的直观意义十分显然：是各组格的实际观测频数与理论期望频数
的相对平方偏差的总和,若 值充分大,则应认为样本提供了理论分布与统计分布不同的
显著证据,即假设的总体分布与总体的实际分布不符,从而应否定所假定的理论分布.所以,
应当在 分布密度曲线图的右尾部建立拒绝域.
卡方检验有很多种,跟他们叫卡方检验是因为构造的统计量服从或近似服从卡方分布,然后再根据卡方分布建立检验规则,比如检验正态总体方差的是否为某定值的卡方检验 构造的统计量是那样的~这个统计量服从n-1的卡方分布,所以这个检验也叫卡方检验

可以的,先加权频数,然后交叉表,看sig就行

如果所有组的样本数都大于5,对卡方检验的影响可以忽略不计.如果个别小于5的,可以用fisher精确检验或者合并到其他组.
t检验的要求比较高,理论上要求每组在30人以上.实际上不宜相差过大.