卡方检验p值意义

在SPSS比较两组人性别、年龄数值是否有差别，应用卡方检验。卡方检验主要是比较两个及两个以上样本率(构成比）以及两个分类变量的关联性分析。其根本思想就是在于比较理论频数和实际频数的吻合程度或拟合优度问题。它在分类资料统计推断中的应用，包括：两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。扩展资料卡方检验的样本量要求卡方分布本身是连续型分布，但是在分类资料的统计分析中，显然频数只能以整数形式出现，因此计算出的统计量是非连续的。只有当样本量比较充足时，才可以忽略两者间的差异，否则将可能导致较大的偏差具体而言，一般认为对于卡方检验中的每一个单元格，要求其最小期望频数均大于1，且至少有4/5的单元格期望频数大于5，此时使用卡方分布计算出的概率值才是准确的。如果数据不符合要求，可以采用确切概率法进行概率的计算。

卡方检验，通常写成χ2检验，是一种统计假设检验，用于分类变量的分析，以确定观察到的数据是否与预期不同。卡方检验是一种常用的非参数检验，这意味着它们不假设所涉及的数据的分布（例如，正态分布）。相反，该测试依赖于奇偶分布，这是一个总体的理论值分布。有两种主要的卡方检验类型：一、拟合卡方检验，用于检验一个变量的观察频率（每个类别中的观察数）是否与预期的不同。换句话说，该检验决定了样本分布是否与群体分布相匹配。二、独立卡方检验，也被称为关联卡方检验，它对两个变量进行比较，看它们是否彼此不同。

概念 卡方检验是一种用途很广的计数资料的假设检验方法，由卡尔·皮尔逊提出。它属于非参数检验的范畴，主要是比较两个及两个以上样本率( 构成比）以及两个分类变量的关联性分析。其根本思想就是在于比较 理论频数和实际频数 的 吻合程度或拟合优度 问题。 ** 例一** 我们想知道喝牛奶对感冒发病率有没有影响，以下为数据统计的四格表： 通过简单的统计我们得出喝牛奶组和不喝牛奶组的感冒率为30.94%和25.00%，两者的差别可能是抽样误差导致，也有可能是牛奶对感冒率真的有影响。 为了确定真实原因，我们先假设喝牛奶对感冒发病率是没有影响的，即喝牛奶喝感冒时独立无关的，所以我们可以得出感冒的发病率实际是（43+28）/（43+28+96+84）= 28.29% 所以，理论的四格表应该如下表所示： 即下表： 如果喝牛奶喝感冒真的是独立无关的，那么四格表里的理论值和实际值差别应该会很小。 那如何来描述这种差别呢，我们定义卡方值为 其中，A为实际值，T为理论值。 x2用于衡量实际值与理论值的差异程度（也就是卡方检验的核心思想），包含了以下两个信息： 根据卡方检验公式我们可以得出例1的卡方值为： 卡方 = (43 - 39.3231)平方 / 39.3231 + (28 - 31.6848)平方 / 31.6848 + (96 - 99.6769)平方 / 99.6769 + (84 - 80.3152)平方 / 80.3152 = 1.077 卡方值（理论值与实际值差异大小）的意义是什么呢？为此我们再引入一个概念： 卡方分布的临界值 上一步我们得到了卡方的值，但是如何通过卡方的值来判断喝牛奶和感冒是否真的是独立无关的？也就是说，怎么知道无关性假设是否可靠？ 答案是，通过查询卡方分布的临界值表。 第一行表示显著性水平α 第一列表示自由度 这里需要用到一个 自由度 的概念，自由度等于V = (行数 - 1) * (列数 - 1)，对四格表，自由度V = 1。 对V = 1，喝牛奶和感冒（95%概率）不相关的卡方分布的临界值（最大）是：3.84。即如果卡方大于3.84，则认为喝牛奶和感冒（有95%的概率）相关。 临界值3.84的意义表示：如果卡方值＞3.84，则纵列因素与横行因素不相关的的概念＜0.05（即显著性水平），也即纵列因素与横行因素相关的概念＞0.95。 显然1.077<3.84，没有达到卡方分布的临界值，所以喝牛奶和感冒独立不相关的假设没有被推翻。 简单说，如果我们计算出的卡方值（表示实际值与理论值的差异，越大表示实际值与理论值越不符，即越有可能纵列因素会影响横行数值）大于临界值（列因素不影响横行值的范围：0~临界值），我们就排斥原假设（H0，即纵列因素不影响横行的因素的变化），接受备择假设（H1：纵列因素对横行的因素变化有影响）；反之，卡方值小于临界值，即在（纵列与横行互不影响这一假设）理论范围内，无法推翻原假设，即无统计差异。

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， 如果卡方值越大，二者偏差程度越大； 反之，二者偏差越小；若两个值完全相等时，卡方值就为0，表明理论值完全符合。 经典的卡方检验是检验定性自变量对定性因变量的相关性。假设自变量有N种取值，因变量有M种 取值，考虑自变量等于i且因变量等于j的样本频数的观察值与期望的差距，构建统计量：

卡方检验分为拟合优度检验和独立性检验两种。卡方检验的步骤：1、设置假设。首先，需要明确假设的原假设和备择假设，例如原假设为观测值符合某个分布，备择假设为观测值不符合该分布。2、计算期望值。使用假设分布，计算期望值。一般情况下，期望值等于样本容量乘上假设分布的比例。3、计算卡方值。根据观测值和期望值计算卡方值，公式为：卡方值=Σ((观测值-期望值)^2/期望值)，其中符号“Σ”表示对样本中的每个值进行求和。4、计算自由度。自由度是指能够自主变化的变量个数。对于拟合优度检验，自由度等于样本个数减去假设分布参数的个数减去1。5、查卡方分布表。查找卡方分布表得到相应的p值，p值越小，表示观测值与期望值之间的差异越大，拒绝原假设的可能性越大。6、判断结论。将p值与显著性水平（通常为0.05）进行比较，如果p值小于显著性水平，则拒绝原假设，认为观测值与假设分布不符；否则，接受原假设，认为观测值符合假设分布。卡方检验的主要应用：1、检验样本是否符合某种分布。卡方检验可以进行拟合优度检验，即对实际观测数据按照某种假设分布进行检验，以判断样本是否符合该分布。2、检验两组变量之间是否独立。卡方检验可以进行独立性检验，以判断两个分类变量是否独立。例如，可以使用卡方检验来检验性别是否与某种疾病有关联。3、比较多组观测值的差异性。卡方检验可以用于比较多组分类数据的差异性。例如，可以使用卡方检验来比较不同种类产品的销售量是否有明显的差异。4、分析因素对分类变量的影响。卡方检验可以用于分析某些因素对分类变量的影响程度。例如，可以使用卡方检验来分析年龄对健康指标的影响程度。

卡方检验怎么做：1、录入数据：前两列代表数据所对应的行和列（R and C），第三列代表的是频数2、加权：对频数进行加权，Data→Weight Cases3、卡方检验：Analyze→Descriptive Statistics→Crosstabs，添加Row、Column，点击Statistics，选择Chi-square，点击Continue，点击OK。（对于非2X2类型的卡方检验，必须选择精确，软件才能进行Fisher确切概率法等检验）4、分析结果：χ2值与P值，依次看“Chi-Square Tests”表的第1行，第1列和第3列补充：第2行是校正的卡方值与P值，第4行是Fisher确切概率法计算的P值。通常规定：（1）当总样本量n≥40且所有的单元格的理论频数（期望频数）T≥5时，采用Pearsonχ2检验，看第1行的结果（2）当总样本量n≥40但有1≤T＜5时，采用连续性校正χ2检验，看第2行的结果（3）当总样本量n＜40，或最小理论频数T＜1，或检验所得P值接近于检验水准α，采用Fisher确切概率法检验，看第4行的结果

卡方检验，统计学的方法，现在机器学习看变量的时候也会用到。 很多不知道的人，一听到这个名词，会马上联想到， 啊？还要拿张卡来检验吗？ 其实卡方检验是英文Chi-Square Test 的谐音。在大数据运营场景中，通常用在某个变量(或特征)值是不是和应变量有显著关系。 这时候，你要是仔细观察运营经理的话，他们很多人其实是不明白的，有些好学的会直接问什么是卡方检验，有些要面子，会偷偷百度一下什么是卡方检验，但多数运营经理就这么接受了分析师的建议。 毕竟运营经理是以业务和结果为导向的，这些细节的东西，他们觉得也不用自己去纠结。 01 什么是卡方检验： 卡方检验就是检验两个变量之间有没有关系。 以运营为例: 如果有显著区别的话，我们会考虑把这些变量放到模型或者分析里去。 02 投硬币: 那我们先从一个最简单的例子说起。 1） 根据投硬币观察到的正面，反面次数，判断这个硬币是均衡的还是不均衡。 现在有一个正常的硬币，我给你投50次，你觉得会出现几个正面，几个反面？ 按照你的经验你会这么思考，最好的情况肯定是 25个正面，25个反面 ，但是肯定不可能这么正正好好的，嗯，差不多 28个正面，22个反面吧 ； 23个正面，27个反面 也可能的， 但是 10个正面，40个反面 肯定不可能的，除非我运气真的那么碰巧。 你上面的这个思维方式，就是拿已经知道的结果(硬币是均衡的，没有人做过手脚)，推测出会出现的不同现象的次数。 而卡方检验是拿观察到的现象(投正面或反面的次数或者频数)，来判断这个结果(硬币是不是均衡的)。 继续上面这个例子， 如果我不知道这个硬币是不是均衡的，我想用正面，反面的频次来判断，我投了50次，其中28个正面，22个反面。我怎么用卡方检验来证明这个硬币是均衡的还是不均衡的呢？ 这里要引出卡方检验的公式： 这个公式可以帮我们求出卡方检验的值，我们用 其中，自由度我们可以求出来，置信度的话，我们按照我们自己意愿挑选，一般我们会挑90％或者95%。 这三个数值计算方法如下： 我们拿到这3个信息，去查表，因为0.72小于查表得到的3.841，所以我们得出这个硬币是均衡的结论。 这里还涉及到假设检验中，拒绝H0还是不拒接H0，这篇文章就不详细展开了。 如果你们查表后，还是不知道是该大于的时候说均衡，还是小于的时候说均衡，那么你们可以想一下具体这个例子， 如果硬币是均衡的话，你觉得卡方的值是越小越可能是均衡的，还是越大越可能是均衡的呢？ 03 投筛子 接下来，我们再来看一个稍微难一点的例子，投骰子。 有一个筛子，我不知道它是不是均衡的，于是我打算投36次看一下。 按照投硬币的方式，我先要画出一个表格，然后计算出3个数值， 带着这3个值，我们去查表，于是我们得出这个现象不能判定他是个均衡的筛子。 现在你明白其实卡方检验一点都不深奥吧。 04 电商中消费者的性别和购买生鲜: 最后讲个平时运营分析中的案例： 我们要观察性别和在线上买不买生鲜食品有没有关系，现实生活中，女性通常去菜市场买菜的比较多，那么在线上是不是也这样。 我们得出观察到数据，并且形成表格后，我们需要计算理论的数据，在上面的例子我们发现，我们发现有66%的人不在线上买生鲜（599除以907），34%的人会在线上买。 那如果，男的有733个人，女的有174个人，根据这些比例，我们可以得出的理论值是什么呢？ 根据理论和实际值，我们可以算出卡方值，自由度，并且结合我们定义的置信度，查表得到性别和线上买生鲜是显著相关的。 所以我们如果下次看到一个女性来访问我们的网站，多投放一些广告，说不定会转化哦。 看了这几个例子，是不是觉得卡方检验一点都不复杂，其实和我们生活这么贴近，我们平时的思维方式，其实就隐含着卡方检验的道理。

卡方检验的基本步骤如下：（1）提出原假设：H0：总体X的分布函数为F(x).如果总体分布为离散型，则假设具体为H0：总体X的分布律为P{X=xi}=pi， i=1，2，...（2）将总体X的取值范围分成k个互不相交的小区间A1，A2，A3，…，Ak，如可取A1=（a0，a1]，A2=(a1，a2]，...，Ak=(ak-1,ak)，其中a0可取-∞，ak可取+∞，区间的划分视具体情况而定，但要使每个小区间所含的样本值个数不小于5，而区间个数k不要太大也不要太小。（3）把落入第i个小区间的Ai的样本值的个数记作fi，成为组频数（真实值），所有组频数之和f1+f2+...+fk等于样本容量n。（4）当H0为真时，根据所假设的总体理论分布，可算出总体X的值落入第i 个小区间Ai的概率pi，于是，npi就是落入第i个小区间Ai的样本值的理论频数（理论值）。（5）当H0为真时，n次试验中样本值落入第i个小区间Ai的频率fi/n与概率pi应很接近，当H0不真时，则fi/n与pi相差很大。基于这种思想，皮尔逊引进如下检验统计量，在0假设成立的情况下服从自由度为k-1的卡方分布。

卡方检验三种基本类型：1、配合度检验：检验一个因素多项分类的实际频数和理论次数是否接近。2、独立性检验：检验两个或两个以上因素之间的关联性或独立性问。3、同质性检验：检验双样本在单一变量的分布情形是同质还是异质。卡方检验主要用于研究定类与定类数据之间的差异关系。一般使用卡方检验进行分析的目的是比较差异性。例如研究人员想知道两组学生对于手机品牌的偏好差异情况。SPSSAU系统中，卡方检验分为【通用方法】中的交叉卡方，以及【医学/研究】模块中的卡方检验、配对卡方、卡方拟合优度、分层卡方五类。

卡方检验主要可以用于处理计数数据的拟合问题。具体说，它可以检验单变量多项分类上的实计数和理论次数分布之间的差异显著性。它是卡方检验中的一个主要测试指标，卡方检验是一种用途很广的计数资料的假设检验方法，它属于非参数检验的范畴，主要是比较两个及两个以上样本率( 构成比）以及两个分类变量的关联性分析，其根本思想就是在于比较理论频数和实际频数的吻合程度或拟合优度问题。卡方值是非参数检验中的一个统计量，主要用于非参数统计分析中。它的作用是检验数据的相关性。如果卡方值的显著性（即SIG.）小于0.05，说明两个变量是显著相关的。扩展资料：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，如果卡方值越大，二者偏差程度越大；反之，二者偏差越小；若两个值完全相等时，卡方值就为0，表明理论值完全符合。注意：卡方检验针对分类变量。（自由度df=(C-1)(R-1)）行×列表资料的卡方检验用于多个率或多个构成比的比较。1、专用公式：r行c列表资料卡方检验的卡方值=n[(A11/n1n1+A12/n1n2+...+Arc/nrnc)-1]2、应用条件：要求每个格子中的理论频数T均大于5或1<T<5的格子数不超过总格子数的1/5。当有T<1或1<T<5的格子较多时，可采用并行并列、删行删列、增大样本含量的办法使其符合行×列表资料卡方检验的应用条件。而多个率的两两比较可采用行X列表分割的办法。参考资料来源：百度百科-卡方检验

卡方检验公式R*C 列联表的卡方检验用于R*C列联表的相关分析，卡方值的计算和检验过程与行×列表资料的卡方检验相同。. 2*2列联表的卡方检验又称配对记数资料或配对四格表资料的卡方检验，根据卡方值计算公式的不同，可以达到不同的目的。.当用一般四格表的卡方检验计算时，卡方值=n（ad-bc)^2/ [ (a+b) (c+d) (a+c) (b+d)]，此时用于进行配对四格表的相关分析，如考察两种检验方法的结果有无关系；当卡方值=（|b-c|-1）2/ (b+c)时，此时卡方检验用来进行四格表的差异检验，如考察两种检验方法的检出率有无差别。. 列联表卡方检验应用中的注意事项同R*C表的卡方检验相同。

“卡方检验公式：df=(C-1)(R-1)。1、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。2、假设有两个分类变量X和Y，它们的值域分别为{x1,x2}和{y1,y2}。3、四格表资料的卡方检验用于进行两个率或两个构成比的比较。卡方分布是概率论与统计学中常用的一种概率分布。当N≥40且所有理论频数T≥5时，用Pearson"s chi squared test，若此时计算出来的p值与规定的显著性水平（如0.05）相近时，改用Fisher"s exact test。

1、随机样本数据。2、卡方检验的理论频数不能太小。如果理论数T＜5但T≥1，并且1≥40，用连续性校正的卡方进行检验。如果有理论数T＜1或n＜40，则用Fisher"s检验。所有的理论数T≥5并且总样本量n≥40，用Pearson卡方进行检验。卡方检验主要可以用于处理计数数据的拟合问题。具体说，它可以检验单变量多项分类上的实计数和理论次数分布之间的差异显著性。2. 2*2列联表的卡方检验：2*2列联表的卡方检验又称配对记数资料或配对四格表资料的卡方检验，根据卡方值计算公式的不同，可以达到不同的目的。当用一般四格表的卡方检验计算时，卡方值=n（ad-bc)^2/[(a+b)(c+d)(a+c)(b+d)]，此时用于进行配对四格表的相关分析，如考察两种检验方法的结果有无关系；当卡方值=（|b-c|-1）2/(b+c)时，此时卡方检验用来进行四格表的差异检验，如考察两种检验方法的检出率有无差别。以上内容参考：百度百科-卡方检验

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验. 3.如果有理论数T＜1或n＜40,则用Fisher"s检验. 上述是适用于四格表. R×C表卡方检验应用条件： 1.R×C表中理论数小于5的格子不能超过1/5； 2.不能有小于1的理论数.我的实验中也不符合R×C表的卡方检验.可以通过增加样本数、列合并来实现.

07年的提问现在还可以回答？？？？

这是什么题目

卡方检验原理是比较理论频数和实际频数的吻合程度或拟合优度问题。某些情况在长时间进行实验，它的结果是稳定的，例如抛硬币。但是期望与实际情况是有一定差异的。利用卡方检验可以排除可疑结果。用途是检查实际结果与期望结果之间何时存在显著差异。步骤：1、确定要进行的检验假设与其备择假设。2、求出期望E。3、确定用于做决策的拒绝阈。4、依据自由度与显著性水平查询检验统计量临界值。5、查看检验统计量是否在拒绝阈内。6、做出决策。

当np，nq中有一个小于30时，要进行连续性矫正，矫正为：…… ±0.5/n。分布是一连续型分布，而四格表资料属离散型分布，由此计算得的统计量的抽样分布亦呈离散性质。为改善统计量分布的连续性，则进行连续性校正。（1） n ≥40，T ≥ 5. 用Pearsonc2统计量（非连续性校正）（2）当n≥40时，如果某个格子出现1≤T ≤5，则需作连续性校正。（3）n<40，或任何格子出现T<1，或检验所得的P值接近于检验水准a，采用Fisher确切概率检验。卡方检验的统计量是卡方值它是每个格子实际频数A与理论频数T差值平方与理论频数之比的累计和。每个格子中的理论频数T是在假定两组的发癌率相等（均等于两组合计的发癌率）的情况下计算出来的，如第一行第一列的理论频数为71*(91/113)=57.18，故卡方值越大，说明实际频数与理论频数的差别越明显，两组发癌率不同的可能性越大。以上内容参考：百度百科-卡方检验

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

1、首先打开SPSS23.0软件，在文件中找到想要进行处理的数据，如下图所示。2、然后在上方的菜单栏中找到分析菜单栏，选择非参数检验，打开旧对话框，选择卡方。3、接着在卡方检验对话框中，将左侧的变量移动至右侧想要检验的变量对话框中，如下图所示。4、然后点击选项菜单，此时可以选择卡方检验的统计方法，还可以设置缺失值。5、最后单击确定对SPSS的数据进行查看，在图表中可以看到检验次数和检验统计。

用交叉分析Crosstabs，那个里面带着卡方检验

我只知道卡方分布和t分布，概率统计课上学过，至于有什么用，不知道了

卡方检验是用途非常广的一种假设检验方法，它在分类资料统计推断中的应用，包括：两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。T为理论数。T计算公式丅RC＝nRnc／N，丅RC为第R行C列格子的理论数，nR为第R行的合计数，nC为第C列的合计数。其他：　　t检验有单样本t检验，配对t检验和两样本t检验。　　单样本t检验：是用样本均数代表的未知总体均数和已知总体均数进行比较，来观察此组样本与总体的差异性。　　配对t检验：是采用配对设计方法观察以下几种情形：　　1，两个同质受试对象分别接受两种不同的处理；　　2,同一受试对象接受两种不同的处理；　　3，同一受试对象处理前后。

在做数据分析时，为了提炼观点，相关性分析是必不可少，而且尤为重要的一个环节。但是，对于不同类型的数据，相关性分析的方法都各不相同。本文，主要按照不同的数据类型，来对各种相关性分析方法进行梳理总结。相关性分析是指对两个或多个具备相关性的变量元素进行分析，相关性不等于因果性。一、离散与离散变量之间的相关性1、卡方检验卡方检验是一种用途很广的计数资料的假设检验方法。它属于非参数检验的范畴，主要是比较两个及两个以上样本率( 构成比）以及两个分类变量的关联性分析。其根本思想就是在于比较理论频数和实际频数的吻合程度或拟合优度问题。它在分类资料统计推断中的应用，包括：两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。（1）假设，多个变量之间不相关（2）根据假设计算得出每种情况的理论值，根据理论值与实际值的差别，计算得到卡方值 及 自由度df=(C-1)(R-1)（3）查卡方表，求p值卡方值越大，P值越小，变量相关的可能性越大，当P<=0.05，否定原假设，认为变量相关。2、信息增益 和 信息增益率在介绍信息增益之前，先来介绍两个基础概念，信息熵和条件熵。信息熵，就是一个随机变量的不确定性程度。条件熵，就是在一个条件下，随机变量的不确定性。（1）信息增益：熵 - 条件熵在一个条件下，信息不确定性减少的程度。Gain(Y,X)=H(Y)-H(Y|X)信息增益越大，表示引入条件X之后，不纯度减少得越多。信息增益越大，则两个变量之间的相关性越大。（2）信息增益率假设，某个变量存在大量的不同值，例如ID，引入ID后，每个子节点的不纯度都为0，则信息增益减少程度达到最大。所以，当不同变量的取值数量差别很大时，引入取值多的变量，信息增益更大。因此，使用信息增益率，考虑到分支个数的影响。Gain_ratio=(H(Y)-H(Y|X))/H(Y|X)二、连续与连续变量之间的相关性1、协方差协方差，表达了两个随机变量的协同变化关系。如果两个变量不相关，则协方差为0。Cov(X,Y)=E{[X-E(X)],[Y-E(Y)]}当 cov(X, Y)>0时，表明 X与Y 正相关；当 cov(X, Y)<0时，表明X与Y负相关；当 cov(X, Y)=0时，表明X与Y不相关。协方差只能对两组数据进行相关性分析，当有两组以上数据时就需要使用协方差矩阵。协方差通过数字衡量变量间的相关性，正值表示正相关，负值表示负相关。但无法对相关的密切程度进行度量。当我们面对多个变量时，无法通过协方差来说明那两组数据的相关性最高。要衡量和对比相关性的密切程度，就需要使用下一个方法：相关系数。2、线性相关系数也叫Pearson相关系数， 主要衡量两个变量线性相关的程度。r=cov(X,Y)/(D(X)D(Y))相关系数是用协方差除以两个随机变量的标准差。相关系数的大小在-1和1之间变化。再也不会出现因为计量单位变化，而数值暴涨的情况了。线性相关系数必须建立在因变量与自变量是线性的关系基础上，否则线性相关系数是无意义的。三、连续与离散变量之间的相关性1、连续变量离散化将连续变量离散化，然后，使用离散与离散变量相关性分析的方法来分析相关性。2、箱形图使用画箱形图的方法，看离散变量取不同值，连续变量的均值与方差及取值分布情况。如果，离散变量取不同值，对应的连续变量的箱形图差别不大，则说明，离散变量取不同值对连续变量的影响不大，相关性不高;反之，相关性高。

1、卡方检验是针对两个定性变量之间的关系；2、首先用交叉表进行下分析；3、在SPSS中进行卡方检验，在分析数据之前根据实际需要进行【加权个案】处理；4、接着进行考察顾问1和顾问2的一致性，Kappa专门来考察一致性，p=0.001<0.05否定H0:两者之间没有联系，值为0.429关联性较弱；5进行配对卡方检验，p=0.046<0.05拒绝（H0：两个专家评价相同）；6、分层卡方检验，做交叉表，检验完成。

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.,3,主要看年龄对顾客到超市的频率是否具有关联，那就是用卡方检验啊,1,服从方差分布，比较各个总体均值是否一致的问题可以用方差分析方法来解决，主要检验显著性 卡方检验用于假设检验，表示均值未知，检验方差是否在拒绝域内，并据此判定结果 你这个肯定是和用方差分析，主要是分析显著性年龄也分组了，频率也分组了，这种情况下，是不是可以用卡方检验呢。主要看年龄对顾客到超市的频率是否具有关联。 频率 1 2 3 4 年龄 1 32 9 1 42 ...,1,请问什么情况下用卡方检验,什么情况下用方差分析? 例如我在做调查,不同年龄的顾客到超市的频率,120每周1次,234人两周1次,300一个月一次,345人两个月及以上1次,这种情况是用卡方检验还是用方差分析.

1、打开Excel2010，以下图为例需要对图中的数据进行卡方检验。2、首先我们需要将数据导入SPSS软件中，关闭EXCEL文件然后打开SPSS软件。3、在菜单栏中依次点击“文件”、“打开”、“数据”。4、在弹出的“打开数据”弹窗中找到刚才的EXCEL文件并打开。5、接下来需要对频数进行加权操作。6、在菜单栏点击“数据”、“个案加权”。7、在菜单栏依次点击“分析”、“描述统计”、“交叉表”8、分别设置行变量和列变量并点击确定。10、之后在统计中勾选卡方并点击继续。11、之后在结果查看器中可以看到卡方检验结果。我们重点关注“卡方检验”结果即可。

卡方（χ2）常用以检验两个或两个以上样本率或构成比之间差别的显著性分析，用以说明两类属性现象之间是否存在一定的关系。 卡方检验常采用四格表，如图 5-4-18所示，比较的A、B两组数据分别用a、b、c、d表示，a为A组的阳性例数，b为A组的阴性例...

一、t检验的适用条件：已知一个总体均数；可得到一个样本均数及该样本标准差；样本来自正态或近似正态总体。主要用于样本含量较小（例如n < 30），总体标准差σ未知的正态分布二、z检验的适用条件：随机变量服从或近似服从正态分布，z作为检验统计量与X的均值是等价的，且计算z的分位数或查相应的分布表比较方便。通过比较由样本观测值得到的z的观测值，可以判断数学期望的显著性，我们把这种利用服从标准正态分布统计量的检验方法成为z检验.三、卡方检验的适用条件：用途非常广的一种假设检验方法，它在分类资料统计推断中的应用，包括：两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。扩展资料：t检验的使用注意事项：1、区分单侧检验和双侧检验。单侧检验的界值小于双侧检验的界值，因此更容易拒绝，犯第Ⅰ错误的可能性大。t检验中的p值是接受两均值存在差异这个假设可能犯错的概率。在统计学上，当两组观察对象总体中的确不存在差别时，这个概率与我们拒绝了该假设有关。一些学者认为如果差异具有特定的方向性，我们只要考虑单侧概率分布，将所得到t-检验的P值分为两半。另一些学者则认为无论何种情况下都要报告标准的双侧t检验概率。2、假设检验的结论不能绝对化。当一个统计量的值落在临界域内，这个统计量是统计上显著的，这时拒绝虚拟假设。假设检验和可信区间的关系结论具有一致性差异：提供的信息不同区间估计给出总体均值可能取值范围，但不给出确切的概率值，假设检验可以给出数值成立与否的概率。参考资料来源：百度百科-t检验参考资料来源：百度百科-z检验参考资料来源：百度百科-卡方检验

问题一：什么时候用t检验什么时候用卡方检验？ 身高、体重为计量资料，有计量单位，身高计量单位为cm(厘米)，体重的计量单位为kg(公斤)。 性别、血压为计数资料，无计量单位，计算人数，男性有多少人，女性有多少人，A型血有多少人，B型血有多少人，......。 t检验用于计量资料，且要求资料服从正态分布，两独立样本均数比较时还要求两总体方差。 问题二：什么情况下用卡方检验，什么情况下用方差分析 分类指标组间比较是卡方检验，连续指标组间比较是方差分析 问题三：卡方检验 什么情况下用确切概率法 卡方检验试用条件 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验. 3.如果有理论数T＜1或n＜40,则用Fisher"s检验. 上述是适用于四格表. R×C表卡方检验应用条件： 1.R×C表中理论数小于5的格子不能超过1/5； 2.不能有小于1的理论数. 若不符合R×C表的卡方检验.可以通过增加样本数、列合并来实现. 统计专业研究生工作室原创，请勿复杂粘贴 问题四：SPSS卡方检验中在什么情况下需要进行加权 如果是原始数据就不需要加权，频数资料就需要加权 问题五：在什么情况下，卡方检验需要连续性矫正？如何矫正 卡方检验试用条件 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验. 3.如果有理论数T＜1或n＜40,则用Fisher"s检验. 上述是适用于四格表. R×C表卡方检验应用条件： 1.R×C表中理论数小于5的格子不能超过1/5； 2.不能有小于1的理论数. 若不符合R×C表的卡方检验.可以通过增加样本数、列合并来实现. 统计专业研究生工作室原创，请勿复杂粘贴 问题六：什么时候用卡方检验,什么时候用t检验,什么时候用u检验 一般情况下分类变量用卡方检验，连续性耿量用t检验或者u检验。小样本n 问题七：什么时候用t检验什么时候用卡方检验？ 身高、体重为计量资料，有计量单位，身高计量单位为cm(厘米)，体重的计量单位为kg(公斤)。 性别、血压为计数资料，无计量单位，计算人数，男性有多少人，女性有多少人，A型血有多少人，B型血有多少人，......。 t检验用于计量资料，且要求资料服从正态分布，两独立样本均数比较时还要求两总体方差。 问题八：卡方检验 什么情况下用确切概率法 卡方检验试用条件 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验. 3.如果有理论数T＜1或n＜40,则用Fisher"s检验. 上述是适用于四格表. R×C表卡方检验应用条件： 1.R×C表中理论数小于5的格子不能超过1/5； 2.不能有小于1的理论数. 若不符合R×C表的卡方检验.可以通过增加样本数、列合并来实现. 统计专业研究生工作室原创，请勿复杂粘贴 问题九：什么情况下用卡方检验，什么情况下用方差分析 分类指标组间比较是卡方检验，连续指标组间比较是方差分析 问题十：什么时候用卡方检验,什么时候用t检验,什么时候用u检验 一般情况下分类变量用卡方检验，连续性耿量用t检验或者u检验。小样本n

P值指发生类型1错误的实际概率（错误驳回原假设的概率），当这个实际值小于设置的alpha风险（一般为0.05或0.01）时，就可以推翻原假设，选用备择假设。这对任何假设检验都适用。对于卡方检验（一个正态连续样本），原假设是样本的母本标准差等于目标标准差，备择假设就是不等于。所以，当p小于0.05（比如0.001），说明发生错误推翻原假设的几率仅为0.1%，因此你就可以推翻原假设，选择备择假设了（既与目标值不相等）。对于离散数据的卡方检验，原假设是事件A与事件B是不相关的，备择假设事件A与事件B是相关的。欢迎追问。

卡方检验试用条件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验. 3.如果有理论数T＜1或n＜40,则用Fisher"s检验. 上述是适用于四格表.R×C表卡方检验应用条件： 1.R×C表中理论数小于5的格子不能超过1/5； 2.不能有小于1的理论数.若不符合R×C表的卡方检验.可以通过增加样本数、列合并来实现.统计专业研究生工作室原创，请勿复杂粘贴

卡方检验试用条件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验.3.如果有理论数T＜1或n＜40,则用Fisher"s检验.上述是适用于四格表.R×C表卡方检验应用条件：1.R×C表中理论数小于5的格子不能超过1/5；2.不能有小于1的理论数.若不符合R×C表的卡方检验.可以通过增加样本数、列合并来实现.

卡方检验你的数据应该用交叉列联表做，数据录入格式为：建立两个变量，变量1是组别，正常对照组用数据1表示，病例组用数据2表示；变量2是疗效等分类变量，用1表示分类属性1，用2表示分类属性2，还有一个变量3是权重，例数数据录入完成后，先加权频数后点analyze-descriptivestatistics-crosstabs-把变量1选到rows里，把变量2选到column里，然后点击下面的statistics，打开对话框，勾选chi-squares，然后点continue，再点ok，出来结果的第3个表就是你要的卡方检验，第一行第一个数是卡方值，后面是自由度，然后是p值。

卡方检验的名词解释如下：卡方检验，是用途非常广的一种假设检验方法，它在分类资料统计推断中的应用，包括两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。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，如果卡方值越大，二者偏差程度越大；反之，二者偏差越小；若两个值完全相等时，卡方值就为0，表明理论值完全符合。卡方检验是用途非常广的一种假设检验方法，它在分类资料统计推断中的应用，包括：两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。行×列表资料的卡方检验用于多个率或多个构成比的比较。1、 专用公式：r行c列表资料卡方检验的卡方值=n[(A11/n1n1+A12/n1n2+...+Arc/nrnc)-1]。2、 应用条件：要求每个格子中的理论频数T均大于5或1<T<5的格子数不超过总格子数的1/5。当有T<1或1<T<5的格子较多时，可采用并行并列、删行删列、增大样本含量的办法使其符合行×列表资料卡方检验的应用条件。而多个率的两两比较可采用行X列表分割的办法。

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；卡方值越小，偏差越小，越趋于符合，若两个值完全相等时，卡方值就为0，表明理论值完全符合。

卡方值仅仅只是一个中间过程，通过卡方值计算出p值，p值才是我们最重要需要的。p小于0.05意味着存在显著差异。

在SPSS比较两组人性别、年龄数值是否有差别，应用卡方检验。卡方检验主要是比较两个及两个以上样本率(构成比）以及两个分类变量的关联性分析。其根本思想就是在于比较理论频数和实际频数的吻合程度或拟合优度问题。它在分类资料统计推断中的应用，包括：两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。扩展资料卡方检验的样本量要求卡方分布本身是连续型分布，但是在分类资料的统计分析中，显然频数只能以整数形式出现，因此计算出的统计量是非连续的。只有当样本量比较充足时，才可以忽略两者间的差异，否则将可能导致较大的偏差具体而言，一般认为对于卡方检验中的每一个单元格，要求其最小期望频数均大于1，且至少有4/5的单元格期望频数大于5，此时使用卡方分布计算出的概率值才是准确的。如果数据不符合要求，可以采用确切概率法进行概率的计算。

四格表资料检验四格表资料的卡方检验用于进行两个率或两个构成比的比较。1. 专用公式:若四格表资料四个格子的频数分别为a，b，c，d，则四格表资料卡方检验的卡方值=n(ad-bc)^2/(a+b)(c+d)(a+c)(b+d)，自由度v=(行数-1)(列数-1)列联表资料检验同一组对象，观察每一个个体对两种分类方法的表现，结果构成双向交叉排列的统计表就是列联表。1. R*C 列联表的卡方检验:R*C 列联表的卡方检验用于R*C列联表的相关分析，卡方值的计算和检验过程与行×列表资料的卡方检验相同。2. 2*2列联表的卡方检验:2*2列联表的卡方检验又称配对记数资料或配对四格表资料的卡方检验，根据卡方值计算公式的不同，可以达到不同的目的。当用一般四格表的卡方检验计算时，卡方值=n(ad-bc)^2/[(a+b)(c+d)(a+c)(b+d)]，此时用于进行配对四格表的相关分析。如考察两种检验方法的结果有无关系;当卡方值=(|b-c|-1)2/(b+c)时，此时卡方检验用来进行四格表的差异检验，如考察两种检验方法的检出率有无差别。列联表卡方检验应用中的注意事项同R*C表的卡方检验相同。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。行×列表资料检验行×列表资料的卡方检验用于多个率或多个构成比的比较。1. 专用公式:r行c列表资料卡方检验的卡方值=n[(A11/n1n1+A12/n1n2+...+Arc/nrnc)-1]2. 应用条件:要求每个格子中的理论频数T均大于5或1<T<5的格子数不超过总格子数的1/5。当有T<1或1<T<5的格子较多时，可采用并行并列、删行删列、增大样本含量的办法使其符合行×列表资料卡方检验的应用条件。而多个率的两两比较可采用行X列表分割的办法。列联表资料检验同一组对象，观察每一个个体对两种分类方法的表现，结果构成双向交叉排列的统计表就是列联表。1. R*C 列联表的卡方检验:R*C 列联表的卡方检验用于R*C列联表的相关分析，卡方值的计算和检验过程与行×列表资料的卡方检验相同。2. 2*2列联表的卡方检验:2*2列联表的卡方检验又称配对记数资料或配对四格表资料的卡方检验，根据卡方值计算公式的不同，可以达到不同的目的。当用一般四格表的卡方检验计算时，卡方值=n(ad-bc)^2/[(a+b)(c+d)(a+c)(b+d)]，此时用于进行配对四格表的相关分析。如考察两种检验方法的结果有无关系;当卡方值=(|b-c|-1)2/(b+c)时，此时卡方检验用来进行四格表的差异检验，如考察两种检验方法的检出率有无差别。列联表卡方检验应用中的注意事项同R*C表的卡方检验相同。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。为什么从正态总体中抽取出的样本的方差服从χ2分布在抽样分布理论一节里讲到，从正态总体进行一次抽样就相当于独立同分布的 n 个正态随机变量ξ1，ξ2，?，ξn的一次取值。将 n 个随机变量针对总体均值与方差进行标准化得(i=1,?,n)，显然每个都是服从标准正态分布的，因此按照χ2分布的定义，应该服从参数为 n 的χ2分布。如果将中的总体均值 μ 用样本平均数 ξ 代替，即得，它是否也服从χ2分布呢？理论上可以证明，它是服从χ2分布的，但是参数不是 n 而是 n-1 了，究其原因在于它是 n-1 个独立同分布于标准正态分布的随机变量的平方和扩展资料卡方检验的统计量是卡方值，它是每个格子实际频数A与理论频数T差值平方与理论频数之比的累计和。每个格子中的理论频数T是在假定两组的发癌率相等(均等于两组合计的发癌率)的情况下计算出来的。如第一行第一列的理论频数为71*(91/113)=57.18，故卡方值越大，说明实际频数与理论频数的差别越明显，两组发癌率不同的可能性越大。参考资料：卡方检验的百度百科

观察频数与期望频数没有差别。凡是可以应用比率进行检验的资料，都可以用卡方检验。卡方检验是卡方分布为基础的一种检验方法，主要用于分类变量，根据样本数据推断总体的分布与期望分布是否有显著差异，或推断两个分类变量是否相关或相互独立。要注意的是，卡方检验受样本量的影响很大，同样两个变量，不同的样本量，可能得出不同的结论。解决这个问题的办法是对卡方值进行修正，最常用的是列联系数。对较大样本，当卡方检验的的结果显著，并且列联系数也显著时，才可拒绝原假设；当卡方检验的结果显著，列联系数不显著时，不能轻易下结论。卡方检验的统计量是卡方值，它是每个格子实际频数A与理论频数T差值平方与理论频数之比的累计和。每个格子中的理论频数T是在假定两组的发癌率相等(均等于两组合计的发癌率)的情况下计算出来的，如第一行第一列的理论频数为71*(91/113)=57.18，故卡方值越大，说明实际频数与理论频数的差别越明显，两组发癌率不同的可能性越大。

一个是看卡方值，另一个是看卡方值对应的p值，也就是sig值，尤其是sig，如果sig0.05的话则无充分理由认为实际与期望有差异或者是两变量相关。

啊实打实的事实上是飒飒大撒

1、随机样本数据。2、卡方检验的理论频数不能太小。两个独立样本比较的3种情况：1、如果理论数T＜5但T≥1，并且1≥40，用连续性校正的卡方进行检验。2、如果有理论数T＜1或n＜40，则用Fisher"s检验。3、所有的理论数T≥5并且总样本量n≥40，用Pearson卡方进行检验。扩展资料2*2列联表的卡方检验2*2列联表的卡方检验又称配对记数资料或配对四格表资料的卡方检验，根据卡方值计算公式的不同，可以达到不同的目的。当用一般四格表的卡方检验计算时，卡方值=n（ad-bc)^2/[(a+b)(c+d)(a+c)(b+d)]，此时用于进行配对四格表的相关分析，如考察两种检验方法的结果有无关系；当卡方值=（|b-c|-1）2/(b+c)时，此时卡方检验用来进行四格表的差异检验，如考察两种检验方法的检出率有无差别。

1、首先打开SPSS23.0软件，在文件中找到想要进行处理的数据，如下图所示。2、然后在上方的菜单栏中找到分析菜单栏，选择非参数检验，打开旧对话框，选择卡方。3、接着在卡方检验对话框中，将左侧的变量移动至右侧想要检验的变量对话框中，如下图所示。4、然后点击选项菜单，此时可以选择卡方检验的统计方法，还可以设置缺失值。5、最后单击确定对SPSS的数据进行查看，在图表中可以看到检验次数和检验统计。

卡方检验的使用范围和优缺点与t检验有3点不同，具体介绍如下：一、两者的使用范的使用范围不同：1、卡方检验的使用范围：在分类资料统计推断中进行应用。包括两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。2、t检验的使用范围：主要用于样本含量较小（例如n < 30），总体标准差σ未知的正态分布。二、两者的优缺点不同：1、卡方检验的优缺点：可以方便简洁进行检验。但是，原理较为复杂2、t检验的优缺点：只能够比较两个平均数的差异是否显著。三、两者的原理不同：1、卡方检验的原理：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，如果卡方值越大，二者偏差程度越大；反之，二者偏差越小；若两个值完全相等时，卡方值就为0，表明理论值完全符合。2、t检验的原理：单总体t检验是检验一个样本平均数与一个已知的总体平均数的差异是否显著。当总体分布是正态分布，如总体标准差未知且样本容量小于30，那么样本平均数与总体平均数得离差统计量呈t分布。参考资料来源：百度百科-卡方检验参考资料来源：百度百科-t检验

方差分析用于连续变量的推断统计：对于两组以上的连续变量要对其总体做平均数差异显著性检验，可以用方差分析，如：三组被试的身高分数做总体是否有差异的检验，可以用方差分析；而卡方检验主要用于间断变量的推断统计，如：已知三组不同性质的人员（老师、家长和学生）对于某一教育举措的观点的不同人数，要对其做总体上三种类型的人对于教育举措所表示的态度是否一致可以用卡方检验。

情况一：X定类 Y定量如果是多个独立样本，Y服从正态分布，且个水平下总体具有相同方差，则建议使用方差分析，如果没有呈现出正态性特质，此时建议可使用非参数检验。情况二：X定类 Y定类此时可以选择卡方检验，通过选择百分比进行对比判断。

如图输入数据：输入三列变量，第一列命名为变量一，是行所代表的变量，第二列命名为变量二，是列所代表的变量，第三列则是对应某行某列的观察频数。数据录好后，在spss菜单里选择选择：数据——加权个案，在弹出的的对话框里把频数选入加权变量的框里，如下图：然后确定，这一步是做卡方检验前必经的步骤。接下来进行卡方检验，依次选择：分析——描述统计——交叉表，弹出卡方分析的对话框，然后将变量一、二分别选入行变量和列变量，然后点击“统计量”按钮，选择卡方，如下图：然后OK出结果一般情况结果看person卡方的值，如果你的某个单元格的期望值小于5，结果需要校正，建议看fisher精确检验的结果，双侧sig<0.05就代表差异显著了，差异显著即表明所检验的两个变量相关。以下是数据分析结果：有上表可知，pearson卡方值=0.398>0.05，因此卡方检验的结果不显著，也就是说无充分理由认为变量一和变量二相关

是一样的。因为c2检验属于卡方检验中的一种方法。前者从属于后者。c2检验：根据事件出现频率而进行的一种统计显著性检验。最常用于方差检验、分布曲线拟合优度检验等方面。卡方检验，是用途非常广的一种假设检验方法，它在分类资料统计推断中的应用，包括两个率或两个构成比比较的卡方检验。

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