跳到主要内容
MedCalc

卡方检验

卡方检验可用于:

一个变量 - 单向分类

对于一个分类表(例如性别),检验所有分类水平的频数相同的假设。在对话框中只指定一个离散变量,零假设为所有分类水平的频数相同。如果计算出的 P值较小(<0.05),则拒绝零假设,接受各分类水平的频数之间存在显著差异的备择假设。

两个变量 - 双向分类

检验两个分类因子(例如性别和职业)之间的关系。此时需要在对话框中指定两个离散变量,零假设为两个因子相互独立。如果计算出的 P值较小(<0.05),则拒绝零假设,接受两个因子之间存在关系的备择假设。

如何输入数据

以下示例包含两个分类变量。变量 OUTCOME 中,阳性结局输入代码 1,阴性结局输入代码 0;变量 SMOKING 中,吸烟的受试者使用代码 1,不吸烟的受试者使用代码 0。每个个案的数据输入电子表格的一行中。

数据
A1
1
 ABC
 OUTCOMESMOKING 
111 
210 
311 
410 
511 
611 
711 
810 
911 
1010 
1110 

所需输入

在卡方检验对话框中,必须指定一个或两个包含分类数据的离散变量。分类数据可以是数值,也可以是字母数字(文本)。必要时可以使用 IF 函数将连续变量转换为离散变量(请参阅其他部分)。

卡方检验

显示所有百分比选项(仅适用于双向分类):请参见下面的示例。

结果

在对话框中完成输入并单击 确定 后,将得到频数表以及相关的统计量。

分类表

卡方检验

分类 X

OUTCOME

分类 Y

SMOKING

 

OUTCOME

 

SMOKING

0

1

 

0

42

20

62 (62.0%)

1

14

24

38 (38.0%)

 

56
(56.0%)

44
(44.0%)

100

卡方检验

卡方

9.038

DF

1

显著性水平

P = 0.0026

效应量

Cramér V

0.302

95% CI

0.146至0.508

在对话框中选择显示所有百分比选项后,表中将显示所有百分比。

卡方检验

分类 X

OUTCOME

分类 Y

SMOKING

 

OUTCOME

 

SMOKING

0

1

 

0

42
67.7% RT
75.0% CT
42.0% GT

20
32.3% RT
45.5% CT
20.0% GT

62 (62.0%)

1

14
36.8% RT
25.0% CT
14.0% GT

24
63.2% RT
54.5% CT
24.0% GT

38 (38.0%)

 

56
(56.0%)

44
(44.0%)

100

卡方检验

卡方

9.038

DF

1

显著性水平

P = 0.0026

效应量

Cramér V

0.302

95% CI

0.146至0.508

在本例中,左上单元格(Codes X 和 Coded Y 均为 0)中的数字 42 占行合计(RT)62 个个案的 67.7%,占列合计(CT)56 个个案的 75%,占总计(GT)100 个个案的 42%。

卡方检验

卡方统计量是所有单元格中观测频数与期望频数之差的平方除以期望频数之和:

卡方统计量$$ \chi^2 = \sum{ \frac {(\text{观测频数} - \text{期望频数})^2} {\text{期望频数}}} $$

一个分类因子

要检验一个分类表(例如性别)中所有分类水平的频数相同的假设,请在对话框中只指定一个离散变量。此时零假设为所有分类水平的频数相同。如果计算出的 P值较小(P<0.05),则拒绝零假设,接受各分类水平的频数之间存在显著差异的备择假设。

一个分类表中观测值的众数是最常见的观测值或类别(频数最高的观测值)。单峰分布有一个众数,双峰分布有两个众数。

两个分类因子

要考察两个分类因子(例如性别和职业)之间的关系,请在对话框中指定两个离散变量。此时零假设为两个因子相互独立。如果计算出的 P值较小(P<0.05),则拒绝零假设,接受两个因子之间存在关系的备择假设。

效应量

Cramér V 是衡量两种分类之间关联强度的指标,取值范围为 0(无关联)至 1(完全关联)。即使关联很弱,卡方统计量及其 P值也会随样本量的增大而增大,而 Cramér V 不受个案数的影响,因此可用于比较不同大小的表格或不同研究之间的关联强度。MedCalc 还报告基于非中心卡方分布的 Cramér V 的 95% 置信区间(Smithson, 2003)。

根据经验法则,Cramér V 小于或等于 0.2 时,即使关联具有统计学显著性,两种分类之间的关联也较弱。0.2 至 0.6 之间的值表示中等关联,大于 0.6 的值表示强关联。

趋势卡方检验

如果表格有 2 列和 3 行或更多行(或 2 行和 3 列或更多列),并且类别可以量化,MedCalc 还会进行趋势卡方检验。Cochran–Armitage 趋势检验(Cochran, 1954; Armitage, 1955)检验行(或列)编号与左列(或上行)中受试者所占比例之间是否存在线性趋势。Cochran–Armitage 趋势检验比上述不考虑顺序的独立性检验具有更高的检验效能。

如果行(或列)的类别没有有意义的顺序,请忽略此计算。

2x2 表的分析

  • 对于 2x2 表,MedCalc 使用 Campbell (2007) 和 Richardson (2011) 推荐的“N−1”卡方检验。“N−1”卡方检验将上面求得的 χ2 乘以 (N-1)/N。Yates 连续性校正已不再推荐使用。
  • 如果两个分类因子并不独立,或者要检验相关观测值或配对观测值中的比例差异(例如患者作为自身对照的研究),则必须使用 McNemar 检验。

期望频数较小

一个常见的误解是:如果一个或多个单元格的期望频数小于 5,卡方检验就不可靠。

互联网上有许多网站这样声称,但都没有给出出处。

然而,根据 Pagano & Gauvreau (2000):

“表中任何单元格的期望频数都不应小于 1,且期望频数小于 5 的单元格不应超过 20%”(引自 Cochran, 1954)。

实际上,Cochran (1954) 写道:

“2x2 表。(i) 当表格总数 N < 20 时,或 (ii) 当 20 < N < 40 且最小期望值小于 5 时,使用 Fisher 精确检验。
自由度大于 1 的列联表。如果期望值小于 5 的单元格相对较少(例如 5 个或更多单元格中有 1 个,或 10 个或更多单元格中有 2 个),在计算 χ2 时,最小期望值可以低至 1。”

以及

“如果 χ2 的自由度小于 30,且最小期望值为 2 或以上,使用普通的 χ2 分布表通常就足够了。”

根据 Koehler 和 Larntz (1980) 的研究(引自 Conover 1999, p. 241),当 N ≥ 10、c ≥ 3、N2/c ≥ 10,且所有 Ej ≥ 0.25 时(c 为单元格数,Ej 为单元格 j 的期望频数),卡方近似是合适的。

参考文献

  • Altman DG (1991) Practical statistics for medical research. London: Chapman and Hall.
  • Armitage P (1955) Tests for linear trends in proportions and frequencies. Biometrics 11:375-386.
  • Campbell I (2007) Chi-squared and Fisher-Irwin tests of two-by-two tables with small sample recommendations. Statistics in Medicine 26:3661-3675. PubMed
  • Cochran WG (1954) Some methods for strengthening the common χ2 tests. Biometrics 10:417-451.
  • Conover WJ (1999) Practical non-parametric statistics, 3rd edition. New York: John Wiley & Sons.
  • Koehler KJ, Larntz K (1980) An empirical investigation of goodness-of-fit statistics for sparse multinomials. Journal of the American Statistical Association 75:336-344.
  • Pagano M, Gauvreau K (2000) Principles of biostatistics, 2nd ed. Brooks/Cole, Cengage Learning.
  • Richardson JTE (2011) The analysis of 2 x 2 contingency tables - Yet again. Statistics in Medicine 30:890. PubMed
  • Smithson M (2003) Confidence Intervals. Series: Quantitative Applications in the Social Sciences. New York, NY: Sage Publications.

另请参阅