皮爾森卡方檢定

皮爾森卡方檢定（英語：Pearson's chi-squared test）是最有名卡方檢定之一（其他常用的卡方檢定還有葉氏連續校正（英語：Yates's correction for continuity）、似然比檢定（英語：Likelihood-ratio test）、一元混成檢驗（英語：Portmanteau test）等等－－它們的統計值之機率分配都近似於卡方分配，故稱卡方檢定）。「皮爾森卡方檢定」最早由卡爾·皮爾森在1900年發表，^[1] 用於類別變數的檢定。科學文獻中，當提及卡方檢定而沒有特別指明類型時，通常即指皮爾森卡方檢定。

原假設

「皮爾森卡方檢定」的虛無假設（H₀）是：一個樣本中已發生事件的次數分配會遵守某個特定的理論分配。

在虛無假設的句子中，「事件」必須互斥，並且所有事件總機率等於1。或者說，每個事件是類別變數（英語：categorical variable）的一種類別或級別（英語：level）。

簡單的例子：常見的六面骰子，事件＝丟骰子的結果（可能是1~6任一個）屬於類別變數，每一面都是此變數的一種（一個級別）結果，每種結果互斥（1不是2, 3, 4, 5, 6; 2不是1, 3, 4 ...），六面的機率總和等於1。

「皮爾森卡方檢定」可用於三種情境的變項比較：擬合度檢驗（英語：Goodness of fit）、同質性檢驗（英語：Homogeneity_and_heterogeneity_(statistics)）和獨立性檢定。

不管哪個檢定都包含三個步驟：

計算卡方檢定的統計值「 $\chi ^{2}$ 」：把每一個觀察值和理論值的差做平方後、除以理論值、再加總。
計算 $\chi ^{2}$ 統計值的自由度「 $df$ 」。
依據研究者設定的置信水平（顯著性水平、P值或對應Alpha值），查出自由度為 $df$ 的卡方分配臨界值，比較它與第1步驟得出的 $\chi ^{2}$ 統計值，推論能否拒絕虛無假說。

適配度檢定（英語：Goodness of Fit test）：測試樣本的機率分配與母體有多相似。

當理論上的母體分配為每個類別機率一致時，即應適用離散型均勻分配的計算方法。 $N$ 個觀察值於理論上應均勻分配在所有的 $m$ 個欄位（類別）中，因此每個欄位（類別）的「理論次數」（或期望次數）為：

E_{i}={\frac {N}{m}}

，其中

i=1,2,...,m

自由度 $df=m-1$ 。「 $m$ 」是總共要計算離差平方的個數（每個類別計算一次觀察值與理論值的差，再平方）。「 $-1$ 」是因為對於計算 $\chi ^{2}$ 而言只有一個限制條件：觀察值的個數總和為 $N$ 。

在同一個個體（例如：同一個人）身上有兩個二元變數（X, Y），例如 X（男／女）和 Y（右撇子／左撇子），觀察兩個變數的相關性。虛無假設是：兩個變數呈統計獨立性。在本例中：性別與慣用手是獨立事件。

首先，每個觀察值（每個抽出的人）會被重新編排到一個叫做「列聯表」（英語：contingency table，又稱：條件次數表）的二維表格裡。本例的列聯表是2×2的構造（不算入Total欄位）：

E_{i,j}={\frac {\left(\sum _{n_{c}=1}^{c}O_{i,n_{c}}\right)\cdot \left(\sum _{n_{r}=1}^{r}O_{n_{r},j}\right)}{N}}

，

其中 N 是樣本大小（觀察值的個數，亦即2×2列聯表所有欄位的總和，本例：N = 100）。本例的各欄位期望值如下（括號裡的數字）：

\chi ^{2}=\sum _{i=1}^{r}\sum _{j=1}^{c}{(O_{i,j}-E_{i,j})^{2} \over E_{i,j}}.

本例的

\chi ^{2}

統計值是：

\chi ^{2}=(43-45.24)^{2}/45.24+(44-41.76)^{2}/41.76+(9-6.76)^{2}/6.76+(4-6.24)^{2}/6.24=1.777

自由度 $df=(r-1)(c-1)$ 是這樣得出：雖然總共要計算 $rc$ 個離差平方（每個欄位計算一次觀察值與理論值的差，再平方），但 X 變數有1個限制條件（樣本抽出後，男性的人數即固定），Y 變數也有1個限制條件（樣本抽出後，右撇子的人數即固定），所以可自由變動的欄位數只有 $(r-1)(c-1)$ 。

在本例中

df=(2-1)\times (2-1)=1

。

在 $\chi ^{2}=1.777,df=1$ 的條件下，得出卡方分配右尾機率 $p=0.1825$ ，無法拒絕虛無假設，亦即：無法拒絕性別變數與慣用手變數互相獨立的假設。

如果個別欄位的期望次數太低，會使機率分配無法近似於卡方分配。一般要求：自由度 $df>1$ 時，期望次數小於5的欄位不多於總欄位的20%。
若自由度 $df=1$ ，且若期望次數 $<10$ ，則近似於卡方分配的假設不可信。此時可以將每個觀察值的離差減去 $0.5$ 之後再做平方，這便是葉慈連續校正（英語：Yates's correction for continuity）。

Herman Chernoff, E. L. Lehmann. The Use of Maximum Likelihood Estimates in $\chi^2$ Tests for Goodness of Fit. The Annals of Mathematical Statistics. 1954-09, 25 (3): 579–586 [2018-04-02]. ISSN 0003-4851. doi:10.1214/aoms/1177728726. （原始內容存檔於2021-02-26）（英語）.
R. L. Plackett. Karl Pearson and the Chi-Squared Test. International Statistical Review / Revue Internationale de Statistique. 1983, 51 (1): 59–72 [2018-04-02]. doi:10.2307/1402731. （原始內容存檔於2021-04-16）.

Nikulin, Priscilla E. Greenwood ; Mikhail S. A guide to chi-squared testing. New York, NY [u.a.]: Wiley. 1996. ISBN 047155779X.