《统计心理学教学资料》13-chi square.ppt

卡方检验 (Chi-square) 参数与非参数检验 卡方匹配度检验 卡方独立性检验 卡方检验的前提和限制 卡方检验的效应大小和效力 参数与非参数检验 参数检验 用于等比/等距型数据 对参数的前提：正态分布和方差同质 非参数检验 不用对参数进行假设 对分布较少有要求，也叫distribution-free tests 用于类目/顺序型数据 没有参数检验敏感，效力低 因此在二者都可用时，总是用参数检验 卡方匹配度检验(Chi Square for Goodness of fit) 用样本数据检验总体分布的形状或比率，以确定与假设的总体性质的匹配度 是对次数分布的检验 研究情境 在医生职业中，男的多还是女的多？ 在三种咖啡中，哪种被中国人最喜欢？ 在北京大学中，各国留学生的比例有代表性吗？ 卡方匹配度检验的虚无假设-期望次数 在医生职业中，男的多还是女的多？ 在外科医生中，男的是否占80%？ 最喜欢的咖啡品牌 卡方匹配度检验的公式 f e=pn df =C-1 χ2= ∑[(f0-f e)2/ f e] F0：观察次数 f e ：期望次数 C：类目的个数 Χ2：统计量 卡方分布 是一系列平方和相加，没有负值 当H0为真时，Chi square 的数值会小 典型的卡方分布是正偏态，右侧的尾端构成临界区域 卡方分布的形状并不取决于样本数目，而是取决于类目数目。 df =C-1 当卡方df 增加时，卡方的临界值增加。 当卡方df 增加时，卡方分布的偏态越来越不严重。 卡方匹配度检验的例题 卡方匹配度检验的例题 单位格χ2 单位格χ2具有可加性 单位格χ2大于2.5，说明该因素对整个统计检验的显著贡献较大 卡方独立性检验 检验行和列的两个变量彼此有无关联 是命名型变量, 顺序型变量相关的计算方法 卡方独立性检验的公式 χ 2= ∑[(f0-f e)2/ f e] f e=（row total）（column total）/n， df =（R-1）（C-1） F0：观察次数 f e ：期望次数 R ：行类目的个数 C：列类目的个数 χ 2：统计量 对手表显示的偏好程度与被试的年龄段是否有关？ 卡方独立性检验 检验行和列的两个变量彼此有无关联 是命名型变量，顺序型变量相关的计算方法 有时变量虽为等距型，但若不符合Pearson相关的统计前提，也可用卡方独立性检验 以下数据是学业成绩和自尊分数，求二者的关系 被试 学业成绩 自尊分数 A 94 31 B 78 26 C 81 27 D 65 23 。 。 。 。 。 。 以下数据是学业成绩和自尊分数，求二者的关系 卡方检验的前提和限制 观察彼此独立 所有 fe =5 χ2与效应大小（effect size） Phi系数，范围0至1，是一种多元相关系数 在2×2列联表时， Phi系数:Cohen’s convension 当dfsmall=1时， Φ=0.10表示小的效应， Φ=0.30表示中等的效应，Φ=0.50表示高的效应. 当dfsmall=2时， Φ=0.07表示小的效应， Φ=0.21表示中等的效应，Φ=0.35表示高的效应. 当dfsmall=3时， Φ=0.06表示小的效应， Φ=0.17表示中等的效应，Φ=0.29表示高的效应. 计算上题例1， Cramer’s φ=sqrt（38.09/200/1）=sqrt（0.095）=0.44 中等的效应 例2，Cramer’s φ=sqrt（8.22/150/1）=sqrt（0.027）=0.23 小的效应 概念小测查: 判断正误 在卡方检验中,样本数据称为观测频率. 卡方检验的一个优点是它可以用于命名量表的数据. 假定卡方匹配度检验采用三个类目的无偏假设.如果样本有n=60个被试,那么每个类目的期望次数是fe=20. 一个检验三个类目分布的卡方匹配度检验,研究者取了100名被试,这个卡方匹配度检验的自由度是df=99. 卡方独立性检验要求每个个体在两列变量上分类. 卡方检验的自由度不依赖样本量大小. 在卡方检验中,观测频率可能为分数或小数. 一般来说,一个大的卡方值会容易拒绝虚无假设. 卡方的数值永远不会为负数. 一位研究者用卡方独立性检验,评价出生顺序和自尊的关系.每个个体被分类为出生顺序为1至3,及高自尊,低自尊.这个卡方独立性检验的自由度是df=2. * * 影响学生选课的因素有上述4种，哪些因素的影响力更强？ 影响学生选课的因素有上述4种，哪些因素的影响力更强？ H0: 4种因素的影响力相等 Df=3，Χ2(3).05=7.81 求边缘和N=18+17+7+8=50 χ2= ∑[(f0-f e)2/ f e] =(18-12.5)2/12.5