六西格玛之分析阶段S848卡方检验p23.pptx

卡方检验( Chi-square-Test )路径位置DefineMeasureStep 9- Vital Few X’的选定AnalyzeStep 7- Data 收集Step 8- Data 分析Improve Multi Vari Central limit Hypothesis testing Confidence interval ANOVA, T-test Chi-square Correlation,regressionControl目 标介绍无关性Χ2 -检验的基本概念把无关性Χ2 -检验和 MAIC 路径联系起来被雇佣分立分立年龄Χ2记住这个例题?人事部想调查人的年龄（年老和年轻）和被雇佣与否之间是否有关联什么是 Y ? _____________数据类型 ? ___________什么是 X ? _____________数据类型 ? ______________你将采用什么类型的工具 ? ________________________数据合计未被雇佣被雇佣180年老30150年轻27545230380455合计75在此你如何做出判断?假设根据无关性Χ2-检验, 统计学家假设在现实生活中绝大部分变量之间是无关的，因此:Ho: 数据是无关的 (没有关联)Ha: 数据是相关的 (有关联)如果 P 值 0.05 , 就推翻 Ho理论让我们查看一下我们的例子….假设我们要决定 年龄 和 雇佣实际 相关或不相关,因而我们的假设描述如下...Ho: 年龄 和雇佣实际 不相关Ha: 年龄 和 雇佣实际 相关步骤#1我们必须建立一个观察频率表，把我们的两个变量分成两个等级。年龄: 年老 年轻雇佣实际: 雇佣 不雇佣然后我们收集数据来进行分析. 被雇佣未被雇佣30150年老年轻45230合计180275合骤#2计算列和行的合计被雇佣未被雇佣年老30150年轻45230步骤#3建立一个 观察频率表.也就是说, 如果这2个因素真的不相关，这个表会显示出什么?被雇佣未被雇佣年老年轻我们应该怎么做?单元的期待频率是:(列合计）× (行合计)总计步骤 #3 （继续）建立一个 期望频率表. 也就是说, 如果这2个因素真的不相关，这个表会显示出什么?被雇佣未被雇佣合计75x 180= 29.6年老___180455年轻______275455合计75380步骤 #3 （继续）如果这两个因素真的不相关，29.6 正是我们所期望的 被雇佣未被雇佣合计年老29.6150.3___180年轻45.3______229.7275合做完了这个表格!步骤 #4 从观察值中减去期望值(O-E)被雇佣未被雇佣合计年老-0.3___30-29.6=.4180年轻______-0.30.3275合做完了这个表格!步骤 #5将差值平方(O-E)^2被雇佣未被雇佣合计年老.09___(.4)*(.4)=.16180年轻______.09.09275合做完了这个表格!步骤#6计算相对的差值的平方(O-E)^2 / E被雇佣未被雇佣合计年老.16 / 29.6 = .005 .0006___180年轻______.002.0004275合做完了这个表格!012345所以怎么样?相对的方差的和是一个Χ2分布！如果不相关，我们期望这个差值接近于0。随着我们做得越来越深入，这两个变量看起来就越像相关了。为了帮助我们作出这个判断，我们将依靠P值。分析路径Χ2 无关性检验收集数据运行 Minitab表格 卡方检验 命令评价 P 值检查偶然性表格作出结论用 Minitab 分析数据 用 Minitab 分析数据 卡方检验: Hired, Not 在观测计数下方给出的是期望计数在期望计数下方给出的是卡方贡献 Hired Not 合计 1 30 150 180 29.67 150.33 0.004 0.001 2 45 230 275 45.33 229.67 0.002 0.000合计75 380 455卡方 = 0.007, DF = 1, P 值 = 0.932注意: 观测值和期望值与刚才的计算结果是相同的你将做出什么样的判断?一个 P-值 !另外一个例子 . . .被雇佣未被雇佣年老45135年轻45230你将作出什么判断?Χ2 注释Χ2 是我们本星期所学的最不容易识别，通常也是比较“难分析”的工具。但当我们处理记数性数据时会发生同样的事情。为了进行Χ2-检验你必须有至少 5个期望频率值，或使用 Minitab。你收集的数据必须确保是随机性的. 小心其他的隐藏因素 (X).回顾介绍