Zawartość
Kwadrat chi, lepiej znany jako test chi-kwadrat Pearsona, jest sposobem statystycznej oceny danych. Służy do porównywania danych jakościowych z próbkowania z oczekiwanymi lub „prawdziwymi” wynikami. Na przykład, jeśli uważamy, że 50 procent wszystkich żelków w pojemniku jest czerwonych, próbka 100 ziaren z tego pojemnika powinna zawierać około 50 czerwonych. Jeśli nasza liczba różni się od 50, test Pearsona mówi nam, czy nasze 50-procentowe założenie jest podejrzane, czy też możemy przypisać zaobserwowaną różnicę normalnej losowej zmienności.
Interpretowanie wartości chi-kwadrat
Określ stopnie swobody wartości chi-kwadrat. Jeśli porównujesz wyniki dla pojedynczej próbki z wieloma kategoriami, stopnie swobody to liczba kategorii minus 1. Na przykład, jeśli oceniasz rozkład kolorów w słoiku żelków i były cztery kolory, stopnie Swoboda wynosiłaby 3. Jeśli porównujesz dane tabelaryczne, stopnie swobody są równe liczbie wierszy minus 1 pomnożonej przez liczbę kolumn minus 1.
Określ krytyczną wartość p, której użyjesz do oceny swoich danych. Jest to procentowe prawdopodobieństwo (podzielone przez 100), że określona wartość chi-kwadrat została uzyskana wyłącznie przez przypadek. Innym sposobem myślenia o p jest prawdopodobieństwo, że zaobserwowane wyniki odbiegają od oczekiwanych wyników o wielkość, którą zrobili wyłącznie z powodu losowej zmienności procesu pobierania próbek.
Sprawdź wartość p powiązaną ze statystyką testu chi-kwadrat, korzystając z tabeli rozkładu chi-kwadrat. Aby to zrobić, spójrz wzdłuż wiersza odpowiadającego obliczonym stopniom swobody. Znajdź wartość w tym wierszu najbliższą statystyki testu. Postępuj zgodnie z kolumną zawierającą tę wartość w górę do górnego wiersza i odczytaj wartość p. Jeśli statystyki testu mieszczą się między dwiema wartościami w początkowym wierszu, można odczytać przybliżoną wartość p pośrednią między dwiema wartościami pw górnym rzędzie.
Porównaj wartość p uzyskaną z tabeli z krytyczną wartością p ustaloną wcześniej. Jeśli twoja tabelaryczna wartość p jest wyższa od wartości krytycznej, dojdziesz do wniosku, że jakiekolwiek odchylenie między wartościami kategorii próbki a wartościami oczekiwanymi było spowodowane przypadkową zmiennością i nie było znaczące. Na przykład, jeśli wybierzesz krytyczną wartość p wynoszącą 0,05 (lub 5%) i znajdziesz wartość tabelaryczną wynoszącą 0,20, wyciągniesz wniosek, że nie było znaczącej zmiany.