卡方獨立性檢定(交叉表)
卡方獨立性檢定根據彙總的雙向計數表或原始記錄,檢定兩個分類變數是否存在關聯。它使用 Pearson 卡方和概似比卡方,在 (r − 1)(c − 1) 個自由度下,將觀測計數與獨立情形下的期望計數進行比較。貢獻值和調整殘差顯示哪些細格造成了該結果。期望計數不能太小。
最後審閱
核心要點
卡方獨立性檢定用於檢查兩個分類變數是否相關,例如缺陷類型的構成是否取決於班次、供應商或產線,並顯示哪些細格造成了這種關聯。
用途
卡方獨立性檢定(Chi-Square Test of Independence)用於檢查兩個分類變數是否相關,例如缺陷類型的構成是否取決於班次、供應商或產線。輸入已彙總的計數表,或每個單元一列的原始記錄,工具即可檢定關聯性,並顯示哪些細格造成了這種關聯。
主要功能
- 彙總的雙向表(每個欄類別一欄,每個列類別一列),或帶可選次數的原始分類資料。
- Pearson 卡方檢定和概似比卡方檢定。
- 可選的期望計數表、卡方貢獻值、原始殘差、標準化殘差和調整殘差,以及列、欄和總百分比。
- 可選的引導式解釋:包含百分比分配和 % 差異圖的彙總報告、診斷報告和報告卡。
- Data Options:分析前對列進行子集篩選。
統計方法
對於觀測計數為 O、列合計為 Rᵢ、欄合計為 Cⱼ、總計為 N 的 r × c 表,獨立情形下的期望計數為 Eᵢⱼ = Rᵢ·Cⱼ / N。Pearson 統計量為 χ² = Σ (O − E)² / E,概似比統計量為 G² = 2 Σ O·ln(O / E)。兩者都與自由度為 (r − 1)(c − 1) 的卡方分配進行比較。p 值小說明列變數與欄變數相關:各列的欄構成並不相同。
每個細格的貢獻值 (O − E)² / E 顯示關聯的來源。原始殘差為 O − E,標準化殘差為 (O − E) / √E,調整殘差為 (O − E) / √(E(1 − Rᵢ/N)(1 − Cⱼ/N)),近似服從標準常態分配:超過約 ±2 的值標示出與獨立情形明顯不同的細格。對於原始資料,工具先對兩欄進行交叉彙總,如果給出了次數列則對其求和;空白細格會被排除。合計為零的列或欄必須刪除。當期望計數不太小時,p 值才可靠;引導式解釋會檢查這一點。
輸入欄位和選項
欄位 | 說明 |
Data | 雙向表中的彙總資料(預設)或原始資料(分類變數)。 |
Columns (one per column-category) | 表格佈局:兩個或更多數值欄,每欄存放欄變數某一類別的計數,每個列類別一列。必填。 |
Row labels | 表格佈局,可選:為每個列類別命名的欄;留空則為 Row 1、Row 2…… |
Rows / Columns / Frequencies (optional) | 原始資料佈局:兩個分類欄,以及可選的、給出每條記錄計數的欄。 |
Statistics | Expected cell counts 和 Each cell's contribution to chi-square(預設勾選);Raw residuals、Standardized residuals、Adjusted residuals、Row percents、Column percents、Total percents。 |
Data Options: Subset (optional) | 排除匹配的列(預設)或僅包含匹配的列,可按列號和/或條件設定。 |
Show guided interpretation | 新增通俗易懂的 Summary、Diagnostic 和 Report Card;Difference between the % defectives with practical value 是其可選輸入。 |

圖 1 — 缺陷類型範例的選項:彙總表以 Scratch、Dent 和 Discoloration 計數為欄,以 Shift 為列標籤,並勾選調整殘差。
輸出說明
- Observed Counts —— 帶列合計和欄合計(All)的表格。
- Expected Counts 和 Contribution to Chi-Square —— 勾選後顯示。
- Chi-Square Tests —— Pearson 檢定和概似比檢定的 Chi-Sq、DF 和 P-Value。
- Raw Residuals、Standardized Residuals、Adjusted Residuals、Row Percents、Column Percents 和 Total Percents —— 勾選後顯示。
- Summary Report、Diagnostic Report 和 Report Card —— 啟用引導式解釋後顯示。
- 透過 Download 匯出 PDF。

圖 2 — 按班次劃分的缺陷類型:Pearson 卡方為 13.98,4 個自由度,p = 0.0074;調整殘差表明早班的變色缺陷和夜班的刮痕缺陷較為突出。
計算範例
終檢按班次記錄每個被拒單元的缺陷類型,共有 140 個拒收單元。品質團隊想知道缺陷類型的構成是否取決於班次。他們將計數輸入為一個表,每種缺陷類型(Scratch、Dent、Discoloration)一欄,以 Shift 作為列標籤,並在預設統計量之外勾選 Adjusted residuals。
缺陷構成確實取決於班次:Pearson 卡方為 13.98,4 個自由度,p = 0.0074(概似比為 14.25,p = 0.0065)。貢獻值顯示了原因所在:早班的變色缺陷(4.84;觀測 22,期望 13.8)和夜班的變色缺陷(4.02;觀測 9,期望 17.4),其次是早班的刮痕(2.42;觀測 12,期望 18.7)和夜班的刮痕(2.37;觀測 31,期望 23.5)。中班與整體構成一致,凹痕分配均勻。
調整殘差證實了這一點:早班變色的 3.21 和夜班刮痕的 2.62 都遠超 2。團隊針對變色缺陷檢視每天開始時發生了什麼變化(例如預熱或不同的油漆批次),針對刮痕則檢視夜班的搬運和照明情況。所有期望計數均大於 10,因此 p 值可信。
常見問題
卡方獨立性檢定中的期望計數如何計算?
在獨立情形下,細格的期望計數等於其列合計乘以欄合計再除以總計,即 E = R x C / N。Pearson 統計量對所有細格的 (O − E)² / E 求和,並與自由度為 (r − 1)(c − 1) 的卡方分配進行比較,其中 r 和 c 分別為列數和欄數。
如何解讀卡方獨立性檢定?
p 值小說明列變數與欄變數相關:各列的欄構成並不相同。要了解關聯的來源,請檢視每個細格的貢獻值 (O − E)² / E 和調整殘差,後者近似服從標準常態分配;超過約 ±2 的值標示出與獨立情形明顯不同的細格。
該檢定需要什麼資料格式?
在 Zometric Statistical Software 中,可以輸入彙總的雙向表(每個欄類別一個數值欄,每個列類別一列),也可以輸入含兩個分類欄和一個可選次數列的原始資料。對於原始資料,工具先對兩欄進行交叉彙總。合計為零的列或欄必須刪除。
卡方檢定的 p 值何時可靠?
當期望計數不太小時,p 值才可靠,可選的引導式解釋會檢查這一點。在按班次劃分缺陷類型的計算範例中,所有期望計數均大於 10,因此 4 個自由度下 Pearson p 值 0.0074 是可信的。
