卡方检验计算器
检验两个分类变量是否有关联。粘贴列联表，每行单独占一行，频数用空格或英文逗号分隔。
学习手动计算方法输入数值
结果随输入自动更新。
如何输入数据
以频数表的形式输入数据，每个数值表示落入某一类别组合的人数或件数。每行类别单独占一行，行内频数用英文逗号分隔。例如，第一行是男性选择咖啡和茶的人数 40, 60，第二行是女性对应的人数 70, 30。只输入整数频数，不要输入百分比。
卡方统计量
请检查输入
输入有效数值即可查看结果。需要帮助时，请参阅字段提示或打开数据输入指南。
卡方独立性检验用于判断两个分类变量之间是否存在关联。例如，可以检验性别与饮品选择是否相关。输入各类别组合的实际人数或件数后，工具会返回 p 值。在两个变量相互独立的假设下，较小的 p 值意味着当前模式较难由随机波动解释，为两者有关联提供统计证据。
自己动手计算
示例：一个 2×2 计数表的第一行为 12, 8，第二行为 8, 12。
按照示例了解计算过程，再代入您自己的数值。
计算行合计、列合计和总数
每行合计为 20；每列合计为 20；N = 40计算期望频数
期望频数 = 行合计 × 列合计 ÷ N = 20 × 20 ÷ 40 = 10，各单元格均相同将各单元格的卡方贡献相加
χ² = (12 − 10)² ÷ 10 + (8 − 10)² ÷ 10 + (8 − 10)² ÷ 10 + (12 − 10)² ÷ 10 = 1.6计算自由度
自由度 = (行数 − 1) × (列数 − 1) = (2 − 1) × (2 − 1) = 1查找上尾概率
P(χ²₁ ≥ 1.6) ≈ 0.2059可查卡方分布表确定概率范围，或通过数值计算得到此小数。结果大于 0.05。
使用独立观测的计数。期望频数过小时，卡方近似可能不可靠；对于小样本 2×2 表，可考虑 Fisher 精确检验。
在计算器中核对答案
应用场景
- 小型企业经营者: 咖啡馆经营者根据一次简短顾客调查的频数，检验男性和女性选择咖啡或茶的比例是否不同。
- 教师: 教师检验参加额外复习课的学生与未参加者之间，及格和不及格的分布是否不同。
- 人力资源人员: 人力资源人员查看不同部门员工对弹性工作时间政策回答“是”或“否”的比例是否不同。
卡方检验能做什么
卡方独立性检验判断两个分类变量，例如性别与产品偏好，是否存在关联。较小的 p 值（低于 0.05）为关联提供统计证据。克拉默 V 则衡量关联的强弱。
何时使用
当两个问题都把人分入不同类别，而您想判断两者是否相关时，可以使用本检验。两个变量都必须是分类变量，而不是直接测量的连续数值。例如，可比较性别（男或女）与选择（咖啡或茶），或部门（销售或客服）与回答（是或否）。需要输入每种组合的实际人数，例如选择茶的女性有多少人。不能直接输入均值、评分、年龄或收入等数值来代替频数。
结果是什么意思？
主要结果是介于 0 和 1 之间的 p 值。在两个变量相互独立的假设下，它表示出现当前程度或更极端偏离的概率。p 值越小，反对独立假设的证据通常越强。常用阈值为 0.05：低于该值时，通常称关联具有统计学显著性；高于该值时，则没有足够证据在这一阈值下认定关联。卡方统计量衡量观测频数偏离独立假设下期望频数的程度，数值越大，偏离越明显。
常见错误
不要输入百分比或均值，本检验需要原始的整数人数或件数。每个人只能在一个单元格中统计一次。小样本需要特别注意：如果某些单元格的期望频数低于约 5，卡方近似可能不可靠，可考虑增加样本量。还要记住，检验只判断是否有关联，不能说明因果方向，也不能单独说明关联有多强或多有实际价值。
如何使用此计算器
- 按两个分类变量整理回答，统计每种类别组合的人数。
- 将频数输入为表格，每个行类别单独占一行，行内数值用英文逗号分隔。
- 检查每个频数都是整数，并确认每个人只统计一次。
- 查看 p 值：低于 0.05 时，数据支持两个变量有关联；高于 0.05 时，则没有足够证据认定存在关联。
计算示例
假设咖啡馆调查了 200 位顾客。100 位男性中，40 人选咖啡、60 人选茶；100 位女性中，70 人选咖啡、30 人选茶。输入两行数据，第一行为 40, 60，第二行为 70, 30，计算器会得到约 18.2 的卡方值和远低于 0.001 的 p 值。由于 p 值低于 0.05，数据支持性别与饮品选择之间存在关联，而不是认定两者相互独立。
常见问题
如何输入数据？
每个行类别单独占一行，各组频数用英文逗号或空格分隔。例如，2×2 列联表就是两行数据，每行两个数值。
每个位置应输入什么数值？
输入两个分类变量各类别组合的实际人数或件数，例如选择茶的女性人数。始终使用整数频数，不要使用百分比。
这些数据从哪里来？
可从调查答案、报名表、电子表格或销售记录中统计。按要比较的两个分类变量分组，再数出每种组合中有多少人或记录。
用通俗的话说，p 值是什么？
在两个变量实际上相互独立的假设下，p 值表示出现当前程度或更极端偏离的概率。较小的 p 值为两者存在关联提供证据，但不是“关联真实存在的概率”。
p 值多小才算显著？
常用规则是：p 值低于 0.05 时，认为关联具有统计学显著性；高于 0.05 时，则没有足够证据在这一阈值下认定存在关联。
结果显著是否说明存在因果关系？
不意味着因果关系。检验只能提供两个变量有关联的证据，不能证明一个导致另一个，因为其他因素也可能造成这种模式。