目录
在进行数据分析时，我们经常会遇到类别型数据（例如：性别、地区、是否购买等），
不像数值型数据那样直接能算平均数。
比如以下这些问题：
✔️ 性别（男/女）会影响对产品的偏好吗？
✔️ 吸烟与否和患病率之间有关系吗？
✔️ 广告类型（A/B/C）会影响点击率吗？
当你想要分析这些类别变量（定性变量）之间是否存在关系时，就需要使用
👉 卡方检验（Chi-Square Test）！
这与用于比较平均数的 t 检验或 ANOVA 不同，
卡方检验是通过“频数”来判断两个变量之间是否有关联的！
🔹 1. 什么是卡方检验（Chi-Square Test）？
卡方检验是判断两个类别变量之间是否存在统计显著关系的方法。
简单来说，就是检验这两个变量的关系是否只是偶然，还是有意义的关联！
✅ 原假设（𝐻₀）：两个变量没有关系
✅ 备择假设（𝐻₁）：两个变量有关系
如果得到的 p 值 < 0.05，就说明：
👉 两个变量之间存在显著关系！🤩
🔹 2. 在 SPSS 中执行卡方检验
[示例] 想分析顾客的性别（男/女）和是否购买产品（是/否）之间是否存在关系。
📌 1) 数据输入
在 SPSS 中，数据应输入如下格式：
| ID | 性别（Gender） | 购买与否（Purchase） |
| 1 | 男 (1) | 是 (1) |
| 2 | 女 (2) | 否 (2) |
| 3 | 男 (1) | 是 (1) |
| 4 | 女 (2) | 是 (1) |
| 5 | 男 (1) | 否 (2) |
| 6 | 女 (2) | 否 (2) |
💡 小贴士：
类别型变量（如性别、购买与否）需要转换为数字输入！
（例如：男=1，女=2；是=1，否=2）
📌 2) 执行卡方检验操作步骤
点击菜单：[分析] → [描述统计] → [交叉表（Crosstabs）]
将“性别”设为行变量，”购买与否”设为列变量
点击右下角的 [统计量] 按钮 → 勾选“卡方（Chi-square）”
点击“确定”运行分析！
📌 3) 结果解释
执行后，你会在输出结果中看到卡方值和对应的 p 值：
| 检验统计量 | 值 | 自由度(df) | p 值 |
| Pearson卡方(χ²) | 4.85 | 1 | 0.028 |
💡 解释方式：
如果 p < 0.05→ 两个变量之间存在显著关系！（说明性别会影响是否购买）
如果 p > 0.05→ 两者之间没有显著关系 😢
✅ 在上述例子中，p = 0.028，说明：性别和购买行为之间存在统计上的显著关系！🎯
🔹 3. 检查期望频数 —— 卡方检验的前提条件
在使用卡方检验时，有个重要前提需要满足：
✔️ 如果期望频数（Expected Count）小于5的格子太多，
卡方检验的结果可能不可靠！
📌 解决方法：
使用 Fisher精确检验（Fisher’s Exact Test）替代或者使用更适合小样本的逻辑回归分析
📌 在 SPSS 中检查期望频数的方法：
在 [交叉表] 对话框中 → 点击 [单元格（Cells）] 按钮
勾选 “期望值（Expected Count）” → 确定
如果有太多小于5的格子，建议勾选 Fisher’s Exact Test 一起运行！
🔹 4. 卡方检验总结 📌
| 分析方法 | 使用场景 | 结果解释方式 |
| 卡方检验（Chi-Square） | 分析两个类别变量之间的关系（如 性别 vs 是否购买） | p < 0.05 → 存在显著关系 |
| Fisher精确检验 | 当样本量小或期望频数<5时使用 | 用于补充卡方检验 |
📢 核心总结！
要分析两个类别型变量之间的关系→ 用卡方检验！
如果 p < 0.05→ 表示变量之间存在统计意义上的关系 🎯
如果某些格子的期望频数小于5→ 使用 Fisher’s Exact Test更稳妥！
现在你是否觉得卡方检验也变得简单了呢？😊
赶快打开 SPSS 自己试试看吧！
有任何不懂的地方，欢迎随时问我！
