簡介：歡迎來到卡方檢定！
你好！準備好深入了解統計學中最有用的工具之一了嗎？卡方 (\(\chi^2\)) 檢定本質上是一個「差異偵測器」。它能幫助我們判斷在數據中觀察到的規律，究竟是有實質意義的，還是僅僅由隨機誤差造成的。
無論你是要測試一顆骰子是否公平（適合度檢定，Goodness of Fit），還是要分析你的零食選擇是否與年齡有關（關聯性檢定，Test for Association），這些檢定都能提供你一套數學方法來證實。剛開始看到這麼多步驟別擔心；只要掌握了計算的節奏，其實非常簡單！
1. 基本概念：我們在測試什麼？
在每一次的 \(\chi^2\) 檢定中，我們都會比較觀察次數 (\(O\))（實際發生的情況）與期望次數 (\(E\))（如果我們的理論正確，預期會發生的情況）。
關鍵術語
- 觀察次數 (\(O\))：從實驗或調查中收集到的實際數據。
- 期望次數 (\(E\))：假設虛無假設 (Null Hypothesis) 為真時，我們所計算出的預期數值。
- \(\chi^2\) 統計量：一個用來衡量觀察數據與期望數據之間差距的數值。
類比：想像一下，你預期派對會有 50 人參加，但實際來了 80 人。「差異」是 30。\(\chi^2\) 檢定就是將所有這些差異取平方（為了轉為正數），並進行縮放，以便我們能將其與標準統計表進行比較。
黃金公式
要找出每個類別對 \(\chi^2\) 統計量的貢獻，我們使用：
\(\text{貢獻} = \frac{(O - E)^2}{E}\)
總檢定統計量為所有這些貢獻的總和：
\(\chi^2_{test} = \sum \frac{(O - E)^2}{E}\)
快速回顧：如果觀察值與期望值非常接近，\(\chi^2\) 值會很小（代表模型擬合度良好）。如果兩者差異巨大，\(\chi^2\) 值就會很大（代表模型可能不適用）。
2. 卡方關聯性檢定 (Chi-Squared Test for Association)
此檢定適用於雙變量類別數據。簡單來說，就是我們有兩個「類別」（例如「性別」和「最喜歡的運動」），我們想知道它們是獨立的（無關聯）還是相關的（有關聯）。
步驟 1：設立假設
\(H_0\)：兩因子之間沒有關聯（它們是獨立的）。
\(H_1\)：兩因子之間有關聯（它們是相關的）。
步驟 2：列聯表 (Contingency Table)
我們將數據整理成表格。計算任何單元格的期望值 (\(E\))，請使用這個簡單的公式：
\(E = \frac{\text{列總和} \times \text{行總和}}{\text{總計}}\)
步驟 3：自由度 (\(df\))
對於一個有 \(r\) 列和 \(c\) 行的表格：
\(df = (r - 1) \times (c - 1)\)
記憶小撇步：「列數減一，行數減一，然後相乘！」
步驟 4：結論
將計算出的 \(\chi^2_{test}\) 與統計表中的臨界值 (Critical Value) 進行比較（使用你的 \(df\) 和顯著水準，通常為 5%）。
- 如果 \(\chi^2_{test} > \text{臨界值}\)，我們拒絕 \(H_0\)。有證據顯示兩者存在關聯。
- 如果 \(\chi^2_{test} < \text{臨界值}\)，我們無法拒絕 \(H_0\)。
重點提示：最終結論務必結合題目背景。不要只寫「拒絕 \(H_0\)」，應該說：「有足夠的證據顯示 [因子 A] 與 [因子 B] 之間存在關聯。」
3. 卡方適合度檢定 (Chi-Squared Test for Goodness of Fit)
此檢定用於檢查特定的機率模型（如均勻分佈、二項分佈或卜瓦松分佈）是否適合你的數據。
虛無假設 (\(H_0\))
\(H_0\)：該 [均勻/二項/卜瓦松] 模型對於此數據是合適的模型。
\(H_1\)：該模型不是合適的模型。
逐步流程
- 計算期望次數：使用模型的機率 (\(P(X=x)\)) 乘以觀察總數 (\(N\))。即 \(E = N \times P(X=x)\)。
- 合併小細胞：關鍵重點！如果任何期望次數 (\(E\)) 小於 5，在計算 \(\chi^2\) 之前，你必須將該單元格與鄰近的單元格合併。這能確保檢定的準確性。
- 計算 \(df\)：
\(df = n - 1 - (\text{從數據中估計出的參數數量})\)
- 均勻分佈：通常沒有參數需要估計（即 \(n-1\)）。
- 卜瓦松分佈：如果你從數據中計算平均值 (\(\lambda\))，則會損失 1 個額外的自由度。
- 二項分佈：如果你從數據中計算機率 (\(p\))，則會損失 1 個額外的自由度。
「你知道嗎？」
你從數據中「猜測」（估計）越多參數來構建模型，數據變化的「自由度」就越少。這就是為什麼我們要在 \(df\) 中減去更多數值的原因！
重點提示：務必先檢查你的 \(E\) 值！如果小於 5，在進行其他步驟前先合併它們。
4. 常見陷阱與小撇步
避免這些錯誤：
- 使用百分比：在 \(\chi^2\) 公式中，務必使用次數 (frequencies)，絕對不要使用百分比或機率。
- 過早四捨五入：將期望值保留至少 2 到 3 位小數。過早四捨五入可能會導致最終的 \(\chi^2\) 值出錯。
- 錯誤的 \(df\)：對於適合度檢定，請記住 \(n\) 是合併後的細胞數量。
快速回顧箱
\(p\)-value 的捷徑：
在考試中，你可能會看到軟體輸出的數據。
- 如果 \(p\)-value < 顯著水準（例如 0.05）\(\rightarrow\) 拒絕 \(H_0\)。
- 如果 \(p\)-value > 顯著水準 \(\rightarrow\) 無法拒絕 \(H_0\)。
口訣：「p 值若太小，虛無假設就要跑！」
總結：卡方檢定檢查清單
1. 明確列出 \(H_0\) 和 \(H_1\)。
2. 計算所有期望值 (\(E\))。
3. 檢查：所有 \(E \ge 5\) 嗎？（若否，則合併細胞）。
4. 計算貢獻值：\(\frac{(O-E)^2}{E}\)。
5. 將它們相加得到 \(\chi^2_{test}\)。
6. 找出自由度 (\(df\))。
7. 與臨界值比較，並寫出結合背景的結論。
剛開始覺得棘手別擔心！從頭到尾完整練習一次完整的表格計算，是讓步驟深刻記在腦海中的最好方法。你一定可以的！