### 1. 核心要素：\(O\) 與 \(E\) 在進行任何檢定前，我們需要為每個類別準備兩組數據： 觀察頻數（Observed Frequencies, \(O\)）：這是你從實驗或調查中收集到的實際結果。 期望頻數（Expected Frequencies, \(E\)）：這是如果你的理論（即虛無假設）成立時，你「理應」得到的結果。
檢定統計量公式
為了將這些差異轉化為一個我們能使用的數值，我們使用以下公式：\(\chi^2_{\text{calc}} = \sum \frac{(O - E)^2}{E}\)
如何解讀此公式： 1. 對於每個類別，將觀察值減去期望值。 2. 將結果平方（這樣數值永遠為正）。 3. 除以期望值。 4. 將所有這些計算結果加總（這就是 \(\sum\) 符號的意義）。快速回顧： 如果觀察值與期望值非常接近，\(\chi^2\) 就會很小。如果兩者差異巨大，\(\chi^2\) 就會很大！
### 2. 獨立性檢定（列聯表） 有時我們想知道兩件事是否相關。例如：最喜歡的顏色是否與性別有關？某種藥物是否對特定年齡層效果更好？我們會使用列聯表（Contingency Tables）（將數據排列在行與列中）來找出答案。
設定假設
每個檢定都始於兩個陳述： \(H_0\)（虛無假設）：兩個變數是獨立的（兩者沒有關聯）。 \(H_1\)（對立假設）：兩個變數是不獨立的（兩者有某種關聯）。計算期望值（\(E\)）
對於列聯表，我們使用「行列總計法」來計算每個儲存格的期望值：\(E = \frac{\text{Row Total} \times \text{Column Total}}{\text{Grand Total}}\)
自由度（\(\text{df}\)）
「自由度」告訴我們數據中有多少資訊是可以自由變動的。對於一個有 \(r\) 列和 \(c\) 行的列聯表：\(\text{df} = (r - 1)(c - 1)\)
範例：在一個 \(3 \times 2\) 的表格中，\(\text{df} = (3-1)(2-1) = 2 \times 1 = 2\)。重點筆記： 在獨立性檢定中，\(H_0\) 總是宣稱變數之間沒有關係。
### 3. 黃金法則：限制與修正 \(\chi^2\) 檢定是一種近似值，只有在數據足夠充足時才準確。考試時你必須記住兩項「安全規則」：
「5 的法則」
每一個期望頻數（\(E\)）必須至少為 5。如果不符合怎麼辦？ 若某個 \(E\) 值小於 5，檢定結果會變得不可靠。為了修正，你必須將相鄰的行或列（或類別）合併，直到每個 \(E \ge 5\)。 注意：合併時，記得也要同時合併對應的觀察值（\(O\)）！
耶茨連續性修正（Yates’ Continuity Correction）
這是一種特殊調整，僅用於 \(2 \times 2\) 表格（即 \(\text{df} = 1\) 時）。它會讓檢定變得更為保守。修正後公式：\(\chi^2 = \sum \frac{(|O - E| - 0.5)^2}{E}\)
垂直線 \(|O - E|\) 代表「取正差值」（忽略負號）。在平方之前，先從差值中減去 0.5。你知道嗎？ 耶茨修正以英國統計學家 Frank Yates 命名。它就像是一個「安全緩衝區」，確保我們不會因一時運氣，而誤以為數據之間存在關聯！
### 4. 適配度檢定（Goodness of Fit Tests） 「適配度」檢定用於檢查你的樣本數據是否遵循特定的理論分布。
理論分布的類型
給定比率：例如，檢驗植物後代是否符合 \(3:1\) 的遺傳比率。如果你有 100 株植物，你預期其中一類為 75 株，另一類為 25 株。 離散均勻分布：每個結果出現的機率都相等。如果你有 \(n\) 個類別且總觀察值為 \(N\)，則每個 \(E = \frac{N}{n}\)。 標準理論分布：利用理論機率 \(E = N \times P(X = x)\) 將數據擬合至二項分布（Binomial）、泊松分布（Poisson）或幾何分布（Geometric）等分布。適配度檢定的自由度
計算自由度時，先從儲存格的數量（合併任何 \(E < 5\) 的儲存格之後）開始。如果必須從樣本數據中估計任何分布參數（例如泊松分布的平均數 \(\lambda\) 或二項分布的機率 \(p\)），則每估計一個參數就要扣除 1 個自由度：\(\text{df} = \text{number of cells} - 1 - k\)
其中 \(k\) 是估計參數的數量（若沒有從數據中估計任何參數，則 \(k = 0\)）。常見錯誤： 學生常誤用「觀察值的總數量」來計算 \(\text{df}\)。請記住，\(\text{df}\) 是基於類別（儲存格）的數量減 1（並減去任何估計參數 \(k\)），而不是你數了多少個總觀察值！
### 5. 逐步教學：如何進行檢定 考試時，請按照以下步驟來保持條理： 1. 陳述假設：清楚寫出 \(H_0\)（數據符合指定的分布 / 變數之間互相獨立）和 \(H_1\)。 2. 計算期望值（\(E\)）：利用總計數以及分布、機率或列聯表公式進行計算。 3. 檢查 \(E \ge 5\) 規則：若有任何 \(E < 5\)，合併相鄰類別並重新計算 \(\text{df}\)。 4. 計算 \(\chi^2\) 統計量：使用公式 \(\sum \frac{(O-E)^2}{E}\)（若是 \(2 \times 2\) 列聯表，記得使用耶茨修正）。 5. 查找臨界值：使用你計算出的 \(\text{df}\) 和顯著水準（例如 5%）查統計表得出臨界值。 6. 比較並得出結論： 若 計算出的 \(\chi^2 > \text{臨界值}\)：拒絕 \(H_0\)。有充分證據顯示數據不符合該模型 / 變數之間並非獨立。 若 計算出的 \(\chi^2 \le \text{臨界值}\)：無法拒絕 \(H_0\)。沒有足夠證據去否定該模型。
加油： 步驟 4 可能涉及許多微小的計算。請慢慢來，或許可以製作一個表格來追蹤你的 \((O-E)^2 / E\) 數值。細心是關鍵！
### 最終總結：全局觀