### 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：\(\chi^2_{calc} = \sum \frac{(O - E)^2}{E}\)
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：\(E = \frac{\text{列總計} \times \text{行總計}}{\text{總計}}\)
自由度（\(df\)）
「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：\(df = (r - 1)(c - 1)\)
範例：在一個 \(3 \times 2\) 的表格中，\(df = (3-1)(2-1) = 2 \times 1 = 2\)。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 \(df = 1\) 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」檢定用於檢查數據是否遵循特定的理論分布，例如給定的比率、比例或離散均勻分布。
擬合的類型
- 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：這是當你預期每個結果出現的機率都相等時。如果你有 \(n\) 個類別且總觀察值為 \(N\)，則每個 \(E = \frac{N}{n}\)。
適配度檢定的自由度
對於這類檢定：\(df = \text{類別數量} - 1\)
注意：如果你為了滿足 \(E \ge 5\) 規則而合併了類別，「類別數量」是指合併後剩下的類別數。常見錯誤： 學生常誤用「觀察值的總人數」來計算 \(df\)。請記住，\(df\) 是基於類別（儲存格）的數量，而不是你數了多少人或物品！
### 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：
- 陳述假設：清楚寫出 \(H_0\) 和 \(H_1\)。
- 計算期望值（\(E\)）：利用總計數和給定的分布/比率進行計算。
- 檢查 \(E \ge 5\) 規則：若有任何 \(E < 5\)，合併類別並重新計算 \(df\)。
- 計算 \(\chi^2\) 統計量：使用公式 \(\sum \frac{(O-E)^2}{E}\)（若是 \(2 \times 2\) 表格，記得使用耶茨修正）。
- 查找臨界值：使用你的 \(df\) 和顯著水準（例如 5%）查表得出臨界值。
- 比較並得出結論：
- 若 計算出的 \(\chi^2\) > 臨界值：拒絕 \(H_0\)。這代表有證據顯示存在某種模式/關聯。
- 若 計算出的 \(\chi^2\) < 臨界值：無法拒絕 \(H_0\)。沒有足夠證據支持該模式的存在。
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
你已經學會了：
- \(\chi^2\) 用來衡量觀察值（\(O\)）與期望值（\(E\)）之間的「差距」。
- 獨立性檢定的自由度計算公式為 \((r-1)(c-1)\)。
- 適配度檢定用於檢查數據是否符合特定的模式或比率。
- 期望值必須 \(\ge 5\)；否則，請合併類別。
- 耶茨修正是你最好的朋友，但請記住它僅適用於 \(2 \times 2\) 表格！