卡方检验

卡方检验 卡方检验（χ²检验）是以卡方分布为基础的假设检验，用于分析分类变量（率或构成比）之间的关联性或拟合度。权威解读

📊 分布特征/影响因素：— | 🛡️ 预防与控制策略：— | 📈 监测与评价：常用于疫情暴发调查中分析暴露与发病的关联。 | 📜 法规与指南：—

🧭 识别分布 → 分析因素 → 干预评价

识别分布
描述三间分布/监测 → 分析因素
探讨危险因素/病因 → 干预评价
制定策略/效果评价

⬆️ 从识别健康问题分布到分析影响因素，再到制定干预策略与效果评价，完整的公共卫生实践链条。

📖 深度解析

🔬 核心原理 —— 通过比较实际频数与理论频数的拟合优度（Pearson χ²），检验多个样本率/构成比是否相同。
💡 核心要点：理解背后的疾病或健康问题的自然史与决定因素。
🏥 典型案例 —— 分析吸烟习惯（吸烟/不吸烟）和肺癌发生（病例/对照）之间是否存在统计学关联。
💡 实际效果：真实世界的公共卫生干预案例。
📊 关键数据 —— 要求理论频数不宜过小（否则需校正或确切概率法），资料呈离散型。
💡 量化指标：发病率、死亡率、效果指标等。

💡 学习贴士： 始终以人群为对象，运用流行病学和统计学的思维，理解“冰山现象”和三级预防策略。

🤔 深度思考题

为什么当四格表卡方检验中的理论频数T<1，或样本量n<40时，不宜使用普通卡方检验？

提示： 从统计学原理出发，考虑统计量近似分布的准确性。

👉 点击查看参考思路

卡方统计量是基于大样本近似理论推导出来的连续型分布。当样本量小或理论频数过低时，这个近似变得不准确，导致得到的P值有偏。因此，这些情况下需采用Fisher确切概率法直接计算超几何分布的概率，以得到精确P值。- ❌ 误区：卡方检验能说明关联的强度。 ✅ 事实：卡方检验（本质）只能说明关联的统计学意义，关联的强度应该用OR、RR、Phi系数或列联系数等指标来度量。

⚠️ 常见误区

误区： 卡方检验能说明关联的强度。
事实： 卡方检验（本质）只能说明关联的统计学意义，关联的强度应该用OR、RR、Phi系数或列联系数等指标来度量。

❓ 常见问题 (FAQ)

问：什么是卡方检验的连续性校正？

答：对于四格表资料，特别是自由度为1时，为避免P值过小，Yates提出校正公式，但现代统计软件多不推荐。

问： R×C表卡方检验要求频数符合什么条件？

答：理论频数小于5的格子数不应超过总格子数的1/5。

🧠 认知导航

前置依赖： 概率基础、假设检验原理

后续延伸： Logistic回归、确切概率法、一致性检验

📚 完整知识全景 · 推断性统计

🔵 已开放 · 可随时探索 🟠 生长中 · 内容持续丰富 🟣 探索级 · 深度拓展

🌱 为了包容与博爱的传递，为了知识平权，善智导航正在陆续深化每一个知识点页面。
下方所有知识点均已预留链接，可随时点击探索。

独立样本四格表卡方检验- 配对四格表卡方检验- R×C表卡方检验- 连续性校正 —— 知识要点

🌍 干预实例

🌍 四格表卡方检验：比较两样本率，或检验无序分类变量的关联性。

- 配对卡方检验（McNemar检验）：分析配对设计资料的差异。

🤖 AI陪练指令

我是学习推断性统计的公卫学生，请结合具体实例详细讲解卡方检验的分布特征、影响因素、预防控制策略及监测评价方法，并指出常见误区。

📁 更多公共卫生AI指令 →