機率與統計 · 卡方檢定

卡方檢定

卡方檢定用來判斷獨立試驗的觀察次數是否與假設預測的次數相差太遠。將k個類別的(O − E)²/E加總得到X²,再與自由度為k − 1的卡方分配比較。

圖中的卡方檢定

拿一顆kk面骰獨立擲NN次,記下各面出現幾次,得到觀察次數O1,…,OkO_1, \dots, O_k。如果骰子公平,每一面的期望次數都是E=N/kE = N/k。計算卡方統計量X2=∑(O−E)2/EX^2 = \sum (O - E)^2/E時,先求每一面的觀察次數與EE之差,平方後除以EE,再將各項加總。如果骰子公平且擲的次數夠多,X2X^2近似服從自由度為k−1k - 1的卡方分配。觀察到的X2X^2右側曲線下的面積就是p值。上圖用黃柱表示各面的次數,深色線標出EE,曲線則畫在下圖。

為什麼每一項都要除以E

觀察次數比預期多9次,在E=10E = 10時相當突出,在E=1000E = 1000時卻幾乎看不出來。次數越多,隨機波動的幅度也越大。對公平骰而言,每一面次數的變異數為E(1−1/k)E(1 - 1/k),與EE相近。將差的平方除以EE,就能用同一尺度衡量各面;一項接近1,只代表尋常的隨機波動。平方會放大偏差較大那一面的影響:在六面骰的例子裡,十九次六點就貢獻了X2=11.2X^2 = 11.2中的8.1。

為什麼自由度是k − 1

各面的次數總和必須是NN,因此各差值O−EO - E的總和一定為0。只要知道其中k−1k - 1個,最後一個便已確定。對公平骰而言,X2X^2的平均值恰好是k−1k - 1,所以骰面越多,同樣的X2X^2就越不稀奇:11.2在六面骰已超過5%臨界值(p ≈ 0.048),在十二面骰卻很常見(p ≈ 0.43)。關於p值的意義,請參閱假設檢定與p值。

什麼時候可以採信曲線

即使骰子公平,X2X^2也只能取某些值,因此真正的分配是一根根分開的尖峰。當NN變大,這些尖峰的輪廓逐漸接近光滑的卡方曲線。用公平骰重複試驗,可直接估計真正的右尾機率。每一面的期望次數為10時,模擬值與曲線相當接近;總共只擲6次時,兩者就有落差。常用的經驗法則是各類別的期望次數至少約為5。反過來,把每一面的次數都乘以十,X2X^2也會乘以十。只要獨立擲骰的次數夠多,輕微偏差也可能達到統計顯著。X2X^2衡量資料反對骰子公平這項假設的證據強弱,不衡量偏差的大小。p值大,只代表這些資料不足以顯示骰子有偏。

觀察重點

  • 如果假設給各類別的機率pip_i不相等,期望次數改為Ei=NpiE_i = N p_i,其餘做法相同。

操作方式

  • 在骰面上方按一下或拖曳即可設定次數;按座標軸下方的面值只會選取該面。

相關主題