卡方检验用于解决哪些问题？一文看懂

一、什么是卡方检验？

卡方检验（2×2）是以卡方分布为基础的假设检验，是一种统计方法，用于检验两个分类变量之间是否存在显著的相关性。这个检验通常用来判断某一个变量是否能够有效地预测另一个变量。卡方检验主要包括：Pearson卡方检验、卡方拟合优度检验、Yates校正卡方检验、Flsher精确检验、分层卡方分析、配对卡方检验。选取SPSS软件，输入数据即可自动选取合适的卡方检验方法，则更为方便，也是最常用的方法。

二、卡方检验的基本思想。

它的无效假设H0是：观察频数与期望频数没有差别。该检验的基本思想是：首先假设H0成立，基于此前提计算出χ2值，它表示观察值与理论值之间的偏离程度。根据χ2分布及自由度可以确定在H0假设成立的情况下获得当前统计量及更极端情况的概率P。如果P值很小，说明观察值与理论值偏离程度太大，应当拒绝无效假设，表示比较资料之间有显著差异；否则就不能拒绝无效假设，尚不能认为样本所代表的实际情况和理论假设有差别。

三、卡方检验通常用于解决哪些问题？

①检验两个分类变量的独立性。

②检验分类变量的出现概率与指定概率的符合性。

③检验连续变量的分布与理论的一致性。

④通过控制变量，检验其他变量的影响等。

四、SPSS卡方检验数例计算与教学。

在SPSS中，卡方检验（2×2）可以使用“交叉表”模块来完成。首先，需要选择数据文件中的两个分类变量，然后在“输出”选项卡中选择“卡方”检验。点击“确定”按钮后，SPSS会自动生成一个交叉表，并在下方给出卡方检验的结果。

假设，用药物A治疗急性心肌梗死患者198例，24小时内死亡11例，病死率为5.56%，另42例治疗时采用药物B，24小时内死亡6例，病死率为14.29%，欲检验两组病死率有无差别，利用卡方检验完成步骤如下：

（1）数据录入
①变量视图

②数据视图

• 加权个案

选择Data→weight cases→勾选Weight cases by，将频数放入Frequency Variable→OK。因为本例中数据库每一行代表多个观测对象，所以需要对其进行加权处理。

如果数据是以单个观测对象的形式，即每一行代表1个观测对象，则无需加权（如下图）。

①选择Analyze→Descriptive Statistics→Crosstab。

②选项设置

主对话框设置：将分组变量Drug放入Row(s)框中→将指标变量Outcome放入Column(s)框中（实际上χ2检验是关注实际和理论频数是否一致，这里Row(s)框和Column(s)框内变量也可以颠倒放，并不影响最终结果）。

Statistics设置：勾选Chi-square，确定使用成组计数资料的卡方检验→Continue。

Cells设置：Counts中勾选Observed和Expected，输出实际观测频数和理论频数；Percentages中勾选Row，输出每组转归百分比→Continue→OK。

（3）结果解释

上表中不仅有服用两种药物后患者实际转归（生存/死亡）的频数和相应百分比，还输出了相应的理论频数（所在行列合计数乘积/总例数）。需要注意的是，这里的理论频数和总例数直接决定了下面卡方检验结果的选择。

（4）得出结论

①总例数≥40，所有理论频数≥5，看Pearson Chi-Square结果；

②总例数≥40，出现1个理论频数≥1且<5，χ2检验需进行连续性校正，这时以Continuity Correction结果为准；

③总例数≥40，至少2个理论频数≥1且<5，看Fisher’s Exact Test结果；

④总例数<40或者出现理论频数<1，看Fisher’s Exact Test结果。

本例中总例数=240>40，存在1个理论频数=3.0<5，所以需要看Continuity Correction结果，χ2=2.796，P=0.095>0.05。两种药物治疗急性心肌梗塞患者的预后并不相同，A药病死率为5.6%，低于B药(14.3%)，但差异无统计学意义（χ2=2.796，P=0.095）。