close
請問關於spss 卡方分配 圖表解釋？
卡方檢定數值自由度漸近顯著性(雙尾)Pearson卡方8.463a20.988概似比9.40720.978線性對線性的關連.0041.948有效觀察值的個數101a.25格(83.3%)的預期個數少於5。最小的預期個數為.24。對稱性量數數值顯著性近似值以名義量數為主列聯係數.278.988有效觀察值的個數...顯示更多卡方檢定數值自由度漸近顯著性(雙尾)Pearson卡方8.463a20.988概似比9.40720.978線性對線性的關連.0041.948有效觀察值的個數101a.25格(83.3%)的預期個數少於5。最小的預期個數為.24。對稱性量數數值顯著性近似值以名義量數為主列聯係數.278.988有效觀察值的個數101這是第一張表~請問這圖要怎麼看？卡方檢定數值自由度漸近顯著性(雙尾)Pearson卡方22.434a15.097概似比31.07915.009線性對線性的關連.0051.944有效觀察值的個數101a.17格(70.8%)的預期個數少於5。最小的預期個數為.59。對稱性量數數值顯著性近似值以名義量數為主列聯係數.426.097有效觀察值的個數101請問這第二張圖也怎麼看~上面兩張圖差在哪裡呢？怎麼知道有沒有達標準？
我沒有 SPSS, 對於問題中的輸出有兩點我不甚理解: 1. 我不了解其卡方檢定之 "顯著性" 註明是 "雙尾" 的意思是什麼? 在這樣的問題, 就卡方統計量而言, 應誣都只看右尾. 2. 我不確定其 "線性對線性" 關聯度檢定採用的確實模型是什麼, 是對數線性模型的 linear-by-linear model, 還是線性相關係數的 檢定. 2013-06-16 10:19:30 補充： 兩個表都顯示有大半 cells 的 expected counts 小於 5, 甚至有 小於 1 的. 這表示其卡方檢定有些問題. 在現有樣本之下, 改善 之道是合併變數分類. 之所以關心是否 cell's expected counts 在 5 以上或小於 5, 因 為採用的 "卡方檢定" 是基於大樣本之下, 多項分布可用多變量 常態分布近似, 因而得到卡方統計量在 H0 之下近似服從卡方 分布. 而適用的標準是每個 cell 的期望次數至少為 5. 雖然, 數 值模擬的結論說可以放寬, 但也要求: 1. 期望次數小於 5 的比例不能太高; 且 2. 期望次數至少為 1. 2013-06-16 10:28:17 補充： "Pearson 卡方" 是基礎統計學教本常見的 "卡方配適度檢定" 的卡方; "概似比" 卡方又以 G^2 表示, 是基於 likelihood ratio test 在大樣本次下的檢定統計量. 表1 兩種卡方 p 值都很高, 沒有任何證據可以棄卻 H0. 表2 的 Pearson 卡方與 G^2 的 p 值有些差異, 如以 0.05 為 顯著水準, 前者 p 值 0.097 表示不能棄卻 H0; 後者p值0.009 表示應棄卻 H0. 這種兩近似卡方檢定結論不一致的現象, 也 暗示了樣本不夠大. 2013-06-16 10:32:25 補充： "Pearson 卡方" 是基礎統計學教本常見的 "列聯表卡方檢定" 的卡方; "概似比" 卡方又以 G^2 表示, 是基於 likelihood ratio test 在大樣本次下的檢定統計量. 表1 兩種卡方 p 值都很高, 沒有任何證據可以棄卻 H0. 表2 的 Pearson 卡方與 G^2 的 p 值有些差異, 如以 0.05 為 顯著水準, 前者 p 值 0.097 表示不能棄卻 H0; 後者p值0.009 表示應棄卻 H0. 這種兩近似卡方檢定結論不一致的現象, 常 緣於樣本不夠大. 2013-06-16 10:39:10 補充： 不管 SPSS 用哪種模型做 "線性對線性" 的關聯度檢定, 基本上 都必須列聯表之行、列變數至少是順序尺度. 若是名目尺度則不 適用. 若兩變數一是名目尺度, 另一是順序尺度, 則有另一種檢定 統計量, 看來 SPSS 並未計算這種統計量. 上述 "名目尺度" , 在所列 SPSS 輸出中是稱 "名義量數". 其 "列聯係數" 定義應是 P = √[χ^2/(χ^2+n)]. 2013-06-18 10:41:52 補充： (1) 卡方檢定 數值自由度漸近顯著性 (雙尾) Pearson卡方 8.463a 20 .988 概似比 9.407 20 .978 線性對線性的關連 .004 1 .948 有效觀察值的個數101 a. 25格 (83.3%) 的預期個數少於 5。 最小的預期個數為 .24。 (2) 卡方檢定 數值自由度漸近顯著性 (雙尾) Pearson卡方 22.434a15 .097 概似比 31.07915. 009 線性對線性的關連 .005 1 .944 有效觀察值的個數 101a. 17格 (70.8%) 的預期個數少於 5。 最小的預期個數為 .59。 兩個表都顯示有大半 cells 的 expected counts 小於 5, 甚至有小 於 1 的. 這表示其卡方檢定有些問題. 在現有樣本之下, 改善之道 是合併變數分類. SPSS 輸出中的 "雙尾" 應是程式設計者基本統計觀念不足產生的 錯誤. 這兩個例子可能是在做列聯表獨立性檢定, 這樣的卡方檢定 看的只是右尾; 不過其對立假說是無方向性的---事實上列聯表獨立 性檢定有多個向度, 因為行列變數都是 "名目的"(nominal, 後面的 報表 SPSS 把它譯為 "名義的"), 並不像數值的變數可以分正負. "Pearson 卡方" 是基礎統計學教本常見的 "卡方配適度檢定"、"列 聯表卡方檢定" 的卡方; "概似比" 卡方又以 G^2 表示, 是基於 likelihood ratio test 在大樣本次下的檢定統計量. 表1 兩種卡方 p 值都很高(一個 0.988, 一個 0.978), 沒有任何證據 可以棄卻 H0. 也就是說不能否定 "行列變數獨立" 的假說.表2 的 Pearson 卡方與 G^2 的 p 值有些差異, 如以 0.05 為顯著 水準, 前者 p 值 0.097 表示不能棄卻 H0; 後者 p 值 0.009 表示應 棄卻 H0. 這種兩近似卡方檢定結論不一致的現象, 也暗示了樣本 不夠大, 或說是緣於樣本不夠大. "線性對線性" 的關聯度檢定, 必須列聯表之行、列變數至少是順 序尺度. 若是名目尺度則不適用. 這裡的這個檢定統計量, 大概是 把行列變數當順序尺度變數, 並按其分類依次給予分數 1, 2, ..., 而後計算相關係數, 並由此得到一個大樣本之下漸近服從一個自 由度的卡方分布的統計量 (Agresti 的類別分析教本以 M^2 表示). 兩個表這個檢定統計量的 p 值都很高 (0.948, 0.944). 可能其行列 變數並非順序尺度, 也可能即使是順序尺度, 即使它們有關聯 (不 獨立), 但卻不是直線的關聯 --- 甚至可說: 完全沒有證據說存在直 線關聯. (1) 對稱性量數 數值顯著性近似值 以名義量數為主列聯係數 .278 .988 有效觀察值的個數 101 (2) 對稱性量數 數值顯著性近似值 以名義量數為主列聯係數 .426 .097 有效觀察值的個數 101 "列聯係數" 定義應是 P = √[χ^2/(χ^2+n)]. 由於列聯係數是根據 Pearson 卡方計算的, 因此其 p 值也與前面 的 Pearson 卡方一致. 表 1 的 p 值顯示完全沒有證據說行列變數 間有關聯; 表2 的 p 值雖較低, 但 0.097 要推翻 "無關聯(獨立)" 的 虛無假說, 一般而言也是不夠的. 雖然報表中的統計量及其 p 值給研究者一些訊息, 但別忘了: 這只 是假設所列卡方統計量可以近似適用卡方分布數值表. 然而, cells 的 expected counts 偏低, 顯不樣本數不夠, 中央極限定理尚難適 用, 卡方統計量也不近似卡方分布. 因此, 適當合併變數之類別再 重新計算, 才是正途.
以上文章來自奇摩知識家，如有侵犯請留言告知
https://tw.answers.yahoo.com/question/index?qid=20130616000016KK00308