Python代码
import numpy as np
from scipy.stats import chi2_contingency
d = np.array([[2, 1, 1, 0, 276], [9, 7, 4, 2, 258]])
print(chi2_contingency(d))
# 第一个值为卡方值,
# 第二个值为P值,
# 第三个值为自由度,
# 第四个为与原数据数组同维度的对应期望值
结果显示
卡方值:13.361287027579163
P值:0.009638978128151272
自由度:4
与原数据数组同维度的对应期望值:array([
[ 5.5, 4. , 2.5, 1. , 267. ],
[ 5.5, 4. , 2.5, 1. , 267. ]
])
用Excel表格也能做
先给出原始数据,再算期望值,最后算卡方值
原始数据为
卡方值计算公式为
X
2
=
卡
方
值
=
(
抽
样
数
据
−
期
望
值
)
2
期
望
值
X^2=卡方值=\cfrac{(抽样数据-期望值)^2}{期望值}
X2=卡方值=期望值(抽样数据−期望值)2
X
2
的
值
越
大
,
说
明
“
观
测
组
与
对
照
组
有
关
系
”
成
立
的
可
能
性
越
大
。
X^2的值越大,说明“观测组与对照组有关系”成立的可能性越大。
X2的值越大,说明“观测组与对照组有关系”成立的可能性越大。
P值由下面函数实现
=CHIDIST(卡方值,自由度)
结果图如下
当P = 0.05,n = 4时,卡方值 = 9.487729037
此时的卡方值为 13.361287027579163 > 9.487729037
故观察组与对照组有关系。
有用请点个赞!!
本站所有文章均为原创,欢迎转载,请注明文章出处:https://blog.csdn.net/weixin_45092662。百度和各类采集站皆不可信,搜索请谨慎鉴别。技术类文章一般都有时效性,本人习惯不定期对自己的博文进行修正和更新,因此请访问出处以查看本文的最新版本。