Chi-Quadrat-Test-Rechner

Was ist der Chi-Quadrat-Unabhängigkeitstest?

Der Chi-Quadrat-Unabhängigkeitstest bestimmt, ob zwei kategoriale Variablen zusammenhängen oder unabhängig voneinander sind.

Beantwortete Frage: „Gibt es eine Beziehung zwischen diesen beiden kategorialen Variablen?"

Beispiele:

• „Hängt die Wahlpräferenz mit dem Geschlecht zusammen?"
• „Ist das Behandlungsergebnis mit der Behandlungsart verbunden?"
• „Hängt die Produktpräferenz mit der Altersgruppe zusammen?"

Unabhängigkeit vs. Assoziation

Unabhängige Variablen: Die Kenntnis einer Variable sagt nichts über die andere aus.

Assoziierte Variablen: Die Kenntnis einer Variable verändert die Vorhersage der anderen.

Beispiel: Wenn 60 % der Männer Produkt A bevorzugen und 60 % der Frauen ebenfalls Produkt A bevorzugen, sind Geschlecht und Präferenz unabhängig. Wenn 70 % der Männer, aber nur 40 % der Frauen Produkt A bevorzugen, sind sie assoziiert.

Die Kontingenztabelle

Daten werden in einer Kreuztabelle organisiert:

Beobachtete Häufigkeiten: Was wir tatsächlich gezählt haben. Erwartete Häufigkeiten: Was wir erwarten würden, wenn die Variablen unabhängig wären.

Berechnung der erwarteten Häufigkeiten

$E = \frac{\text{Zeilensumme} \times \text{Spaltensumme}}{\text{Gesamtsumme}}$

Für Zelle (Gruppe 1, Ergebnis A):

$E = \frac{50 \times 45}{100} = 22{,}5$

Bei Unabhängigkeit hätten beide Gruppen die gleichen Anteile (45 % A, 55 % B).

Die Chi-Quadrat-Statistik

$\chi^2 = \sum \frac{(O - E)^2}{E}$

Summe über alle Zellen.

$\chi^2 = 9{,}09$

Freiheitsgrade

$df = (r - 1) \times (c - 1)$

Wobei $r$ = Zeilen, $c$ = Spalten.

Für eine 2×2-Tabelle: $df = 1 \times 1 = 1$

Für eine 3×4-Tabelle: $df = 2 \times 3 = 6$

Ermittlung des p-Werts

Vergleichen Sie χ² mit der Chi-Quadrat-Verteilung mit entsprechendem df.

Für χ² = 9,09, df = 1: p = 0,0026

Schlussfolgerung: Signifikante Assoziation zwischen Gruppe und Ergebnis (p < 0,01).

Effektstärke: Cramers V

Chi-Quadrat nimmt mit der Stichprobengröße zu. Für eine interpretierbare Effektstärke:

$V = \sqrt{\frac{\chi^2}{n \times \min(r-1, c-1)}}$

Für 2×2: V = √(9,09 / 100) = 0,30

df ist der kleinere Wert von (r-1) oder (c-1)

Die Kontinuitätskorrektur (Yates)

Für 2×2-Tabellen mit kleinen erwarteten Häufigkeiten:

$\chi^2 = \sum \frac{(|O - E| - 0{,}5)^2}{E}$

Reduziert Chi-Quadrat leicht und macht den Test konservativer.

Anwendung: Wenn eine erwartete Häufigkeit zwischen 5 und 10 liegt.

Moderne Empfehlung: Bei ausreichenden Stichprobengrößen oft unnötig.

Annahmen und Voraussetzungen

Erwartete Häufigkeiten

Traditionelle Regel: Alle erwarteten Werte ≥ 5.

Moderne Richtlinie:

• Keine erwartete Häufigkeit < 1
• Nicht mehr als 20 % der Zellen mit erwartetem Wert < 5

Bei Verletzung: Verwenden Sie den Exakten Test nach Fisher.

Unabhängigkeit der Beobachtungen

Jede Beobachtung gehört zu genau einer Zelle. Kein Proband erscheint in mehreren Zellen.

Zufallsstichprobe

Die Daten repräsentieren eine Zufallsstichprobe aus der interessierenden Grundgesamtheit.

2×2-Tabellen: Direkte Formel

Für das Standard-2×2-Layout:

$\chi^2 = \frac{n(ad - bc)^2}{(a+b)(c+d)(a+c)(b+d)}$

Äquivalent zur allgemeinen Formel, aber rechnerisch einfacher.

Größere Tabellen

Für r×c-Tabellen größer als 2×2 zeigt der Test an, ob irgendwo in der Tabelle eine Assoziation besteht.

Signifikantes Ergebnis: Mindestens eine Zelle weicht von der Unabhängigkeit ab.

Nächste Schritte: Untersuchen Sie standardisierte Residuen, um zu identifizieren, welche Zellen am stärksten abweichen.

Standardisierte Residuen

$\frac{O - E}{\sqrt{E}}$

Werte > 2 oder < -2 zeigen Zellen an, die am meisten zur Assoziation beitragen.

Anwendungen

Medizinische Forschung

Behandlungsansprechen nach Behandlungsgruppe. Krankheitsinzidenz nach Expositionskategorie.

Sozialwissenschaften

Politische Zugehörigkeit nach demografischen Variablen. Umfrageantworten nach Befragtenmerkmalen.

Marketing

Kaufentscheidungen nach Kundensegmenten. Markenpräferenz nach geografischer Region.

Qualitätskontrolle

Fehlerarten nach Produktionslinie. Bestanden/Nicht bestanden nach Schicht oder Bediener.

Genetik

Allelfrequenzen über Populationen hinweg. Phänotyp-Assoziationen.

Häufige Missverständnisse

Chi-Quadrat zeigt Kausalität

Falsch. Er zeigt Assoziation, nicht Kausalität. Andere Variablen können die Beziehung erklären.

Großes χ² bedeutet starke Assoziation

Teilweise richtig. χ² hängt von der Stichprobengröße ab. Verwenden Sie Cramers V für die Effektstärke.

Immer Chi-Quadrat für kategoriale Daten verwenden

Falsch. Für gepaarte/verbundene Daten verwenden Sie den McNemar-Test. Für geordnete Kategorien erwägen Sie ordinale Methoden.

Chi-Quadrat vs. andere Tests

Exakter Test nach Fisher

Verwenden Sie ihn, wenn die erwarteten Häufigkeiten für Chi-Quadrat zu klein sind.

Z-Test für Anteile

Zum direkten Vergleich zweier Anteile. Äquivalent zu Chi-Quadrat für 2×2-Tabellen.

G-Test (Likelihood-Ratio)

Ähnliche Eigenschaften wie Chi-Quadrat. Manche bevorzugen ihn aus theoretischen Gründen.

McNemar-Test

Für gepaarte kategoriale Daten (Vorher-Nachher bei denselben Probanden).

Ergebnisdarstellung

APA-Format:

„Ein Chi-Quadrat-Unabhängigkeitstest ergab eine signifikante Assoziation zwischen Gruppenzugehörigkeit und Ergebnis, χ²(1) = 9,09, p = 0,003, V = 0,30. Gruppe 1 zeigte mit höherer Wahrscheinlichkeit Ergebnis A (60 %) im Vergleich zu Gruppe 2 (30 %)."

Angaben:

• Chi-Quadrat-Wert und df
• p-Wert
• Effektstärke (Cramers V)
• Deskriptive Prozentsätze oder Häufigkeiten

Historischer Kontext

Karl Pearson entwickelte den Chi-Quadrat-Test im Jahr 1900, was ihn zu einem der ältesten formalen Hypothesentests macht, der noch heute häufig verwendet wird.

Pearson wurde durch die Notwendigkeit motiviert, beobachtete Häufigkeiten mit theoretischen Erwartungen zu vergleichen – ursprünglich um zu testen, ob Würfel fair waren oder ob Vererbungsmuster den vorhergesagten Verhältnissen folgten.

Die Chi-Quadrat-Verteilung selbst war bereits früher beschrieben worden, aber Pearson etablierte ihre Anwendung auf Kontingenztabellen und Anpassungstests.

Verwandte Berechnungen

• Chi-Quadrat-Anpassungstest — Eine Variable
• Exakter Test nach Fisher — Kleine Stichproben
• Zwei-Anteile-Z-Test — Vergleich von Anteilen
• Chi-Quadrat-Verteilung — p-Werte
• Odds-Ratio-Rechner — 2×2-Effektstärke

Zusammenfassung

Der Chi-Quadrat-Unabhängigkeitstest bewertet, ob zwei kategoriale Variablen assoziiert sind, indem beobachtete Häufigkeiten mit denen verglichen werden, die unter Unabhängigkeit erwartet werden. Berechnen Sie erwartete Werte als (Zeilensumme × Spaltensumme) / Gesamtsumme, berechnen Sie χ² = Σ(O-E)²/E und vergleichen Sie mit der Chi-Quadrat-Verteilung mit (r-1)(c-1) Freiheitsgraden. Die Annahmen erfordern ausreichende erwartete Häufigkeiten (≥5 in den meisten Zellen). Berichten Sie Chi-Quadrat, df, p-Wert und Cramers V für die Effektstärke. Für 2×2-Tabellen mit kleinen erwarteten Werten verwenden Sie stattdessen den Exakten Test nach Fisher.