Introducción al examen de Chi‐Square para la independencia

La prueba de Chi‐square para la independencia es un procedimiento estadístico no paramétrico fundamental utilizado para determinar si hay una relación significativa entre dos variables categóricas. A diferencia de las pruebas para datos continuos (por ejemplo, t-tests o ANOVA), esta prueba funciona exclusivamente con recuentos de frecuencias – el número de observaciones categóricas que se presentan en cada combinación de categorías. Se aplica ampliamente en campos como ciencias sociales, marketing experimental, epidemiología y clasificación correcta para analizar respuestas de observación.

En lugar de medir la fuerza de una asociación directamente, la prueba Chi‐square evalúa si el patrón observado de frecuencias difiere lo suficiente de lo que se espera bajo la suposición de independencia para ser considerado estadísticamente significativo. Este artículo le guiará a través de cada paso – de organizar sus datos y de establecer hipótesis, mediante la cálculo de la estadística de prueba confiada, para interpretar los resultados y comprobar las suposiciones subyacentes.

Para una visión general más amplia del análisis de datos categóricos, véase esta guía introductoria de Estadísticas Cómo.

Paso 1: Prepare sus datos – Construir una tabla de contingencia

La materia prima para una prueba de independencia de Chi‐square es una tabla de contingencia (también llamada una cinta transversal). Cada fila de la tabla corresponde a una categoría de la primera variable, y cada columna corresponde a una categoría de la segunda variable. frecuencias observadas – es decir, el recuento de casos que comparten esa combinación particular de categorías.

Por ejemplo, imagine que está estudiando si hay una asociación entre género (mujeres, mujeres) y modo preferido de transporte (car, bicicleta, autobús). La tabla de contingencia podría parecerse a esto después de reunir datos de 200 encuestados:

CarBicicletaBusTotal
Hombre403030100
Mujer204535100
Columna607565200

Asegúrese de que sus datos son conteos brutos – nunca porcentajes. Porcentajes obscurecer el tamaño de la muestra y puede llevar a cálculos incorrectos. También verifique que la suma de los totales de fila equivale a la suma de los totales de la columna (el gran total). En este ejemplo, el total de la fila es de 200.

Si usted está trabajando con datos de encuestas crudas, puede crear una tabla de contingencia usando tablas de pivotes de hoja de cálculo, función de R, función de Python , o diálogo de SPSS "Crosstabs". Para conjuntos de datos grandes, siempre doble comprobación para los valores perdidos – deben ser excluidos o manejados antes de la tabulación.

Paso 2: Indique su hipotesis

Cada prueba de hipótesis comienza con una hipótesis nula y alternativa. Para la prueba de la independencia de Chi-square:

  • H0 (hipótesis nula): Las dos variables categóricas son independientes. En otras palabras, no hay asociación entre ellas. Las proporciones de población para una variable son las mismas en todas las categorías de la otra variable.
  • H1 (hipótesis alternativa): Las dos variables dependen. Hay una asociación (aunque la prueba no especifica su dirección o fuerza).

Utilizando el ejemplo de transporte, H0 afirmaría que el género y el modo preferido de transporte son independientes – la distribución de opciones de transporte es idéntica para hombres y mujeres. H1 indicaría que no son independientes – tal vez los hombres prefieren el coche más que las mujeres, o las mujeres prefieren más biciclismo.

El nivel de significación (alfa) se establece normalmente en 0.05, lo que significa que usted está dispuesto a aceptar una probabilidad del 5% de rechazar incorrectamente la hipótesis nula (un error tipo I). En algunos campos (por ejemplo, pruebas médicas), se puede utilizar un alfa más estricto de 0.01.

Paso 3: Calcular frecuencias esperadas

La idea central de la prueba de Chi‐square es comparar lo que realmente observamos con lo que haríamos espera para ver si las dos variables eran completamente independientes. La frecuencia esperada para una célula determinada se deriva de los totales marginales (de la médula y los totales de la columna). La fórmula es:

Frecuencia esperada = (Número de la columna × Total de la columna) / Total general

Aplicamos esto a la celda “Male – Car” en nuestro ejemplo. El total de fila para los machos es 100, la columna total para el coche es 60, y el gran total es 200. Por lo tanto, el recuento esperado para esa celda es:

(100 × 60) / 200 = 30

Esto significa que Si El género y las preferencias de transporte eran independientes, esperamos que unos 30 hombres elijan un coche. El valor observado era de 40 – por lo que hay una discrepancia.

Repita este cálculo para cada celda de la tabla de contingencia. Es importante calcular todas las frecuencias esperadas de los totales marginales de la muestra – no de alguna proporción de población externa. Para una tabla de 2×3 como la nuestra, usted tendrá seis valores esperados. Un cheque rápido: la suma de todas las frecuencias esperadas debe igualar el gran total (200), al igual que las frecuencias observadas.

Si cualquier frecuencia esperada es menor a 1, o si más del 20% de las frecuencias esperadas son menos de 5, la aproximación de Chi-square puede ser poco fiable. En tales casos, considere utilizar Prueba exacta de Fisher (especialmente para tablas 2×2) o combinando categorías para aumentar los conteos. Para tablas más grandes, se puede utilizar un valor p-valor simulado o una prueba de “exacto”.

Paso 4: Computar el estadístico Chi‐Square

La estadística de prueba de Chi‐square (χ2) cuantifica la discrepancia general entre las frecuencias observadas y esperadas. La fórmula es:

χ2 = bah [ (O – E)2 / E ]

donde O es la frecuencia observada, E es la frecuencia esperada, y la suma se toma sobre todas las células en la tabla. Debido a que las diferencias se cuadran y se dividen por los recuentos esperados, la estadística da más peso a las células donde el recuento esperado es pequeño en relación con la discrepancia.

Calculando para la célula “Male – Car”: (40 – 30)2 / 30 = 100 / 30 Ω 3.333. Haga esto para las seis células y agreguelas juntas. Un valor más grande de la χ2 indica mayor desviación de la independencia.

Cálculo de ejemplo (completa)

Utilizando el conjunto de datos completo:

  • Male–Car: O=40, E=30 → (102)/30 = 3.333
  • Hombre–Biciclo: O=30, E=37.5 → (-7.52)/37.5 = 56.25/37.5 = 1.500
  • Hombre–Bus: O=30, E=32.5 → (-2.52)/32.5 = 6.25/32.5 ♥ 0.192
  • Mujer –Car: O=20, E=30 → (-102)/30 = 3.333
  • Mujeres–Biciclo: O=45, E=37.5 → (7.52)/37.5 = 1.500
  • Female-Bus: O=35, E=32.5 → (2.52)/32.5 ♥ 0.192

Sum: 3.333 + 1.500 + 0.192 + 3.333 + 1.500 + 0.192 = 10.050. Así que χ2 = 10.05 (redondeado).

Puede realizar estos cálculos a mano para pequeñas tablas, pero para tablas más grandes o investigación real, use software estadístico. El mismo resultado se puede obtener en R con o en Python con .

Paso 5: Grados de libertad y determinación de significación

La distribución de Chi‐square depende de un parámetro llamado grados de libertad (df)Para una prueba de independencia, la fórmula es:

df = (número de filas – 1) × (número de columnas – 1)

En nuestra tabla 2×3, df = (2 – 1) × (3 – 1) = 1 × 2 = 2. Este valor determina a qué distribución de Chi‐square comparamos nuestra estadística de prueba.

Usando la tabla de distribución de Chi‐Square

Con α = 0,05 y df = 2, el valor crítico de una distribución de Chi-square es de aproximadamente 5.991. (Puede encontrar tablas en la mayoría de los libros de texto de estadísticas o en línea, por ejemplo, en Manual de estadísticas de ingeniería de NIST.) Nuestra χ2 calculada = 10.050 es mayor que 5.991, por lo que rechazar la hipótesis nulaEsto sugiere que existe una asociación estadísticamente significativa entre el género y el modo de transporte preferido.

La mayoría de los programas estadísticos también le darán un valor p‐valor directamente. Para χ2 = 10.05 con df = 2, el valor p- es alrededor de 0.0065, bien por debajo de 0.05 – confirmando el resultado.

Interpretación del resultado

Rechazar H0 te dice que las dos variables no son independientes, pero no te dice ¿Cómo cómo? están relacionados o fuerza para medir el significado práctico, debe calcular una medida de tamaño de efecto, como Cramér V, que va desde 0 (sin asociación) a 1 (acción perfecta). Para una tabla 2×2, usted podría utilizar el coeficiente de phi en lugar de. Incluso un resultado estadísticamente significativo puede ser débil en términos prácticos si la muestra es muy grande.

De manera similar, si la prueba no es significativa, no concluya automáticamente que las variables son independientes – simplemente puede significar que su muestra carece de la potencia para detectar una asociación real. Siempre considere el tamaño de la muestra, las frecuencias esperadas, y el contexto de la investigación.

Sumas y limitaciones del examen de Chi‐Square

Para confiar en la prueba de Chi‐square, debe asegurarse de que se cumplan ciertas suposiciones:

  • Independencia de las observaciones: Cada individuo debe contribuir a una sola célula de la tabla de contingencia. Las medidas repetidas o pares emparejados requieren otros exámenes (por ejemplo, la prueba de McNemar).
  • Adecuadrado de tamaño muestra: No debe haber una frecuencia esperada menor a 1, y no más del 20% de las frecuencias esperadas deben ser inferiores a 5. Si se viola, la aproximación de Chi‐square se vuelve inconfiable. Los remedios incluyen combinar categorías, utilizando la prueba exacta de Fisher (para 2×2), o utilizando la simulación de Monte Carlo.
  • Variables categorísticas: El test está diseñado para categorías nominales (no ordenadas). Si su variable es ordinal, considere usar una prueba para tendencia o una prueba Mann-Whitney U después de dicotomizar si es apropiado.

Corrección de continuidad de Yates

Para 2×2 tablas, una corrección llamada Corrección de continuidad de Yates a veces se aplica a la fórmula de Chi‐square para reducir la sobreestimación de significado, especialmente con pequeñas muestras. La fórmula ajusta cada término (O-E) restando 0.5 antes de cubrir. Esta corrección es conservadora y puede reducir el poder. En la práctica, muchos estadísticos ahora recomiendan utilizar la prueba exacta de Fisher para tablas 2×2 cuando los recuentos son pequeños, y reportan el Chi-square no corregido para muestras mayores.

Análisis post-Hoc e interpretación de resultados significativos

Cuando una prueba de Chi‐square indica una asociación significativa en una tabla mayor de 2×2, a menudo desea saber que las células contribuyen más a la importancia. Esto es análogo a las pruebas post-hoc en ANOVA. Un enfoque es examinar el residuales estandarizados para cada celda:

Resistente estandarizado = (O – E) / √E

Residuals con un valor absoluto superior a 2 (o 3, dependiendo de la rigidez) indican células que se desvían sustancialmente de la independencia. En nuestro ejemplo, los residuales estandarizados son:

  • Male–Car: (40–30)/√30 ♥ 1.83
  • Mujer – coche: (20–30)/√30 ♥ – 1,83
  • Hombre–Biciclo: (30–37.5)/√37.5 ♥
  • Mujeres–Biciclo: (45–37.5)/√37.5 ♥ 1.22
  • Hombre–Bus: (30–32.5)/√32.5 ♥ –0.44
  • Female-Bus: (35–32.5)/√32.5 ♥ 0,44

Los residuos de la categoría “Car” son los más grandes (aunque todavía por debajo de 2), sugiriendo que la principal desviación de la independencia es impulsada por la preferencia del automóvil. Podría realizar una prueba de proporciones entre los géneros para cada modo de transporte, aplicando una corrección de comparación múltiple como Bonferroni o Benjamini‐Hochberg.

Otra opción es llevar a cabo una serie de prueba de par a par Chi‐square entre categorías de una variable, ajustando el nivel alfa en consecuencia. Por ejemplo, compare machos vs hembras por separado para cada tipo de transporte utilizando una tabla 2×2 y un umbral corregido por Bonferroni (0.05/3 ♥ 0,017).

Presentación de informes sobre los resultados

Al redactar los resultados de una prueba de independencia de Chi‐square, se incluyen los siguientes elementos:

  • Una breve descripción de las variables y el tamaño de la muestra.
  • La tabla de contingencia (conteos observados) y, opcionalmente, los conteos o porcentajes esperados.
  • El estadístico Chi‐square, grados de libertad y valor p-: χ2(df) = valor, p = valor.
  • El tamaño del efecto (Cramér V o phi).
  • Si el resultado es significativo, una descripción del patrón: qué categorías tienen frecuencias más altas o inferiores de lo esperado, sobre la base de residuos o pruebas post-hoc.

Para nuestro ejemplo de transporte, un informe de muestra podría decir: “Se realizó una prueba de independencia de Chi‐square para examinar la relación entre género y modo de transporte preferido. La relación fue significativa, χ2(2) = 10.05, p = 0.007, Cramér V = 0.224 (efecto medio). El examen post-hoc de residuos estandarizados mostró que los hombres eran más propensos que preferir los coches, mientras que las mujeres eran menos propensos a los autobuses.

Notas de aplicación de software

La mayoría de los paquetes estadísticos modernos incluyen funciones integradas para la prueba de independencia de Chi‐square. Aquí hay algunas referencias rápidas:

  • R: – devuelve la estadística, df y p-valor de la χ2. Usar para ver los recuentos esperados, y para residuos estandarizados.
  • Python (SciPy): devuelve las frecuencias de prueba estadística, p-valor, df y esperadas.
  • SPSS: Analizar → Estadísticas Descriptivas → Crosstabs → comprobar “Chi‐square” bajo Estadísticas.
  • Excel: Puede calcular manualmente las frecuencias esperadas y utilizar la función CHISQ.TEST para el valor p, pero requiere una gama de valores observados y esperados.

Siempre verifique que su software utiliza la fórmula correcta (con o sin corrección de continuidad) y que los datos se introducen como cuenta, no proporciones. Para un tutorial más detallado sobre la implementación de la prueba en R, consulte la documentación R para .

Errores comunes y cómo evitarlos

  • Usando porcentajes en lugar de conteos: Siempre usa frecuencias crudas. Si sólo tienes porcentajes, multiplica por el N total para recuperar los recuentos.
  • Ignorando el supuesto de las frecuencias esperadas: Siempre revise los recuentos esperados. Si se viola la suposición, informe la prueba exacta de Fisher o un valor p-equipo simulado.
  • Interpretar la importancia como importancia práctica: Un resultado significativo con una muestra muy grande puede ser trivial. Siempre reporte un tamaño de efecto.
  • Aplicar el examen a datos continuos que se han unido arbitrariamente: Si tiene datos continuos (por ejemplo, edad), evite crear categorías que sean demasiado finas o demasiado arbitrarias. La prueba de Chi‐square pierde poder en comparación con la regresión o ANOVA.
  • Sobre la independencia de las observaciones: No utilice la prueba para datos de medidas pares o repetidos sin ajustes adecuados.

Para una discusión más profunda de estos obstáculos, los Notas del curso del estado del pene 415 sobre pruebas de la cuarta fase son un recurso excelente.

Conclusión

El examen Chi‐square para la independencia es una herramienta poderosa y práctica para descubrir asociaciones entre variables categóricas. Siguiendo los pasos estructurados aquí - preparando una tabla de contingencia, indicando hipótesis, calculando frecuencias esperadas, computando la estadística de prueba, e interpretando el tamaño de p-valor y el tamaño de efecto de efecto – usted puede aplicar esta prueba con confianza. Recuerde comprobar siempre las suposiciones experimentales (en particular el tamaño de la clasificación de resultados esperados