The Basics of Chi-Square Tests for Categorical Data
Table of Contents
Introducción a los exámenes de la cuarta etapa
Al trabajar con datos categóricos —variables que caen en grupos distintos en lugar de escalas continuas— los investigadores a menudo necesitan determinar si la distribución observada de los conteos difiere de lo que se espera bajo una hipótesis determinada. La prueba Chi‐square es el método más utilizado para este propósito. Proporciona una manera de evaluar la significación estadística de las asociaciones entre dos o más variables categóricas, o para comparar una distribución observada a una estadística teórica.
El test funciona con el principio de comparar frecuencias observadas (los verdaderos cargos recogidos) con frecuencias esperadas (los conteos que esperamos si no existiera relación entre las variables). Una gran discrepancia entre los valores observados y esperados sugiere que las variables no son independientes – que alguna asociación subyacente está presente. Este artículo se expande en los conceptos fundamentales, procedimientos paso a paso, supuestos e interpretaciones de los conocimientos de Chi‐square se aplican correctamente para equiparlos,
Comprensión de los datos cateóricos
Los datos cateóricos, también conocidos como datos cualitativos, pueden dividirse en dos tipos principales: nominal y ordinal. Las categorías nominales no tienen orden intrínseco (por ejemplo, tipo de sangre: A, B, AB, O; color favorito). Las categorías ordinales tienen un orden natural pero no un intervalo fijo entre ellas (por ejemplo, nivel educativo: secundaria, licenciatura, master, doctorado). Ambos tipos se resumen a menudo como conteos o proporciones en lugar de medios o medios.
Ejemplos de datos categóricos en investigación real-world incluyen:
- Resultados del paciente (recuperados, mejorados, sin cambios, empeorados)
- Preferencias de los votantes (candidato A, B, C)
- Calificaciones de satisfacción del cliente (muy satisfechas, satisfechas, neutrales, insatisfechas)
- Tipos de vehículos en una ciudad (carro, autobús, bicicleta, camión)
Debido a que las variables categóricas no pueden ser mediadas significativamente de la misma manera que las variables continuas, las pruebas estadísticas para asociación deben depender de comparaciones de frecuencias. La prueba Chi‐square es la herramienta clásica para dicho análisis.
¿Por qué no sólo usa la correlación?
Los coeficientes de correlación (por ejemplo, Pearson’s r) están diseñados para datos continuos y asumen relaciones lineales. Para variables categóricas, la prueba Chi‐square es apropiada porque funciona con datos de cuenta y no requiere normalidad o igual varianza. También maneja más de dos categorías fácilmente.
Dos tipos de pruebas de Chi‐square
1. Prueba de la bondad de la cuarta posición
Esta prueba compara la distribución observada de una variable categórica a una distribución esperada. Por ejemplo, un genetista podría esperar una relación de 3:1 de rasgos dominantes a recesivos. La prueba de bondad de beneficio determina si la descendencia observada coincide con esa proporción. Otro ejemplo: un investigador de mercado que espera igual preferencia entre tres marcas recopila datos de encuesta; los cheques de prueba de bondad de beneficio si las preferencias se apartan de uniformidad.
La fórmula para la estadística de bondad de beneficio es la misma que la fórmula general de Chi‐square:
χ2 = bah [(O)i - Ei)2 / Ei]
Donde Oi es la frecuencia observada en la categoría i, y Ei es la frecuencia esperada bajo la hipótesis nula. Los grados de libertad son (k – 1), donde k es el número de categorías.
2. Prueba de la independencia de Chi‐square
Esta prueba evalúa si dos variables categóricas están asociadas, es decir, si la distribución de una variable depende de las categorías de la otra. Es la más común de las dos. Los datos se organizan en una tabla de contingencia (rows = categorías de una variable, columnas = categorías de la otra). La hipótesis nula indica que las variables son independientes; los estados alternativos no lo son.
Las frecuencias esperadas para cada célula se calculan como:
Eij = (Número de la propiedadi Columna TotalJEJE) / Grand Total
La estadística de prueba se calcula luego utilizando la misma fórmula de summation, pero con grados de libertad (r – 1) × (c – 1), donde r = número de filas y c = número de columnas.
Sumas del examen de Chi-square
La aplicación válida de la prueba de Chi‐square requiere que se cumplan varias suposiciones:
- Independencia de las observaciones: Cada sujeto o artículo contribuye a una sola célula de la tabla de contingencia. Los datos emparejados o emparejados (por ejemplo, mediciones anteriores al mismo tema) requieren diferentes pruebas (como la prueba de McNemar).
- Tamaño de la muestra y frecuencias esperadas: No más del 20% de las frecuencias esperadas deben ser inferiores a 5, y ninguna frecuencia esperada debe ser inferior a 1. Cuando se viola esta suposición, la prueba exacta de Fisher es una alternativa más apropiada.
- Muestra aleatoria: Los datos deben provenir de una muestra aleatoria para asegurar que los conteos observados representen a la población.
- Las categorías son mutuamente excluyentes: Cada observación debe pertenecer a una categoría para cada variable.
Cuando no se cumplen estas hipótesis, la prueba de Chi‐square puede producir errores inflados de Tipo I (falsos positivos) o perder el poder estadístico. Siempre comprobar las frecuencias esperadas antes de interpretar los resultados.
Procedimiento de paso a paso para un examen de la independencia
Paso 1: Formular hipotesis
Hipótesis nula (H0): Las dos variables son independientes (sin asociación).
Hipótesis alternativa (H1): Las dos variables dependen (existe una asociación).
Paso 2: Construir una tabla de contingencia
Supongamos que examinamos la relación entre género (hombre, mujer) y preferencia por un producto (como, no gusta). Los datos podrían parecer:
| Como | No me gusta | Total | |
|---|---|---|---|
| Hombre | 30 | 20 | 50 |
| Mujer | 40 | 10 | 50 |
| Columna | 70 | 30 | 100 |
Las frecuencias observadas son los conteos en cada celda.
Paso 3: Calcular frecuencias esperadas
Para la celda “Male & Like”: (Row Total Male × Columna Total Like) / Grand Total = (50 × 70) / 100 = 35. Repetir para todas las células:
- Hombre " Like: 35
- Hombre " Desconocido: (50×30)/100 = 15
- Mujer " Me gusta: (50×70)/100 = 35
- Femenino " Desconocido: (50×30)/100 = 15
Paso 4: Computar el Chi‐square Statistic
Aplicar la fórmula χ2 = ega [(O – E)2 / E] para todas las células:
- Hombre " Me gusta: (30-35)2/35 = 25/35 ♥ 0,774
- Hombre " Diferencia: (20-15)2/15 = 25/15 ♥ 1.667
- Mujeres " Como: (40-35)2/35 = 25/35 , , 0,7514
- Femenino " Diferencia: (10-15)2/15 = 25/15 , , 6.667
Sum = 0,7114 + 1,67 + 0,7114 + 1,67 = 0,67 = 0,711 4.762
Paso 5: Determinar los grados de libertad
df = (r – 1) × (c – 1) = (2 – 1) × (2 – 1) = 1.
Paso 6: Comparación con el valor crítico
Para α = 0,05 y df = 1, el valor crítico de una tabla de distribución de Chi-square es 3,841. Puesto que nuestra χ2 computada (4.762) supera 3,841, rechazamos la hipótesis nula. Alternativamente, podemos calcular el valor p‐valo (ver abajo).
Paso 7: Interpretar el resultado
Concluimos que existe una asociación estadísticamente significativa entre género y preferencia de productos. Los datos sugieren que las mujeres en la muestra tienen más probabilidades de informar que les gusta el producto que los hombres.
Utilizando valores de P y niveles de significación
En lugar de comparar la estadística de prueba con un valor crítico, la mayoría de los programas estadísticos reportan un valor p. El valor p es la probabilidad de obtener una estadística de Chi-square tan extrema como, o más extrema que, la observada, asumiendo que la hipótesis nula es verdadera. Si el valor p-valor es menor que el nivel de significación elegido (típicamente 0,05), los resultados se consideran estadísticamente significativos.
Por ejemplo, un Chi‐square de 4.762 con 1 df produce un valor p‐valor de alrededor de 0.029. Porque 0.029 < 0.05, we reject H₀. Always report both the test statistic and the p‑value:
“Ha habido una asociación significativa entre género y preferencia de productos, χ2(1, N = 100) = 4.76, p = 029.”
Tamaño del análisis y efecto post-Hoc
Comparaciones de seguimiento
Cuando una prueba de Chi‐square implica más de dos categorías, un resultado significativo no le indica qué categorías difieren. Las pruebas post-hoc (por ejemplo, comparaciones pares de Chi‐square con corrección Bonferroni) pueden identificar células específicas que contribuyen a la asociación general. Residuos estandarizados (diferencia entre observado y esperado dividido por la raíz cuadrada de lo esperado) ayudan a localizar grandes desviaciones: residuos con valor absoluto considerado 2
Tamaño del efecto: V de Cramér
La significación estadística no mide la fuerza de una asociación. La V de Cramér es una medida de efecto común para la prueba de independencia de Chi‐square. Va desde 0 (sin asociación) hasta 1 (acción perfecta). La fórmula es:
V = sqrt [ χ2 / (N × min(r-1, c-1) ]
Para nuestro ejemplo 2×2: V = sqrt(4.762 / (100 × 1)) = sqrt(0.04762) Ω 0.218. Las directrices sugieren: V Ω 0.1 es un efecto pequeño, 0,3 medio, 0,5 grande. Nuestro resultado indica un efecto pequeño a medio.
Interpretación de los resultados de Chi‐square en Context
Es crucial recordar que la prueba de Chi-square indica asociación, no causación. Incluso si dos variables aparecen fuertemente relacionadas, la relación podría ser influenciada por una tercera variable sin seguro. Por ejemplo, una prueba de Chi-square podría mostrar una asociación significativa entre las ventas de helados y los ataques de tiburón, pero ambos son impulsados por el confundador de temporada (calor de verano).
Cuando se informa de los resultados, siempre se incluye la tabla de contingencia (o al menos los porcentajes), la estadística de Chi‐square, grados de libertad, tamaño de muestra, valor de p-valor y tamaño de efecto. Esto da a los lectores una imagen completa de los hallazgos y permite el metaanálisis más adelante.
Limitaciones y caídas comunes
Aunque la prueba de Chi‐square es directa, tiene varias limitaciones que los analistas deben considerar:
- Sensibilidad de tamaño muestra: Con muestras muy grandes, incluso las asociaciones triviales se vuelven estadísticamente significativas. Con pequeñas muestras, la prueba puede carecer de poder para detectar efectos reales.
- Frecuencias bajas esperadas: Como se ha señalado, las frecuencias esperadas inferiores a 5 pueden invalidar la aproximación a la distribución de Chi-square. En tales casos, usen la prueba exacta de Fisher (para tablas 2×2) o combinar categorías de escaso (con precaución).
- Pérdida de información: Al convertir variables continuas en categorías, pierdes granularidad y potencia estadística. Evite dicotomizar variables continuas únicamente para utilizar una prueba de Chi‐square.
- Overinterpretation of non-significant results: El no rechazar la hipótesis nula no prueba la independencia, simplemente significa que los datos no proporcionan suficiente evidencia para concluir la dependencia.
Ejemplo práctico: Un experimento de aulas
Imagine que un profesor de biología de la secundaria quiere probar si la entrega (izquierda, derecha) está asociada con la forma preferida de doblar aviones de papel (mucho en sentido medio largo vs. transversal). El profesor estudia a 120 estudiantes y obtiene la siguiente tabla de contingencia:
| Longitud en sentido | Crosswise | Total | |
|---|---|---|---|
| Mano izquierda | 15 | 10 | 25 |
| Mano derecha | 50 | 45 | 95 |
| Total | 65 | 55 | 120 |
Frecuencias esperadas: Para zurdo y longitudinal: (25×65)/120 ♥ 13.54; izquierda & crosswise: (25×55)/120 ♥ 11.46; derecha & longitudinal: (95×65)/120 ♥ 51.46; derecha " transversal: (95×55)/120 ♥ 43.54.
Cálculo de la χ2: (15-13.54)2/13.54 + (10-11.46)2/11.46 + (50-51.46)2/51.46 + (45-43.54)2/43.54 = 0.157 + 0.187 + 0,041 + 0,049 = 0.434 (aprox). df = 1. Valor crítico en α=0.05 = 3.841. < 3.841, we fail to reject H₀. The data do not provide enough evidence to conclude an association between handedness and folding preference. The p‑value would be about 0.51.
Software e implementación
La mayoría de los paquetes estadísticos pueden realizar pruebas de Chi‐square. En R, utilice en dos variables factor. En Python, utilice . En SPSS o Excel, el procedimiento está bajo "Crosstabs" o "Estadísticas descriptivas". Para un mayor entendimiento, trate de calcular manualmente una pequeña tabla, aclara la mecánica.
Para más lectura, vea el libro de texto autorizado por Alan Agresti, Análisis de datos cautelosos (Gr.)Wiley, 2013), o la guía práctica Estadísticas para Experimentadores por Box, Hunter y Hunter (Wiley, 2005). Recursos en línea como JMP Chi‐square test overview proporcionar explicaciones claras y tutoriales de vídeo.
Conclusión
El examen Chi‐square es una herramienta versátil y accesible para analizar datos categóricos. Al entender sus suposiciones, computación e interpretación, los analistas pueden obtener información significativa sobre las asociaciones en resultados de encuestas, resultados experimentales y estudios observacionales. Si está probando una hipótesis genética o examinando el comportamiento del consumidor, dominar el examen Chi‐square fortalece su conjunto de herramientas estadísticas y permite una exploración más rigurosa de resultados basados en evidencia.