How to Perform a Chi-Square Test for Independence in Categorical Data
Table of Contents
Introduction au test Chi‐Square pour l'indépendance
Contrairement aux tests de données continues (tests t ou ANOVA), ce test fonctionne exclusivement avec le nombre d'observations qui entrent dans chaque combinaison de catégories. Il est largement appliqué dans des domaines tels que les sciences sociales, le marketing, l'épidémiologie et la biologie pour analyser les réponses aux enquêtes, les classifications expérimentales et les études d'observation. Il est essentiel de comprendre quand et comment appliquer le test correctement pour tirer des conclusions valables à partir de données catégorisées.
Au lieu de mesurer directement la force d'une association, le test Chi-square évalue si le profil de fréquences observé diffère suffisamment de ce qui serait attendu sous l'hypothèse d'indépendance pour être considéré statistiquement significatif. Cet article vous guidera dans chaque étape – de l'organisation de vos données et de l'énoncé d'hypothèses, en calculant la statistique du test, à l'interprétation des résultats et à la vérification des hypothèses sous-jacentes.
Pour un aperçu plus large de l'analyse des données par catégories, voir ce guide introductif de Statistiques Comment faire- Oui.
Étape 1: Préparez vos données – Créer une table d'urgence
La matière première pour un test d'indépendance du Chi carré est une table de contingence (également appelée tabulation croisée). Chaque ligne du tableau correspond à une catégorie de la première variable, et chaque colonne correspond à une catégorie de la deuxième variable. fréquences observées – c'est-à-dire le nombre de cas qui partagent cette combinaison particulière de catégories.
Par exemple, imaginez que vous étudiez la possibilité d'une association entre les genre (hommes, femmes) et mode de transport préféré Le tableau d'urgence pourrait ressembler à celui-ci après avoir recueilli les données de 200 répondants :
| Voiture | Vélo | Bus | Total ligne | |
|---|---|---|---|---|
| Hommes | 40 | 30 | 30 | 100 |
| Femmes | 20 | 45 | 35 | 100 |
| Total de la colonne | 60 | 75 | 65 | 200 |
Assurez-vous que vos données sont des chiffres bruts – jamais de pourcentages. Pourcentages masquent la taille de l'échantillon et peuvent conduire à des calculs incorrects. Vérifiez également que la somme des totaux de lignes équivaut à la somme des totaux de colonnes (le total global).
Si vous travaillez avec des données brutes de sondage, vous pouvez créer une table de contingence en utilisant des tables de pivotement de table de table, la fonction , Python=s ou SPSS=s =Crossabs=. Pour les gros ensembles de données, vérifiez toujours les valeurs manquantes – ils doivent être exclus ou traités avant la tabulation.
Étape 2: Présentez vos hypothèses
Chaque test d'hypothèse commence par une hypothèse nulle et alternative. Pour le test d'indépendance du Chi carré :
- H0 (hypothèse null)Les deux variables catégorisées sont indépendantes, c'est-à-dire qu'il n'y a pas de lien entre elles. Les proportions de population pour une variable sont les mêmes pour toutes les catégories de l'autre variable.
- H1 (hypothèse alternative): Les deux variables sont dépendantes. Il y a une association (bien que le test ne précise pas sa direction ou sa force).
En utilisant l'exemple du transport, H0 indiquerait que le sexe et le mode de transport préféré sont indépendants – la répartition des choix de transport est identique pour les hommes et les femmes. H1 indiquerait qu'ils ne sont pas indépendants – peut-être les hommes préfèrent-ils plus de voiture que les femmes, ou les femmes préfèrent-elles plus de vélo.
Le niveau de signification (alpha) est généralement fixé à 0,05, ce qui signifie que vous êtes prêt à accepter une chance de 5% de rejeter incorrectement l'hypothèse nulle (erreur de type I).Dans certains domaines (p. ex., les tests médicaux), un alpha plus strict de 0,01 peut être utilisé.
Étape 3 : Calculer les fréquences prévues
L'idée fondamentale du test Chi‐carré est de comparer ce que nous avons observé avec ce que nous ferions attendre Pour voir si les deux variables étaient complètement indépendantes, la fréquence prévue pour une cellule donnée est dérivée des totaux marginaux (ligne et colonnes totales). La formule est la suivante :
Fréquence prévue = (Taux total × total de la colonne) / Total général
Let , dans notre exemple, appliquez ceci à la cellule -Maman – Car. Le total de la rangée pour les hommes est de 100, le total de la colonne pour la voiture est de 60, et le total est de 200.
(100 × 60) / 200 = 30
Cela signifie que si Le sexe et la préférence pour le transport étaient indépendants, nous nous attendions à ce qu'une trentaine de hommes choisissent une voiture. La valeur observée était de 40 – il y a donc une différence.
Répétez ce calcul pour chaque cellule du tableau d'urgence. Il est important de calculer toutes les fréquences attendues sur les totaux marginaux de l'échantillon Pour une table 2×3 comme la nôtre, vous aurez six valeurs attendues. Un contrôle rapide : la somme de toutes les fréquences attendues doit correspondre au total total (200), tout comme les fréquences observées.
Si la fréquence prévue est inférieure à 1, ou si plus de 20 % des fréquences prévues sont inférieures à 5, l'approximation du chi‐carré peut ne pas être fiable. Essai exact de Fisher Pour les tableaux plus grands, on peut utiliser un test simulé de valeur p ou un test -exact.
Étape 4: Calculer la statistique Chi‐Square
La statistique des essais chi carré (x2) quantifie l'écart global entre les fréquences observées et les fréquences attendues. La formule est la suivante :
χ2 = --[(O – E)2 / E ]
où O est la fréquence observée, E est la fréquence prévue, et la somme est prise sur toutes les cellules du tableau. Comme les différences sont carrées et divisées par les nombres attendus, la statistique donne plus de poids aux cellules où le nombre prévu est faible par rapport à l'écart.
Calcul pour la cellule -Maine – Car : (40-30)2 / 30 = 100/30 - 3,333. Faites ceci pour les six cellules et additionnez-les ensemble. Une valeur plus grande χ2 indique une plus grande déviation par rapport à l'indépendance.
Exemple de calcul (complète)
Utilisation de l'ensemble de données complet:
- Homme–Autour: O=40, E=30 → (102)/30 = 3,333
- Hommes–Bicycle: O=30, E=37.5 → (-7.52)/37.5 = 56.25/37.5 = 1.500
- Hommes–Os: O=30, E=32.5 → (-2.52)/32,5 = 6,25/32,5 -0,192
- Femmes–Auto: O=20, E=30 → (-102)/30 = 3,333
- Femelle–Bicycle: O=45, E=37.5 → (7,52)/37.5 = 1.500
- Femmes–Bus: O=35, E=32.5 → (2,52)/32,5 - 0,192
Somme: 3,333 + 1,500 + 0,192 + 3,333 + 1,500 + 0,192 = 10.050. Donc χ2 = 10,05 (arrondi).
Vous pouvez effectuer ces calculs à la main pour les petites tables, mais pour les tableaux plus grands ou la recherche réelle, utiliser un logiciel statistique. Le même résultat peut être obtenu en R avec ou en Python avec .
Étape 5 : Degrés de liberté et importance déterminante
La distribution du chi‐carré dépend d'un paramètre appelé degrés de liberté (df). Pour un test d'indépendance, la formule est :
df = (nombre de lignes – 1) × (nombre de colonnes – 1)
Dans notre tableau 2×3, df = (2 – 1) × (3 – 1) = 1 × 2 = 2. Cette valeur détermine la distribution du chi carré à laquelle nous comparons notre statistique de test.
Utilisation du tableau de distribution Chi‐Square
Avec α = 0,05 et df = 2, la valeur critique d'une distribution Chi-square est d'environ 5,991. (Vous pouvez trouver des tableaux dans la plupart des manuels statistiques ou en ligne, p.ex. à NIST , Manuel de statistiques techniques, notre calcul χ2 = 10,050 est supérieur à 5,991, donc nous rejeter l'hypothèse nulle. Cela suggère qu'il existe une association statistiquement significative entre le sexe et le mode de transport préféré.
La plupart des logiciels statistiques vous donneront également une valeur p directement. Pour χ2 = 10,05 avec df = 2, la valeur p est d'environ 0,0065, bien en dessous de 0,05 – confirmant le résultat.
Interprétation du résultat
Rejeter H0 vous indique que les deux variables ne sont pas indépendantes, mais il ne vous dit pas Comment ils sont liés ou résistance Pour mesurer la signification pratique, vous devez calculer une mesure de la taille de l'effet, comme Cramér , V, qui va de 0 (aucune association) à 1 (association parfaite). Pour un tableau 2×2, vous pouvez utiliser le coefficient phi à la place. Même un résultat statistiquement significatif peut être faible en termes pratiques si l'échantillon est très grand.
De même, si le test n'est pas significatif, ne pas conclure automatiquement que les variables sont indépendantes – cela peut simplement signifier que votre échantillon n'a pas le pouvoir de détecter une véritable association.
Hypothèses et limites de l'essai Chi-Square
Pour faire confiance au test Chi-square, vous devez vous assurer que certaines hypothèses sont respectées :
- Indépendance des observations: Chaque personne ne devrait contribuer qu'à une seule cellule du tableau d'urgence. Les mesures répétées ou les paires appariées nécessitent d'autres tests (p. ex., test McNemar).
- Taille de l'échantillon : Aucune fréquence prévue ne devrait être inférieure à 1, et pas plus de 20 % des fréquences prévues ne devraient être inférieures à 5. Si l'approximation du Chi-carré n'est pas fiable, les recours comprennent la combinaison de catégories, l'utilisation de Fishers exactement test (pour 2×2) ou la simulation de Monte Carlo.
- Variables catégoriques: Si votre variable est ordinale, envisagez d'utiliser un test de tendance ou un test Mann–Whitney U après avoir dichotomique, si nécessaire.
Correction de continuité
Pour les tableaux 2×2, une correction appelée Correction de continuité de Yates La formule ajuste chaque terme (O – E) en soustrayant 0,5 avant la quadrature. Cette correction est conservatrice et peut réduire la puissance. En pratique, de nombreux statisticiens recommandent maintenant d'utiliser le test exact de Fisher pour les tableaux 2×2 lorsque les nombres sont faibles et de déclarer le Chi‐carré non corrigé pour les échantillons plus importants.
Analyse et interprétation des résultats importants après le Hoc
Quand un test Chi-carré indique une association significative à travers une table de plus de 2×2, vous voulez souvent savoir qui Les cellules contribuent le plus à la signification. Ceci est analogue aux tests post-hoc dans l'ANOVA. résiduels normalisés pour chaque cellule:
Résidus normalisés = (O – E) / √E
Les résidus ayant une valeur absolue supérieure à 2 (ou 3, selon la rigueur) indiquent des cellules qui s'écartent sensiblement de l'indépendance. Dans notre exemple, les résidus normalisés sont:
- Homme– voiture: (40-30)/ √30 ↓ 1,83
- Femmes– Voiture: (20–30)/ √30 -1,83
- Hommes–Bicycle: (30–37.5)/ √37.5 -1.22
- Femmes–Bicycle: (45–37,5)/ √37,5 ,22
- Hommes–Bus: (30–32,5)/ √32,5 –0,44
- Femmes–Bus: (35–32,5)/ √32,5 - 0,44
Les résidus de la catégorie -Car sont les plus importants (bien qu'ils soient encore inférieurs à 2), ce qui suggère que la principale déviation par rapport à l'indépendance est due à la préférence pour les voitures.
Une autre option consiste à mener une série de essais de Chi carré par paire Par exemple, comparez les hommes et les femmes séparément pour chaque type de transport en utilisant un tableau 2×2 et un seuil corrigé par Bonferroni (0,05/3 γ 0,017).
Déclaration des résultats
Lors de l'élaboration des conclusions d'un test d'indépendance du Chi carré, inclure les éléments suivants:
- Une brève description des variables et de la taille de l'échantillon.
- Tableau de contingence (comptes observés) et, éventuellement, nombres ou pourcentages prévus.
- La statistique du Chi carré, les degrés de liberté et la valeur p: χ2(df) = valeur, p = valeur.
- La taille de l'effet (Cramér , V ou phi).
- Si le résultat est significatif, une description du modèle : quelles catégories ont des fréquences plus élevées ou plus basses que prévu, selon les résidus ou les tests posthoc.
Pour notre exemple de transport, un rapport d'échantillon pourrait se lire comme suit : -Un test d'indépendance du chi carré a été effectué pour examiner la relation entre le sexe et le mode de transport préféré. La relation était significative, χ2(2) = 10,05, p = 0,007, Cramér , V = 0,224 (effet moyen). L'examen posthoc des résidus normalisés a montré que les hommes étaient plus susceptibles que prévu de préférer les voitures, tandis que les femmes étaient moins susceptibles, alors que les préférences en matière de bicyclette et d'autobus étaient plus équilibrées.
Notes de mise en œuvre du logiciel
La plupart des paquets statistiques modernes incluent des fonctions intégrées pour le test d'indépendance Chi-square. Voici quelques références rapides:
- C'est un peu comme ça. – renvoie la statistique χ2, df et p-value. Utilisez pour voir les comptes attendus, et pour les résidus normalisés.
- Python (SciPy) : retourne les fréquences de test, p-value, df et attendues.
- - Oui. Analyser → Statistiques descriptives → Crosstabs → vérifier -Chi-square , sous Statistiques.
- C'est un peu comme ça. Vous pouvez calculer manuellement les fréquences attendues et utiliser la fonction CHISQ.TEST pour la valeur p, mais elle nécessite une gamme de valeurs observées et attendues.
Vérifiez toujours que votre logiciel utilise la bonne formule (avec ou sans correction de continuité) et que les données sont saisies en tant que chiffres, et non en tant que proportions. la documentation R pour - Oui.
Erreurs courantes et comment les éviter
- Utilisation de pourcentages au lieu de nombres : Utilisez toujours des fréquences brutes. Si vous n'avez que des pourcentages, multipliez par le total N pour récupérer les nombres.
- Ignorer l'hypothèse des fréquences attendues: Vérifiez toujours les nombres attendus. Si l'hypothèse est violée, signalez le test exact de Fisher ou une valeur de p simulée.
- L'importance est considérée comme une importance pratique : Un résultat significatif avec un échantillon très important peut être trivial. Toujours signaler une taille d'effet.
- Application du test aux données continues qui ont été arbitrairement binalisées: Si vous avez des données continues (p. ex., l'âge), évitez de créer des catégories trop fines ou trop arbitraires. Le test Chi‐square perd de la puissance par rapport à la régression ou à l'ANOVA.
- Survol de l'indépendance des observations: Ne pas utiliser l'essai pour les données de mesures appariées ou répétées sans ajustements appropriés.
Pour une discussion plus approfondie de ces pièges, Penn State STAT 415 notes de cours sur les tests chi carré sont une excellente ressource.
Conclusion
Le test Chi-square pour l'indépendance est un outil puissant et pratique pour découvrir les associations entre les variables catégorisées. En suivant les étapes structurées décrites ici – préparer un tableau de contingence, établir des hypothèses, calculer les fréquences attendues, calculer les statistiques du test et interpréter la valeur et la taille des effets p – vous pouvez appliquer ce test avec confiance. N'oubliez pas de toujours vérifier les hypothèses sous-jacentes (notamment la taille des fréquences attendues) et de compléter un résultat significatif par des analyses posthoc appropriées ou des mesures de la taille des effets.