How to Perform a Chi-Square Test for Independence in Categorical Data
Table of Contents
Introdução ao Teste de Independência do Qui-Quadrado
O teste do Qui-quadrado para independência é um procedimento estatístico fundamental não paramétrico utilizado para determinar se existe uma relação significativa entre duas variáveis categóricas. Ao contrário dos testes para dados contínuos (por exemplo, testes t- ou ANOVA), este teste funciona exclusivamente com contagens de frequência – o número de observações que se enquadram em cada combinação de categorias. É amplamente aplicado em áreas como ciências sociais, marketing, epidemiologia e biologia para analisar respostas de levantamento, classificações experimentais e estudos observacionais. Entender quando e como aplicar o teste corretamente é essencial para extrair conclusões válidas de dados categóricos.
Em vez de medir diretamente a força de uma associação, o teste do Qui-quadrado avalia se o padrão observado de frequências difere o suficiente do esperado sob a suposição de independência para ser considerado estatisticamente significativo. Este artigo irá explicar-lhe cada passo – desde a organização dos seus dados e a indicação de hipóteses, através do cálculo da estatística do teste, até a interpretação dos resultados e verificação dos pressupostos subjacentes. Ao final, você poderá aplicar esta técnica com confiança em sua própria pesquisa.
Para uma visão mais ampla da análise dos dados categóricos, consulte este guia introdutório de Estatísticas Como.
Passo 1: Prepare seus dados – Construindo uma tabela de contingência
A matéria-prima para um teste qui-quadrado de independência é uma tabela de contingência (também chamada de tabulação cruzada). Cada linha da tabela corresponde a uma categoria da primeira variável, e cada coluna corresponde a uma categoria da segunda variável. frequências observadas – isto é, a contagem de casos que compartilham essa combinação específica de categorias.
Por exemplo, imagine se você está estudando se existe uma associação entre gênero (masculino, feminino) e Modo de transporte preferido (carro, bicicleta, ônibus). A tabela de contingência pode ser assim depois de coletar dados de 200 respondentes:
| Carro | Bicicleta | Ônibus | Total da linha | |
|---|---|---|---|---|
| Masculino | 40 | 30 | 30 | 100 |
| Mulheres | 20 | 45 | 35 | 100 |
| Total da Coluna | 60 | 75 | 65 | 200 |
Certifique-se de que seus dados são contagens brutas – nunca percentagens. Percentagens obscurecem o tamanho da amostra e podem levar a cálculos incorretos. Verifique também que a soma dos totais da linha é igual à soma dos totais da coluna (o total geral). Neste exemplo, o total geral é 200.
Se você estiver trabalhando com dados brutos de pesquisa, você pode criar uma tabela de contingência usando tabelas de pivô de planilha, função R , Python’s , ou diálogo “Crosstabs” do SPSS. Para grandes conjuntos de dados, sempre verifique se faltam valores – eles devem ser excluídos ou tratados antes da tabulação.
Passo 2: Declare suas hipóteses
Cada teste de hipótese começa com uma hipótese nula e alternativa. Para o teste de independência do Qui-quadrado:
- H0 (hipótese nula): As duas variáveis categóricas são independentes, ou seja, não há associação entre elas, sendo que as proporções populacionais de uma variável são as mesmas em todas as categorias da outra variável.
- H1 (hipótese alternativa): As duas variáveis são dependentes. Existe uma associação (embora o teste não especifique sua direção ou força).
Usando o exemplo de transporte, H0 afirmaria que o gênero e o modo de transporte preferido são independentes – a distribuição das escolhas de transporte é idêntica para homens e mulheres. H1 afirmaria que não são independentes – talvez os homens prefiram mais carros do que as mulheres, ou as mulheres preferem mais ciclismo.
O nível de significância (alfa) é tipicamente definido em 0,05, o que significa que você está disposto a aceitar uma chance de 5% de rejeitar incorretamente a hipótese nula (um erro Tipo I). Em alguns campos (por exemplo, testes médicos), pode ser usado um alfa mais estrito de 0,01.
Etapa 3: Calcule as frequências esperadas
A ideia central do teste do Qui-quadrado é comparar o que realmente observamos com o que nós esperar para ver se as duas variáveis eram completamente independentes. A frequência esperada para uma dada célula é derivada dos totais marginais (totals de linha e coluna). A fórmula é:
Frequência esperada = (Total da linha × Total da coluna) / Total geral
Vamos aplicar isso à célula “Male – Car” em nosso exemplo. O total da linha para os machos é 100, o total da coluna para o carro é 60, eo total geral é 200. Portanto, a contagem esperada para essa célula é:
(100 × 60) / 200 = 30
Isto significa que se o sexo e a preferência de transporte foram independentes, esperava-se que cerca de 30 homens escolhessem um carro. O valor observado foi de 40 – então há uma discrepância.
Repita este cálculo para cada célula da tabela de contingência. É importante calcular todas as frequências esperadas dos totais marginais da amostra – não de alguma proporção da população externa. Para uma tabela 2×3 como a nossa, você terá seis valores esperados. Uma verificação rápida: a soma de todas as frequências esperadas deve ser igual ao total total (200), assim como as frequências observadas fazem.
Se qualquer frequência esperada for inferior a 1, ou se mais de 20% das frequências esperadas for inferior a 5, a aproximação Qui-quadrado pode não ser fiável. Teste exato de Fisher (especialmente para 2 × 2 tabelas) ou combinando categorias para aumentar as contagens. Para tabelas maiores, um p-valor simulado ou teste "exato" pode ser usado.
Passo 4: Calcular a estatística do qui-quadrado
A estatística do teste Qui-quadrado (χ2) quantifica a discrepância global entre as frequências observadas e as esperadas. A fórmula é:
χ2 = Ł [ (O – E)2 / E ]
onde O é a frequência observada, E é a frequência esperada, e a soma é tomada sobre todas as células na tabela. Como as diferenças são quadradas e divididas pelas contagens esperadas, a estatística dá mais peso às células onde a contagem esperada é pequena em relação à discrepância.
Calculando para a célula “Male – Car”: (40 – 30)2 / 30 = 100 / 30 . 3.333. Faça isso para todas as seis células e adicioná-los juntos. Um valor maior χ2 indica maior desvio da independência.
Cálculo de Exemplo (Completo)
Usando o conjunto de dados completo:
- Masculino–Carro: O=40, E=30 → (102)/30 = 3.333
- Masculino–Bicicleta: O=30, E=37,5 → (-7,52)/37,5 = 56,25/37,5 = 1.500
- Masculino–Bus: O=30, E=32,5 → (-2,52)/32,5 = 6,25/32,5 − 0,192
- Feminino–Carro: O=20, E=30 → (-102)/30 = 3.333
- Sexo feminino–Bicicleta: O=45, E=37.5 → (7.52)/37.5 = 1.500
- Feminino- Bus: O=35, E=32,5 → (2,52)/32,5 − 0,192
Soma: 3,333 + 1.500 + 0,192 + 3,33 + 1.500 + 0,192 = 10. 050. Assim χ2 = 10.05 (redondos).
Você pode realizar estes cálculos à mão para tabelas pequenas, mas para tabelas maiores ou pesquisas reais, use software estatístico. O mesmo resultado pode ser obtido em R com ou em Python com .
Etapa 5: Graus de Liberdade e Determinação de Significado
A distribuição do qui-quadrado depende de um parâmetro chamado graus de liberdade (df). Para um teste de independência, a fórmula é:
df = (número de linhas – 1) × (número de colunas – 1)
Em nossa tabela 2×3, df = (2 – 1) × (3 – 1) = 1 × 2 = 2. Este valor determina a distribuição do Qui-quadrado com que comparamos nossa estatística de teste.
Utilização da Tabela de Distribuição do Qui-Quadrado
Com α = 0,05 e df = 2, o valor crítico de uma distribuição do Qui-quadrado é de aproximadamente 5.991. (Você pode encontrar tabelas na maioria dos livros didáticos de estatística ou online, por exemplo, em Manual de Engenharia Estatística da NIST.) Nosso χ2 calculado = 10,050 é maior que 5,991, então nós rejeitar a hipótese nula Isso sugere que existe associação estatisticamente significativa entre gênero e modo de transporte preferencial.
A maioria dos softwares estatísticos também lhe dará um valor de p-diretamente. Para χ2 = 10,05 com df = 2, o valor de p-é de cerca de 0,0065, bem abaixo de 0,05 – confirmando o resultado.
Interpretando o Resultado
Rejeitar o H0 diz que as duas variáveis não são independentes, mas não lhe diz como são relacionados ou concentração Para medir o significado prático, você deve calcular uma medida de tamanho de efeito, como O V de Cramér, que varia de 0 (sem associação) a 1 (associação perfeita). Para uma tabela 2×2, você pode usar o coeficiente phi em vez disso. Mesmo um resultado estatisticamente significativo pode ser fraco em termos práticos se a amostra é muito grande.
Da mesma forma, se o teste não for significativo, não conclua automaticamente que as variáveis são independentes – pode simplesmente significar que sua amostra não teve o poder de detectar uma associação real. Considere sempre o tamanho da amostra, as frequências esperadas e o contexto da pesquisa.
Presunções e Limitações do Teste Qui-Quadrado
Para confiar no teste do Qui-quadrado, você deve garantir que certas suposições sejam cumpridas:
- Independência das observações: Cada indivíduo deve contribuir para apenas uma célula da tabela de contingência. Medidas repetidas ou pares pares correspondentes requerem outros testes (por exemplo, o teste de McNemar).
- Adequação do tamanho da amostra: Nenhuma frequência esperada deve ser inferior a 1, e não mais de 20% das frequências esperadas devem ser inferiores a 5. Se violadas, a aproximação Qui-quadrado torna-se pouco confiável. As medidas incluem a combinação de categorias, usando o teste exato de Fisher (para 2×2), ou usando simulação de Monte Carlo.
- Variáveis categóricas: O teste foi projetado para categorias nominais (não ordenadas). Se sua variável for ordinal, considere usar um teste para tendência ou um teste U de Mann-Whitney após dicotomizar, se apropriado.
Correção da continuidade de Yates
Para 2×2 tabelas, uma correção chamada Correção da continuidade de Yates é aplicado às vezes à fórmula Qui-quadrado para reduzir a superestimação da significância, especialmente com pequenas amostras. A fórmula ajusta cada termo (O-E) subtraindo 0,5 antes da esquadria. Esta correção é conservadora e pode reduzir o poder. Na prática, muitos estatísticos agora recomendam usar o teste exato de Fisher para 2 × 2 tabelas quando as contagens são pequenas, e relatando o Qui-quadrado não corrigido para amostras maiores.
Análise pós-Hoc e interpretação de resultados significativos
Quando um teste Qui-quadrado indica uma associação significativa em uma tabela maior que 2×2, você muitas vezes quer saber que As células contribuem mais para o significado, o que é análogo aos testes pós-hoc na ANOVA. Resíduos normalizados para cada célula:
Resíduos padronizados = (O – E) / √E
Os resíduos com um valor absoluto superior a 2 (ou 3, dependendo da rigidez) indicam células que se desviam substancialmente da independência. Em nosso exemplo, os resíduos padronizados são:
- Masculino–Carro: (40–30)/?30 □ 1,83
- Fêmea–Carro: (20–30)/?30 ? –1.83
- Masculino–Bicicleta: (30–37,5)/?37,5 ? –1,22
- Sexo feminino–Bicicleta: (45–37,5)/?37,5 ? 1,22
- Masculino–Bus: (30–32,5)/√32.5 □ –0,44
- Feminino–Bus: (35–32,5)/√32,5 □ 0,44
Os resíduos da categoria “Carro” são os maiores (embora ainda abaixo de 2), sugerindo que o principal desvio da independência é impulsionado pela preferência do carro. Você poderia ainda realizar um teste de proporções entre os sexos para cada modo de transporte, aplicando uma correção de comparação múltipla como Bonferroni ou Benjamini-Hochberg.
Outra opção é conduzir uma série de Testes qui-quadrados em par entre categorias de uma variável, ajustando o nível alfa em conformidade. Por exemplo, comparar machos vs. fêmeas separadamente para cada tipo de transporte usando uma tabela 2×2 e um limiar corrigido de Bonferroni (0,05/3 .017).
Relatar os resultados
Ao escrever as conclusões de um teste de independência do Qui-quadrado, incluem-se os seguintes elementos:
- Breve descrição das variáveis e do tamanho da amostra.
- A tabela de contingência (contagens observadas) e, opcionalmente, as contagens ou percentagens esperadas.
- A estatística do Qui-quadrado, graus de liberdade e valor de p: χ2(df) = valor, p = valor.
- Tamanho do efeito (V ou phi de Cramér).
- Se o resultado for significativo, descrição do padrão: quais categorias têm frequências maiores ou menores do que o esperado, com base em resíduos ou testes pós-hoc.
Para o nosso exemplo de transporte, um relato amostral poderia ler: “Foi realizado um teste de independência do qui-quadrado para examinar a relação entre gênero e modo de transporte preferencial. A relação foi significativa, χ2(2) = 10,05, p = 0,007, V de Cramér = 0,224 (efeito médio). O exame pós-hoc de resíduos padronizados mostrou que os homens eram mais propensos do que o esperado a preferir carros, enquanto as mulheres eram menos prováveis, enquanto as preferências de bicicleta e ônibus eram mais equilibradas.”
Notas de Implementação de Software
A maioria dos pacotes estatísticos modernos incluem funções integradas para o teste de independência do Qui-quadrado. Aqui estão algumas referências rápidas:
- R: – retorna a estatística χ2, df e valor p. Use para ver contagens esperadas, e para resíduos padronizados.
- Python (SciPy): retorna estatística de teste, valor-p, df, e frequências esperadas.
- SPSS: Analisar → Estatísticas descritivas → Crosstabs → verifique “Chi-quadrado” em Estatísticas.
- Excel: Você pode calcular manualmente as frequências esperadas e usar a função CHISQ.TEST para o valor de p, mas ela requer uma gama de valores observados e esperados.
Verifique sempre se o seu software usa a fórmula correta (com ou sem correção de continuidade) e se os dados são introduzidos como contagens, não proporções. Para um tutorial mais detalhado sobre a implementação do teste em R, consulte a documentação R para .
Erros comuns e como evitá - los
- Usando percentagens em vez de contagens: Sempre use frequências brutas. Se você só tem percentagens, multiplique pelo total de N para recuperar contagens.
- Ignorando a suposição de frequências esperadas: Verifique sempre as contagens esperadas. Se a suposição for violada, informe o teste exato de Fisher ou um valor de p simulado.
- Interpretar o significado como importância prática: Um resultado significativo com uma amostra muito grande pode ser trivial. Sempre relate um tamanho de efeito.
- Aplicando o teste a dados contínuos que foram arbitrariamente encriptados: Se você tiver dados contínuos (por exemplo, idade), evite criar categorias que são muito finas ou arbitrárias. O teste Qui-quadrado perde poder em comparação com regressão ou ANOVA.
- Independência das observações: Não utilizar o teste para dados de medidas pareadas ou repetidas sem ajustes adequados.
Para uma discussão mais profunda sobre estas armadilhas, o Notas de curso do Penn State STAT 415 sobre testes do Qui-quadrado são um excelente recurso.
Conclusão
O teste Qui-quadrado para independência é uma ferramenta poderosa e prática para descobrir associações entre variáveis categóricas. Seguindo as etapas estruturadas aqui descritas – preparando uma tabela de contingência, indicando hipóteses, calculando frequências esperadas, calculando a estatística de teste e interpretando o valor-p e o tamanho do efeito – você pode aplicar este teste com confiança. Lembre-se de sempre verificar os pressupostos subjacentes (particularmente o tamanho das frequências esperadas) e complementar um resultado significativo com análises pós-hoc adequadas ou medidas de tamanho de efeito. Com aplicação cuidadosa, o teste Qui-quadrado irá servir-lhe bem na análise de dados de pesquisa, classificações experimentais e inúmeros outros cenários de pesquisa envolvendo informações categóricas.