急求高手解答一下这个表中的卡方的X^2和p值怎么来的！！

简单来说，两者的值只是告诉看数据的人这个统计的可信度，而不是通过其统计结果计算出来的，相应的数据是在原有预测、之前统计等多种数据的基础上产生的。卡方是指和自己预期结果的相差度，P是指这个统计中偶然性的概率，因为样本不可能是无穷大的。详细见下：

1，P值指的是该统计的统计学意义，

结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。

2 ，χ2方是卡方检验结果的最终结果，称卡方值，其表示观察值与理论值之问的偏离程度。计算这种偏离程度的基本思路如下。

(1)设A代表某个类别的观察频数，E代表基于H0计算出的期望频数，A与E之差称为残差。

(2)显然，残差可以表示某一个类别观察值和理论值的偏离程度，但如果将残差简单相加以表示各类别观察频数与期望频数的差别，则有一定的不足之处。因为残差有正有负，相加后会彼此抵消，总和仍然为0，为此可以将残差平方后求和。

(3)另一方面，残差大小是一个相对的概念，相对于期望频数为10时，期望频数为20的残差非常大，但相对于期望频数为1 000时20的残差就很小了。考虑到这一点，人们又将残差平方除以期望频数再求和，以估计观察频数与期望频数的差别。

进行上述操作之后，就得到了常用的χ2统计量，由于它最初是由英国统计学家Karl Pearson在1900年首次提出的，因此也称之为Pearson χ2，其计算公式为(i=1，2 ，3，…，k)

其中，Ai为i水平的观察频数，Ei为i水平的期望频数，n为总频数，pi为i水平的期望频率。i水平的期望频数Ti等于总频数n×i水平的期望概率pi ，k为单元格数。当n比较大时，χ2统计量近似服从k-1(计算Ei时用到的参数个数)个自由度的卡方分布。

由卡方的计算公式可知，当观察频数与期望频数完全一致时，χ2值为0；观察频数与期望频数越接近，两者之间的差异越小，χ2值越小；反之，观察频数与期望频数差别越大，两者之间的差异越大，χ2值越大。因此，χ2是观察频数与期望频数之间距离的一种度量指标，也是假设成立与否的度量指标。如果χ2值“小”，研究者就倾向于不拒绝H0；如果χ2值大，就倾向于拒绝H0。至于χ2在每个具体研究中究竟要大到什么程度才能拒绝H0，则要借助于卡方分布求出所对应的P值来确定。

1、首先打开SPSS23.0软件，在文件中找到想要进行处理的数据，如下图所示。

2、然后在上方的菜单栏中找到分析菜单栏，选择非参数检验，打开旧对话框，选择卡方。

3 、接着在卡方检验对话框中，将左侧的变量移动至右侧想要检验的变量对话框中，如下图所示。

4、然后点击选项菜单，此时可以选择卡方检验的统计方法，还可以设置缺失值。

5、最后单击确定对SPSS的数据进行查看，在图表中可以看到检验次数和检验统计。

本文来自作者[枕流云]投稿，不代表爱玛号立场，如若转载，请注明出处：https://www.imayo.cn/iyo/2155.html