분할표 계산기

카이제곱 독립성 검정을 통해 범주형 데이터의 관계를 분석하세요. 기대 빈도, 표준화 잔차, Cramér's V 효과 크기, 애니메이션 모자이크 플롯, 잔차 히트맵 및 단계별 풀이를 포함한 모든 R×C 분할표를 지원합니다.

분할표 계산기

Embed 분할표 계산기 Widget

분할표 계산기 정보

분할표 계산기는 모든 R×C 분할표(교차표)에 대해 독립성 카이제곱 검정을 수행합니다. 관측 빈도를 입력하여 두 범주형 변수가 통계적으로 연관되어 있는지 테스트하세요. 기대 빈도, 수정 표준화 잔차, Cramér's V 효과 크기, 셀 기여도 분석, 대화형 모자이크 플롯, 잔차 히트맵, 카이제곱 분포 곡선 및 전체 단계별 풀이를 포함한 상세한 결과를 얻을 수 있습니다.

분할표 계산기 사용 방법

표 크기 설정 — 분할표의 행과 열 개수를 선택하세요. 기본값은 2×2 표이지만 드롭다운 선택기를 사용하여 최대 10×10 크기까지 분석할 수 있습니다.
관측 빈도 입력 — 대화형 그리드에 각 셀의 관측된 수를 직접 입력하세요. 또는 "텍스트 입력" 모드로 전환하여 탭이나 쉼표로 구분된 데이터를 붙여넣을 수 있습니다. 모든 값은 음수가 아닌 정수여야 합니다.
레이블 추가 (선택 사항) — 쉼표로 구분하여 행 및 열 범주 레이블을 입력하세요. 레이블을 사용하면 결과 표와 차트를 더 쉽게 해석할 수 있습니다. 예를 들어 행에는 "남성, 여성", 열에는 "예, 아니요"를 입력할 수 있습니다.
유의 수준 설정 — 원하는 α 수준을 선택하세요. 가장 일반적인 선택은 0.05(95% 신뢰도)입니다. α 값이 작을수록(0.01, 0.001) 유의성을 선언하기 위해 더 강력한 증거가 필요합니다.
결과 분석 — "분할표 분석하기"를 클릭하여 카이제곱 통계량, p-값, 효과 크기 척도, 시각화 및 단계별 풀이를 확인하세요.

분할표란 무엇인가요?

분할표(교차표 또는 이원 빈도표라고도 함)는 두 범주형 변수의 결합 빈도 분포를 표시합니다. 각 행은 첫 번째 변수의 한 범주를 나타내고, 각 열은 두 번째 변수의 한 범주를 나타내며, 각 셀에는 해당 특정 조합에 해당하는 관측치 수가 포함됩니다. 분할표는 카이제곱 검정, Fisher의 정확 검정 및 로그 선형 모델을 포함한 많은 범주형 데이터 분석 방법의 기초입니다.

독립성 카이제곱 검정

카이제곱(χ²) 독립성 검정은 두 범주형 변수 사이에 통계적으로 유의미한 연관성이 있는지 여부를 결정합니다. 이는 관측된 셀 빈도를 변수가 독립적일 경우 기대되는 빈도와 비교함으로써 작동합니다.

χ² = Σ (Oᵢⱼ − Eᵢⱼ)² / Eᵢⱼ

여기서 Oᵢⱼ는 셀(i,j)의 관측 빈도이고, Eᵢⱼ는 다음과 같이 계산된 기대 빈도입니다.

Eᵢⱼ = (행 합계(i) × 열 합계(j)) / 전체 합계

검정의 자유도는 (r − 1) × (c − 1)이며, 여기서 r은 행의 수, c는 열의 수입니다. χ² 값이 클수록 관측 빈도와 기대 빈도 사이의 차이가 크다는 것을 의미하며, 이는 변수들이 연관되어 있음을 시사합니다.

Cramér's V — 효과 크기 측정

p-값이 연관성이 존재하는지 여부를 알려주는 반면, Cramér's V는 그 연관성이 얼마나 강한지를 알려줍니다. Cramér's V는 0(연관성 없음)에서 1(완전한 연관성) 사이의 범위를 가지며 다음과 같이 계산됩니다.

V = √(χ² / (N × (k − 1)))

여기서 N은 전체 표본 크기이고 k는 행 또는 열의 수 중 더 작은 값입니다. Cramér's V의 해석은 자유도에 따라 달라집니다.

효과 크기	df* = 1	df* = 2	df* ≥ 3
무시할 수 있음	< 0.10	< 0.07	< 0.06
작음	0.10 – 0.30	0.07 – 0.21	0.06 – 0.17
중간	0.30 – 0.50	0.21 – 0.35	0.17 – 0.29
큼	≥ 0.50	≥ 0.35	≥ 0.29

*df*는 min(행, 열) − 1을 나타냅니다.

표준화 잔차의 이해

수정 표준화 잔차는 어떤 특정 셀이 유의미한 카이제곱 결과에 가장 많이 기여하는지 보여줍니다. 셀의 잔차가 +2.5라는 것은 해당 셀이 독립성 가정하에 기대되는 것보다 2.5 표준편차만큼 더 많은 관측치를 가지고 있음을 의미합니다. 주요 임계값은 다음과 같습니다.

|r| > 1.96 — 기대치와 유의미하게 다름 (p < 0.05)
|r| > 2.58 — 기대치와 매우 유의미하게 다름 (p < 0.01)
양수 잔차 — 해당 셀에 기대보다 많은 관측치가 있음
음수 잔차 — 해당 셀에 기대보다 적은 관측치가 있음

카이제곱 검정을 사용하는 경우

범주형 데이터 — 두 변수 모두 범주형(명목 또는 서열)이어야 합니다.
독립적인 관측치 — 각 관측치는 한 번만 계산되어야 합니다.
적절한 표본 크기 — 기대 빈도의 80% 이상이 5 이상이어야 하며, 기대 빈도가 1 미만인 셀이 없어야 합니다.
무작위 추출 — 관측치는 모집단의 무작위 표본에서 추출되어야 합니다.

기대 빈도가 너무 낮으면 범주를 결합하거나, Fisher의 정확 검정(2×2 표의 경우)을 사용하거나, 더 큰 표의 경우 정확 검정 또는 몬테카를로 시뮬레이션을 사용하는 것을 고려하십시오.

카이제곱 검정 vs Fisher의 정확 검정

카이제곱 검정은 대표본 근사를 사용하며, Fisher 검정은 정확한 확률을 계산합니다.
기대 빈도가 작은(< 5) 2×2 표의 경우 Fisher 검정이 선호됩니다.
카이제곱 검정은 모든 크기의 R×C 표로 자연스럽게 일반화됩니다.
표본이 큰 경우 두 검정 모두 매우 유사한 결과를 생성합니다.

자주 묻는 질문 (FAQ)

분할표란 무엇인가요?

분할표(교차표라고도 함)는 둘 이상의 범주형 변수의 빈도 분포를 표시하는 표입니다. 각 셀은 특정 범주 조합에 해당하는 관측치 수를 보여줍니다. 이는 카이제곱 검정을 사용하여 변수들이 서로 독립적인지 아니면 연관되어 있는지를 테스트하는 기초가 됩니다.

독립성 카이제곱 검정이란 무엇인가요?

독립성 카이제곱 검정은 분할표에서 두 범주형 변수 사이에 통계적으로 유의미한 연관성이 있는지 여부를 결정합니다. 이는 관측된 셀 빈도를 변수가 독립적이라는 가정하에 계산된 기대 빈도와 비교합니다. 자유도에 비해 카이제곱 통계량이 크면 변수들이 연관되어 있음을 시사합니다.

Cramér's V는 무엇이며 어떻게 해석하나요?

Cramér's V는 카이제곱 검정의 효과 크기 척도로, 0(연관성 없음)에서 1(완전한 연관성) 사이의 범위를 갖습니다. 2×2 표의 경우 0.10 미만은 무시할 수 있는 수준, 0.10–0.30은 작은 효과, 0.30–0.50은 중간, 0.50 이상은 큼으로 간주됩니다. 더 큰 표의 경우 임계값이 비례적으로 낮아집니다. p-값과 달리 Cramér's V는 통계적 존재 여부뿐만 아니라 연관성의 강도를 측정합니다.

분할표에서 표준화 잔차란 무엇인가요?

수정 표준화 잔차는 각 셀이 독립성 가정하에 기대되는 값에서 얼마나 벗어나는지를 보여줍니다. +1.96보다 크거나 −1.96보다 작은 값은 0.05 수준에서 유의미한 차이를 나타냅니다. 양수 잔차는 해당 셀에 기대보다 많은 관측치가 있음을, 음수 잔차는 적음을 의미합니다. 이는 어떤 특정 셀 조합이 전체적인 연관성을 주도하는지 정확히 찾아내는 데 도움이 됩니다.

카이제곱 검정을 사용해서는 안 되는 경우는 언제인가요?

기대 빈도가 매우 낮을 때(특히 기대 빈도의 20% 이상이 5 미만이거나, 1 미만인 기대 빈도가 있는 경우) 카이제곱 검정은 신뢰할 수 없습니다. 표본이 작은 2×2 표의 경우 Fisher의 정확 검정이 권장됩니다. 또한 이 검정은 독립적인 관측치를 요구하므로 쌍을 이루거나 일치된 데이터, 또는 반복 측정 데이터에는 사용해서는 안 됩니다.

이 콘텐츠, 페이지 또는 도구를 다음과 같이 인용하세요:

"분할표 계산기" - https://MiniWebtool.com/ko/분할표-계산기/에서 MiniWebtool 인용, https://MiniWebtool.com/

by miniwebtool 팀. 업데이트: 2026-04-15

또한 저희의 AI 수학 해결사 GPT를 사용하여 자연어 질문과 답변으로 수학 문제를 해결할 수 있습니다.