Máy Tính Bảng Chéo

Giới thiệu về Máy Tính Bảng Chéo

Máy tính Bảng chéo thực hiện kiểm định chi-square về tính độc lập trên bất kỳ bảng chéo (phân loại chéo) R×C nào. Nhập các tần suất quan sát của bạn để kiểm tra xem hai biến phân loại có liên hệ thống kê với nhau hay không. Nhận kết quả chi tiết bao gồm tần suất mong đợi, phần dư chuẩn hóa đã điều chỉnh, kích thước hiệu ứng Cramér's V, phân tích đóng góp của ô, biểu đồ mosaic tương tác, bản đồ nhiệt phần dư, đường cong phân phối chi-square và giải pháp hoàn chỉnh từng bước.

Cách sử dụng Máy tính Bảng chéo

1. Thiết lập kích thước bảng — chọn số hàng và số cột cho bảng chéo của bạn. Mặc định là bảng 2×2, nhưng bạn có thể phân tích các bảng lên tới 10×10 bằng các bộ chọn thả xuống.
2. Nhập tần suất quan sát — nhập số đếm quan sát cho mỗi ô trực tiếp vào lưới tương tác. Ngoài ra, hãy chuyển sang chế độ "Nhập văn bản" để dán dữ liệu cách nhau bằng tab hoặc dấu phẩy. Tất cả các giá trị phải là số nguyên không âm.
3. Thêm nhãn (tùy chọn) — nhập các nhãn danh mục hàng và cột cách nhau bằng dấu phẩy. Nhãn giúp các bảng và biểu đồ kết quả dễ diễn giải hơn. Ví dụ: "Nam, Nữ" cho hàng và "Có, Không" cho cột.
4. Thiết lập mức ý nghĩa — chọn mức α mong muốn của bạn. Lựa chọn phổ biến nhất là 0.05 (độ tin cậy 95%). Các giá trị α nhỏ hơn (0.01, 0.001) yêu cầu bằng chứng mạnh mẽ hơn để tuyên bố có ý nghĩa.
5. Phân tích kết quả — nhấp vào "Phân tích Bảng chéo" để xem thống kê chi-square, giá trị p, thước đo kích thước hiệu ứng, trực quan hóa và giải pháp từng bước.

Bảng chéo là gì?

Bảng chéo (còn được gọi là bảng phân loại chéo, crosstab hoặc bảng tần suất hai chiều) hiển thị sự phân bố tần suất chung của hai biến phân loại. Mỗi hàng đại diện cho một danh mục của biến thứ nhất, mỗi cột đại diện cho một danh mục của biến thứ hai và mỗi ô chứa số lượng quan sát rơi vào sự kết hợp cụ thể đó. Bảng chéo là nền tảng cho nhiều phương pháp phân tích dữ liệu phân loại, bao gồm kiểm định chi-square, kiểm định chính xác của Fisher và mô hình log-tuyến tính.

Kiểm định Chi-Square về tính độc lập

Kiểm định chi-square (χ²) về tính độc lập xác định xem có mối liên hệ có ý nghĩa thống kê giữa hai biến phân loại hay không. Nó hoạt động bằng cách so sánh các tần suất ô quan sát được với các tần suất sẽ được mong đợi nếu các biến là độc lập.

Trong đó Oᵢⱼ là tần suất quan sát được trong ô (i,j), và Eᵢⱼ là tần suất mong đợi được tính bằng:

Bậc tự do cho kiểm định là (r − 1) × (c − 1), trong đó r là số hàng và c là số cột. Giá trị χ² lớn hơn cho thấy sự khác biệt lớn hơn giữa tần suất quan sát và mong đợi, gợi ý rằng các biến có liên kết với nhau.

Cramér's V — Đo lường kích thước hiệu ứng

Trong khi giá trị p cho bạn biết liệu có mối liên hệ tồn tại hay không, Cramér's V cho bạn biết nó mạnh đến mức nào. Cramér's V nằm trong khoảng từ 0 (không liên kết) đến 1 (liên kết hoàn hảo) và được tính như sau:

Trong đó N là tổng kích thước mẫu và k là giá trị nhỏ hơn giữa số hàng hoặc số cột. Việc diễn giải Cramér's V phụ thuộc vào bậc tự do:

Kích thước hiệu ứng	df* = 1	df* = 2	df* ≥ 3
Không đáng kể	< 0.10	< 0.07	< 0.06
Nhỏ	0.10 – 0.30	0.07 – 0.21	0.06 – 0.17
Trung bình	0.30 – 0.50	0.21 – 0.35	0.17 – 0.29
Lớn	≥ 0.50	≥ 0.35	≥ 0.29

*df* đề cập đến min(hàng, cột) − 1

Hiểu về Phần dư chuẩn hóa

Phần dư chuẩn hóa đã điều chỉnh tiết lộ những ô cụ thể nào đóng góp nhiều nhất vào kết quả chi-square có ý nghĩa. Phần dư +2.5 trong một ô có nghĩa là ô đó có nhiều hơn 2.5 độ lệch chuẩn quan sát so với mong đợi dưới tính độc lập. Các ngưỡng chính là:

• |r| > 1.96 — khác biệt đáng kể so với mong đợi (p < 0.05)
• |r| > 2.58 — khác biệt có ý nghĩa rất cao so với mong đợi (p < 0.01)
• Phần dư dương — nhiều quan sát hơn mong đợi trong ô đó
• Phần dư âm — ít quan sát hơn mong đợi trong ô đó

Khi nào nên sử dụng kiểm định Chi-Square

• Dữ liệu phân loại — cả hai biến phải là biến phân loại (định danh hoặc thứ bậc)
• Các quan sát độc lập — mỗi quan sát chỉ được đếm một lần
• Kích thước mẫu đầy đủ — ít nhất 80% số lượng mong đợi phải ≥ 5, và không có số lượng mong đợi nào dưới 1
• Lấy mẫu ngẫu nhiên — các quan sát nên đến từ một mẫu ngẫu nhiên của quần thể

Nếu số lượng mong đợi quá thấp, hãy cân nhắc kết hợp các danh mục, sử dụng kiểm định chính xác của Fisher (cho bảng 2×2), hoặc sử dụng kiểm định chính xác hoặc mô phỏng Monte Carlo cho các bảng lớn hơn.

Kiểm định Chi-Square so với Kiểm định chính xác của Fisher

• Kiểm định chi-square sử dụng xấp xỉ mẫu lớn; kiểm định của Fisher tính toán xác suất chính xác
• Kiểm định của Fisher được ưu tiên cho các bảng 2×2 với số lượng mong đợi nhỏ (< 5)
• Kiểm định chi-square khái quát hóa tự nhiên cho các bảng R×C ở bất kỳ kích thước nào
• Đối với các mẫu lớn, cả hai kiểm định đều cho kết quả rất giống nhau

Câu hỏi thường gặp (FAQ)

Bảng chéo là gì?

Bảng chéo (còn được gọi là bảng ngẫu nhiên hoặc crosstab) là một bảng hiển thị sự phân bố tần suất của hai hoặc nhiều biến phân loại. Mỗi ô hiển thị số lượng quan sát rơi vào một sự kết hợp cụ thể của các danh mục. Nó là nền tảng để kiểm tra xem các biến là độc lập hay có liên quan bằng kiểm định chi-square.

Kiểm định chi-square về tính độc lập là gì?

Kiểm định chi-square về tính độc lập xác định xem có mối liên hệ có ý nghĩa thống kê giữa hai biến phân loại trong bảng chéo hay không. Nó so sánh các tần suất ô quan sát được với các tần suất mong đợi được tính toán dưới giả định rằng các biến là độc lập. Một thống kê chi-square lớn so với bậc tự do gợi ý rằng các biến có liên kết với nhau.

Cramér's V là gì và tôi nên diễn giải nó như thế nào?

Cramér's V là thước đo kích thước hiệu ứng cho kiểm định chi-square, nằm trong khoảng từ 0 (không liên kết) đến 1 (liên kết hoàn hảo). Đối với bảng 2×2, giá trị dưới 0.10 là không đáng kể, 0.10–0.30 là hiệu ứng nhỏ, 0.30–0.50 là trung bình và trên 0.50 là lớn. Đối với các bảng lớn hơn, các ngưỡng sẽ thấp hơn một cách tương ứng. Không giống như giá trị p, Cramér's V đo lường cường độ của mối liên kết, chứ không chỉ là liệu nó có tồn tại về mặt thống kê hay không.

Phần dư chuẩn hóa trong bảng chéo là gì?

Phần dư chuẩn hóa đã điều chỉnh cho thấy mỗi ô lệch bao nhiêu so với những gì được mong đợi dưới tính độc lập. Các giá trị lớn hơn +1.96 hoặc nhỏ hơn −1.96 cho thấy một sự sai lệch đáng kể ở mức 0.05. Phần dư dương có nghĩa là nhiều quan sát hơn mong đợi trong ô đó; phần dư âm có nghĩa là ít hơn. Chúng giúp xác định chính xác sự kết hợp ô nào thúc đẩy mối liên kết tổng thể.

Khi nào tôi không nên sử dụng kiểm định chi-square?

Kiểm định chi-square có thể không đáng tin cậy khi tần suất mong đợi rất thấp — cụ thể là khi hơn 20% số lượng mong đợi dưới 5, hoặc bất kỳ số lượng mong đợi nào dưới 1. Đối với bảng 2×2 với mẫu nhỏ, kiểm định chính xác của Fisher được ưu tiên hơn. Kiểm định cũng yêu cầu các quan sát độc lập, vì vậy nó không nên được sử dụng với dữ liệu ghép cặp, đối xứng hoặc các phép đo lặp lại.