Từ năm 2010 · Hơn 2 triệu lượt chạy công cụ mỗi tháng
Từ năm 2010
Thêm vào Chrome

Hộp Công Cụ Của Tôi

Chế Độ Tự Động

Chưa có công cụ nào được lưu.

Nâng Cấp Lên Phiên Bản Cao Cấp
Công cụ liên quan
Bước tiếp theo
Máy tính Kiểm định Chính xác FisherMáy Tính Bảng Chéo
Cùng tình huống
Máy tính Giá trị pMáy Tính Kích Thước Hiệu Ứng
Công cụ khác
Máy tính kiểm định Mann-Whitney UMáy Tính Kiểm Định tMáy tính kiểm định Kruskal-WallisMáy tính ANOVAMáy tính Định lý BayesMáy Tính Rủi Ro Tương Đối
Trang chủ > Toán học > Thống kê và phân tích dữ liệu
 

Máy Tính Kiểm Định Chi-Square

Thực hiện kiểm định độc lập chi bình phương bằng công cụ Kiểm định chi bình phương của MiniWebtool để xem hai biến phân loại có liên hệ đáng kể hay không. Nhận thống kê chi bình phương, giá trị p, tần số kỳ vọng, mức đóng góp của từng ô và kích thước ảnh hưởng V của Cramer, trình bày từng bước.

Chưa rõ cách dùng? Hỏi AI
ChatGPT Gemini (sao chép và mở) Perplexity

Trong Gemini, hãy dán câu hỏi đã sao chép vào cuộc trò chuyện. Bạn cũng có thể sao chép câu hỏi bên dưới.

Xem câu hỏi

Miễn phí 3 lượt mỗi ngàyKhông cần đăng kýKết quả tức thì
Máy Tính Kiểm Định Chi-SquareDùng thử ngay — miễn phí ▼
χ² cộng các (O − E)²/E: mỗi tần số lệch khỏi giá trị kỳ vọng bao xa

Nhập bảng tiếp liên (hoặc các tần số quan sát cho kiểm định phù hợp) bên dưới để có χ², df, giá trị p, các tần số kỳ vọng, đóng góp của từng ô và hệ số V của Cramér.

Nhập bảng ngẫu nhiên

Ví dụ nhanh

Embed Máy Tính Kiểm Định Chi-Square Widget

Giới thiệu về Máy Tính Kiểm Định Chi-Square

Máy tính kiểm định Chi-Square thực hiện kiểm định chi-square về tính độc lập để xác định xem có mối liên hệ có ý nghĩa thống kê giữa hai biến phân loại hay không. Công cụ toàn diện này tính toán thống kê chi-square, giá trị p, bậc tự do, tần suất kỳ vọng, đóng góp của từng ô và quy mô ảnh hưởng (Cramer's V), cung cấp phân tích thống kê đầy đủ với các giải thích từng bước.

Kiểm định Chi-Square về tính độc lập là gì?

Kiểm định chi-square về tính độc lập là một kiểm định thống kê phi tham số được sử dụng để phân tích mối quan hệ giữa hai biến phân loại được tổ chức trong một bảng ngẫu nhiên. Nó so sánh các tần suất quan sát được (số đếm thực tế từ dữ liệu của bạn) với các tần suất kỳ vọng (những gì chúng ta mong đợi nếu các biến thực sự độc lập).

Kiểm định đánh giá giả thuyết không rằng hai biến độc lập với nhau. Nếu kiểm định tạo ra một thống kê chi-square đủ lớn (dẫn đến giá trị p nhỏ), chúng ta sẽ bác bỏ giả thuyết không và kết luận rằng có mối liên hệ có ý nghĩa thống kê giữa các biến.

Công thức thống kê Chi-Square

Thống kê Chi-Square
$$\chi^2 = \sum \frac{(O_{ij} - E_{ij})^2}{E_{ij}}$$

Trong đó:

Công thức tần suất kỳ vọng

Tần suất kỳ vọng
$$E_{ij} = \frac{R_i \times C_j}{N}$$

Trong đó:

Bậc tự do

Bậc tự do
$$df = (r - 1) \times (c - 1)$$

Trong đó r là số hàng và c là số cột. Bậc tự do xác định phân phối chi-square nào được sử dụng để tính giá trị p.

Giải thích kết quả kiểm định Chi-Square

Giá trị P

Giá trị p cho bạn biết xác suất quan sát được một thống kê chi-square cực đoan bằng (hoặc hơn) giá trị bạn đã tính toán, giả sử giả thuyết không là đúng:

Các mức ý nghĩa phổ biến (α):

Mức αĐộ tin cậyTrường hợp sử dụng
0,1090%Phân tích khám phá, nghiên cứu sơ bộ
0,0595%Tiêu chuẩn cho hầu hết các nghiên cứu (phổ biến nhất)
0,0199%Kiểm định khắt khe hơn, nghiên cứu y khoa
0,00199,9%Tiêu chí cực kỳ nghiêm ngặt, quyết định quan trọng

Quy mô ảnh hưởng: Cramer's V

Trong khi giá trị p cho bạn biết liệu có mối liên hệ hay không, Cramer's V đo lường mức độ mạnh yếu của mối liên hệ đó:

Kích thước ảnh hưởng
$$V = \sqrt{\frac{\chi^2}{N \times (k - 1)}}$$

Trong đó k = min(hàng, cột). Hướng dẫn diễn giải:

Cramer's VMức độ liên kết
0,00 - 0,10Liên kết không đáng kể
0,10 - 0,30Liên kết yếu
0,30 - 0,50Liên kết trung bình
0,50+Liên kết mạnh

Các giả định của kiểm định Chi-Square

  1. Tính độc lập: Các quan sát phải độc lập với nhau
  2. Quy mô mẫu: Tần suất kỳ vọng thường nên ít nhất là 5 trong mỗi ô
  3. Lấy mẫu ngẫu nhiên: Dữ liệu nên đến từ một mẫu ngẫu nhiên
  4. Dữ liệu phân loại: Cả hai biến phải là biến phân loại (định danh hoặc thứ bậc)

Khi tần suất kỳ vọng dưới 5, phép xấp xỉ chi-square có thể không đáng tin cậy. Đối với bảng 2×2, hãy cân nhắc sử dụng Kiểm định chính xác của Fisher thay thế. Máy tính này sẽ cảnh báo bạn khi bất kỳ tần suất kỳ vọng nào dưới 5.

Ứng dụng phổ biến

Cách sử dụng máy tính này

  1. Nhập bảng ngẫu nhiên của bạn: Nhập các tần suất quan sát được với các hàng trên các dòng riêng biệt và các cột được phân tách bằng dấu cách hoặc dấu phẩy
  2. Chọn mức ý nghĩa: Chọn α = 0,05 (độ tin cậy 95%) cho phân tích tiêu chuẩn, hoặc điều chỉnh dựa trên yêu cầu của bạn
  3. Thiết lập độ chính xác thập phân: Chọn số chữ số thập phân cho kết quả
  4. Xem kết quả: Kiểm tra thống kê chi-square, giá trị p, kết luận và quy mô ảnh hưởng
  5. Phân tích bảng: So sánh tần suất quan sát và kỳ vọng, đồng thời xác định các ô đóng góp nhiều nhất vào thống kê

Câu hỏi thường gặp

Kiểm định Chi-Square về tính độc lập là gì?

Kiểm định Chi-Square về tính độc lập là một kiểm định giả thuyết thống kê được sử dụng để xác định xem có mối liên hệ đáng kể giữa hai biến phân loại hay không. Nó so sánh các tần suất quan sát được trong bảng ngẫu nhiên với các tần suất kỳ vọng được tính toán theo giả thuyết về tính độc lập. Nếu thống kê chi-square đủ lớn (giá trị p thấp hơn mức ý nghĩa), chúng ta sẽ bác bỏ giả thuyết không về tính độc lập.

Làm thế nào để diễn giải giá trị p trong kiểm định chi-square?

Giá trị p đại diện cho xác suất quan sát được một thống kê chi-square cực đoan bằng (hoặc hơn) giá trị đã tính toán, giả sử giả thuyết không là đúng. Nếu giá trị p ≤ α (thường là 0,05), bác bỏ giả thuyết không và kết luận rằng có mối liên hệ đáng kể. Nếu giá trị p > α, không thể bác bỏ giả thuyết không.

Bậc tự do trong kiểm định chi-square là gì?

Bậc tự do (df) cho kiểm định chi-square về tính độc lập bằng (r-1) × (c-1), trong đó r là số hàng và c là số cột. Ví dụ, một bảng 3×4 có df = (3-1) × (4-1) = 6.

Cramer's V là gì và làm thế nào để diễn giải nó?

Cramer's V đo lường quy mô ảnh hưởng, dao động từ 0 đến 1. Nó cho biết mức độ liên kết: V < 0,1 là không đáng kể, 0,1-0,3 là yếu, 0,3-0,5 là trung bình và V > 0,5 là mạnh. Khác với giá trị p, Cramer's V không bị ảnh hưởng bởi quy mô mẫu.

Khi nào tôi nên sử dụng Kiểm định chính xác của Fisher thay thế?

Sử dụng Kiểm định chính xác của Fisher khi tần suất kỳ vọng nhỏ (bất kỳ ô nào có giá trị dưới 5). Kiểm định chi-square là một phép xấp xỉ trở nên kém chính xác hơn với các giá trị kỳ vọng nhỏ. Đối với bảng 2×2 với mẫu nhỏ, Kiểm định của Fisher cung cấp giá trị p chính xác.

Làm thế nào để nhập dữ liệu vào máy tính?

Nhập bảng ngẫu nhiên của bạn với các hàng trên các dòng riêng biệt và các cột được phân tách bằng dấu cách hoặc dấu phẩy. Đối với bảng 2×3: nhập '10, 20, 30' ở dòng một và '15, 25, 35' ở dòng hai. Tất cả các hàng phải có cùng số cột.

Tôi có thể nhập tỷ lệ phần trăm thay vì số lượng vào phép kiểm định chi bình phương không?

Hãy dùng số lượng quan sát thực tế thay vì tỷ lệ phần trăm. Tần suất kỳ vọng và thống kê chi bình phương phụ thuộc vào số quan sát, nên chỉ có tỷ lệ phần trăm mà không biết cỡ mẫu thì chưa đủ thông tin. Ví dụ, “60% thích lựa chọn A” có thể là 6 trong 10 người hoặc 600 trong 1.000 người; hai cỡ mẫu này cung cấp bằng chứng khác nhau. Nếu biết cỡ mẫu ban đầu, hãy đổi tỷ lệ phần trăm trở lại thành số lượng.

Tôi nên kiểm tra điều gì nếu tần suất kỳ vọng ở một số ô rất nhỏ?

Hãy kiểm tra tần suất kỳ vọng trước khi dựa vào phép xấp xỉ chi bình phương thông thường. Một quy tắc kinh nghiệm phổ biến là tần suất kỳ vọng nhìn chung nên ít nhất là 5 ở phần lớn các ô và không ô nào dưới 1; bảng có quá ít dữ liệu có thể khiến phép xấp xỉ không đáng tin cậy. Với bảng 2×2 có số lượng nhỏ, kiểm định chính xác Fisher thường phù hợp. Chỉ gộp các nhóm khi việc đó có ý nghĩa thực tế.

Làm sao biết ô nào đóng góp nhiều nhất vào kết quả chi bình phương có ý nghĩa?

Xem mức đóng góp của từng ô, cho biết mỗi chênh lệch giữa số lượng quan sát và kỳ vọng làm tăng thống kê chi bình phương tổng thể đến mức nào. Mức đóng góp lớn cho thấy số lượng quan sát trong ô đó khác đáng kể so với dự đoán khi các biến độc lập. Ví dụ, một nhóm có thể có nhiều câu trả lời hơn dự kiến ở một danh mục và ít hơn ở danh mục khác. Các mức đóng góp này giúp xác định vị trí của xu hướng, nhưng bản thân chúng không phải các phép kiểm định ý nghĩa riêng.

Tài nguyên bổ sung

Tham khảo nội dung, trang hoặc công cụ này như sau:

"Máy Tính Kiểm Định Chi-Square" tại https://MiniWebtool.com/vi/máy-tính-kiểm-định-chi-square/ từ MiniWebtool, https://MiniWebtool.com/

bởi đội ngũ miniwebtool. Cập nhật: 20/01/2026

Có API dành cho developer: Chạy công cụ này từ ứng dụng, tự động hóa hoặc agent của bạn bằng một yêu cầu HTTP JSON. Xem tài liệu API

Trò chuyện với AI yêu thích của bạn

ChatGPT Gemini (sao chép và mở) Perplexity

Trong Gemini, hãy dán câu hỏi đã sao chép vào cuộc trò chuyện. Bạn cũng có thể sao chép câu hỏi bên dưới.

Xem câu hỏi

Thống kê và phân tích dữ liệu:

Giải toánBạn muốn giải bài toán nào?

Giải toán

Ví dụ
Xem thêm biểu thức

Chọn ví dụ, sửa các số rồi giải. log dùng cơ số 10; ln là logarit tự nhiên.

Số và ước số

Phân số và phép chia

Lũy thừa, căn và logarit

Đại số và phương trình

Giải tích

Hình học và lượng giác

Công cụ phổ biến và mới cập nhật:

Máy tính Kiểm định F và Phân phối FMáy Tính Ý Nghĩa Kiểm Định A/BMáy tính Kích thước Mẫu Kiểm định A/BXem tất cả →
Trang chủ > Toán học > Thống kê và phân tích dữ liệu > Máy Tính Kiểm Định Chi-Square