什麼是 Cramer's V，我該如何解讀它？

Cramer's V 是卡方檢定的效應量測量，範圍從 0（無關聯）到 1（完全相關）。對於 2x2 表格，低於 0.10 的值可以忽略，0.10-0.30 為小，0.30-0.50 為中，0.50 以上為大。對於較大的表格，閾值會較低。與 p-value 不同，Cramer's V 告訴您關聯的強度，而不僅僅是它是否存在。

什麼是標準化殘差？

調整後的標準化殘差顯示每個儲存格與獨立性下期望值的偏差程度。大於 1.96 或小於 -1.96 的殘差表示在 0.05 水準下有顯著偏差。正殘差意味著觀測值多於期望值，負殘差意味著觀測值少於期望值。它們有助於識別哪些特定的儲存格推動了整體關聯。

列聯表計算機

使用卡方獨立性檢定分析類別數據關係。支援任何 R×C 列聯表，提供期望次數、標準化殘差、Cramér's V 效應值、動態馬賽克圖、殘差熱圖及逐步解題步驟。

列聯表計算機

📌 快速範例：

表格大小： ×

貼上數據（每行為一行，值以逗號、空格或 Tab 鍵分隔）

行標籤（可選，以逗號分隔）

列標籤（可選，以逗號分隔）

顯著性水準 (α)：

Embed 列聯表計算機 Widget

列聯表計算機

列聯表計算機可對任何 R×C 列聯表（交叉表）執行卡方獨立性檢定。輸入您的觀測頻率，以檢定兩個類別變數是否在統計上相關。獲取詳細結果，包括期望頻率、調整後的標準化殘差、Cramér's V 效應量、儲存格貢獻分析、互動式馬賽克圖、殘差熱圖、卡方分佈曲線以及完整的逐步解決方案。

如何使用列聯表計算機

設定表格維度 — 選擇列聯表的行數和列數。預設為 2×2 表格，但您可以使用下拉選擇器分析高達 10×10 的表格。
輸入觀測頻率 — 直接在互動式網格中輸入每個儲存格的觀測計數。或者，切換到「文字輸入」模式以貼上以 Tab 或逗號分隔的數據。所有值必須為非負整數。
添加標籤（可選） — 輸入以逗號分隔的行和列類別標籤。標籤使輸出表格和圖表更容易理解。例如，列為「男性, 女性」，列為「是, 否」。
設定顯著性水準 — 選擇您想要的 α 水準。最常見的選擇是 0.05（95% 信心）。較小的 α 值（0.01、0.001）需要更強的證據才能宣告顯著性。
分析結果 — 點擊「分析列聯表」查看卡方統計量、p-value、效應量測量、視覺化圖表和逐步解決方案。

什麼是列聯表？

列聯表（也稱為交叉表或二向頻率表）顯示兩個類別變數的聯合頻率分佈。每一行代表第一個變數的一個類別，每一列代表第二個變數的一個類別，每個儲存格包含屬於該特定組合的觀測計數。列聯表是許多類別數據分析方法的基礎，包括卡方檢定、Fisher 精確檢定和對數線性模型。

卡方獨立性檢定

卡方 (χ²) 獨立性檢定用於確定兩個類別變數之間是否存在統計上顯著的關聯。它的工作原理是將觀測到的儲存格頻率與變數獨立時所期望的頻率進行比較。

χ² = Σ (Oᵢⱼ − Eᵢⱼ)² / Eᵢⱼ

其中 Oᵢⱼ 是儲存格 (i,j) 中的觀測頻率，Eᵢⱼ 是按以下公式計算的期望頻率：

Eᵢⱼ = (行總計(i) × 列總計(j)) / 總計

該檢定的自由度為 (r − 1) × (c − 1)，其中 r 是行數，c 是列數。較大的 χ² 值表示觀測頻率與期望頻率之間的差異較大，表明變數之間存在關聯。

Cramér's V — 衡量效應量

雖然 p-value 告訴您是否存在關聯，但 Cramér's V 告訴您關聯有多強。Cramér's V 的範圍從 0（無關聯）到 1（完全相關），計算公式如下：

V = √(χ² / (N × (k − 1)))

其中 N 是總樣本量，k 是行數或列數中較小的一個。Cramér's V 的解讀取決於自由度：

效應大小	df* = 1	df* = 2	df* ≥ 3
可忽略	< 0.10	< 0.07	< 0.06
小	0.10 – 0.30	0.07 – 0.21	0.06 – 0.17
中	0.30 – 0.50	0.21 – 0.35	0.17 – 0.29
大	≥ 0.50	≥ 0.35	≥ 0.29

*df* 指的是 min(rows, columns) − 1

理解標準化殘差

調整後的標準化殘差揭示了哪些特定儲存格對顯著的卡方結果貢獻最大。儲存格中 +2.5 的殘差表示該儲存格的觀測值比獨立情況下的期望值多 2.5 個標準差。關鍵閾值為：

|r| > 1.96 — 與期望值有顯著差異 (p < 0.05)
|r| > 2.58 — 與期望值有極顯著差異 (p < 0.01)
正殘差 — 該儲存格中的觀測值多於期望值
負殘差 — 該儲存格中的觀測值少於期望值

何時使用卡方檢定

類別數據 — 兩個變數都必須是類別變數（名目型或次序型）
獨立觀測 — 每個觀測值只能計數一次
足夠的樣本量 — 至少 80% 的期望計數應 ≥ 5，且期望計數不應低於 1
隨機抽樣 — 觀測值應來自母體的隨機樣本

如果期望計數太低，請考慮合併類別、使用 Fisher 精確檢定（針對 2×2 表格），或針對較大的表格使用精確檢定或 Monte Carlo 模擬。

卡方檢定 vs. Fisher 精確檢定

卡方檢定使用大樣本逼近；Fisher 檢定計算精確機率
對於期望計數較小 (< 5) 的 2×2 表格，首選 Fisher 檢定
卡方檢定可以自然地推廣到任何大小的 R×C 表格
對於大樣本，兩種檢定產生的結果非常相似

常見問題解答

什麼是列聯表？

列聯表（也稱為交叉表）是顯示兩個或多個類別變數頻率分佈的表格。每個儲存格顯示屬於特定類別組合的觀測計數。它是使用卡方檢定測試變數是否獨立或相關的基礎。

什麼是卡方獨立性檢定？

卡方獨立性檢定用於確定列聯表中兩個類別變數之間是否存在統計上顯著的關聯。它將觀測到的儲存格頻率與在變數獨立的假設下計算的期望頻率進行比較。相對於自由度較大的卡方統計量表明變數之間存在關聯。

什麼是 Cramér's V，我該如何解讀它？

Cramér's V 是卡方檢定的效應量測量，範圍從 0（無關聯）到 1（完全相關）。對於 2×2 表格，低於 0.10 的值可以忽略，0.10–0.30 是小效應，0.30–0.50 是中等，0.50 以上是大效應。對於較大的表格，閾值按比例降低。與 p-value 不同，Cramér's V 衡量的是關聯強度，而不僅僅是它是否在統計上存在。

列聯表中的標準化殘差是什麼？

調整後的標準化殘差顯示每個儲存格與獨立性下期望值的偏差程度。大於 +1.96 或小於 −1.96 的值表示在 0.05 水準下有顯著偏離。正殘差意味著該儲存格中的觀測值多於期望值；負殘差意味著較少。它們有助於精確定位哪些特定的儲存格組合推動了整體關聯。

什麼時候不應該使用卡方檢定？

當期望頻率非常低時，卡方檢定可能不可靠——特別是當超過 20% 的期望計數低於 5，或任何期望計數低於 1 時。對於樣本較小的 2×2 表格，首選 Fisher 精確檢定。該檢定還要求獨立觀測，因此不應與配對、匹配或重複測量的數據一起使用。

引用此內容、頁面或工具為：

"列聯表計算機" 於 https://MiniWebtool.com/zh-tw/列聯表計算機/，來自 MiniWebtool，https://MiniWebtool.com/

由 miniwebtool 團隊製作。更新日期：2026-04-15

開發者 API 可用: 用一次 JSON HTTP 請求，把這個工具接入你的應用程式、自動化流程或代理。查看 API 文件

您還可以嘗試我們的 AI數學解題器 GPT，通過自然語言問答解決您的數學問題。

列聯表計算機

列聯表計算機

如何使用列聯表計算機

什麼是列聯表？

卡方獨立性檢定

Cramér's V — 衡量效應量

理解標準化殘差

何時使用卡方檢定

卡方檢定 vs. Fisher 精確檢定

常見問題解答

什麼是列聯表？

什麼是卡方獨立性檢定？

什麼是 Cramér's V，我該如何解讀它？

列聯表中的標準化殘差是什麼？

什麼時候不應該使用卡方檢定？

統計與數據分析:

常用工具: