2025年统计学期末考试：卡方检验与统计推断的实践运用试题

2025年统计学期末考试：卡方检验与统计推断的实践运用试题考试时间：______分钟总分：______分姓名：______一、选择题（本大题共20小题，每小题2分，共40分。在每小题列出的四个选项中，只有一项是最符合题目要求的，请将正确选项字母填在题后的括号内。）1.在进行卡方检验时，如果观测频数与期望频数的差异很大，那么通常意味着什么？A.数据存在系统性偏差B.样本量太小C.检验假设不成立D.数据存在随机误差2.下列哪种情况适合使用卡方拟合优度检验？A.比较两个独立样本的均值差异B.检验一个样本的分布是否符合某个理论分布C.分析两个分类变量之间的相关性D.比较两个配对样本的均值差异3.在卡方独立性检验中，自由度的计算公式是什么？A.(行数-1)×(列数-1)B.行数+列数-1C.行数×列数D.(行数+列数)÷24.当卡方检验的P值小于显著性水平时，通常应该怎么解释？A.拒绝原假设B.接受原假设C.检验无效D.需要更大的样本量5.在进行卡方检验时，期望频数的计算通常基于什么？A.观测频数B.理论分布C.样本均值D.样本标准差6.如果一个研究者在进行卡方检验时发现自由度为0，那么这意味着什么？A.数据无法进行卡方检验B.所有观测频数都相等C.样本量太小D.检验假设不成立7.在卡方拟合优度检验中，如果P值很大，那么通常意味着什么？A.数据符合理论分布B.数据不符合理论分布C.检验无效D.需要更大的样本量8.在进行卡方独立性检验时，如果发现某个单元格的期望频数小于5，那么通常应该怎么处理？A.忽略该单元格B.合并该单元格C.增加样本量D.使用其他检验方法9.在卡方检验中，为什么自由度的计算很重要？A.它决定了检验的复杂性B.它影响了P值的计算C.它决定了检验的准确性D.它影响了检验的显著性水平10.在进行卡方拟合优度检验时，如果理论分布不正确，那么通常会导致什么后果？A.P值增大B.P值减小C.检验无效D.需要更大的样本量11.在卡方独立性检验中，如果两个分类变量之间存在很强的相关性，那么通常意味着什么？A.卡方检验的结果不可靠B.卡方检验的结果更可靠C.需要使用其他检验方法D.数据存在系统性偏差12.当卡方检验的P值等于显著性水平时，通常应该怎么解释？A.拒绝原假设B.接受原假设C.检验无效D.需要更大的样本量13.在进行卡方检验时，为什么样本量的大小很重要？A.它影响了检验的准确性B.它决定了检验的显著性水平C.它影响了P值的计算D.它决定了检验的复杂性14.在卡方拟合优度检验中，如果P值小于显著性水平，那么通常应该怎么解释？A.数据符合理论分布B.数据不符合理论分布C.检验无效D.需要更大的样本量15.在进行卡方独立性检验时，如果发现某个单元格的观测频数与期望频数差异很大，那么通常应该怎么处理？A.忽略该单元格B.合并该单元格C.增加样本量D.使用其他检验方法16.在卡方检验中，为什么显著性水平的选择很重要？A.它影响了检验的准确性B.它决定了检验的显著性水平C.它影响了P值的计算D.它决定了检验的复杂性17.在卡方拟合优度检验中，如果理论分布是正态分布，那么通常应该怎么验证？A.使用直方图B.使用Q-Q图C.使用卡方检验D.使用t检验18.在进行卡方独立性检验时，如果两个分类变量之间不存在相关性，那么通常意味着什么？A.卡方检验的结果不可靠B.卡方检验的结果更可靠C.需要使用其他检验方法D.数据存在系统性偏差19.在卡方检验中，为什么期望频数的计算很重要？A.它决定了检验的复杂性B.它影响了P值的计算C.它决定了检验的准确性D.它影响了检验的显著性水平20.在进行卡方拟合优度检验时，如果P值大于显著性水平，那么通常应该怎么解释？A.数据符合理论分布B.数据不符合理论分布C.检验无效D.需要更大的样本量二、填空题（本大题共10小题，每小题2分，共20分。请将答案填写在题中的横线上。）1.在卡方检验中，自由度的计算公式是________。2.当卡方检验的P值小于显著性水平时，通常应该________。3.在进行卡方拟合优度检验时，期望频数的计算通常基于________。4.在卡方独立性检验中，如果发现某个单元格的期望频数小于5，那么通常应该________。5.在卡方检验中，为什么自由度的计算很重要？因为________。6.在进行卡方拟合优度检验时，如果理论分布不正确，那么通常会导致________。7.在卡方独立性检验中，如果两个分类变量之间存在很强的相关性，那么通常意味着________。8.当卡方检验的P值等于显著性水平时，通常应该________。9.在进行卡方检验时，为什么样本量的大小很重要？因为________。10.在卡方检验中，为什么显著性水平的选择很重要？因为________。（请注意，以上内容仅为示例，实际考试中应根据具体教学内容和范围进行调整。）三、简答题（本大题共5小题，每小题4分，共20分。请将答案写在答题纸上，不必抄写题干。）1.简述卡方拟合优度检验的基本原理和应用场景。在课堂上，我曾拿着一个骰子举例，问大家这骰子是不是公平的。我们掷了100次，记录每个点数出现的次数。这时候，如果骰子是公平的，那么每个点数出现的次数应该差不多，比如每个点数出现20次左右。卡方拟合优度检验就是用来判断观测到的频率分布是否符合某个预期的理论分布，比如公平骰子的每个点数出现次数都相等。它通过计算观测频数和期望频数之间的差异，来看这些差异是否足够大以至于不能归因于随机波动。应用场景很广，比如检验生产的产品的合格率是否符合预期，调查的结果是否符合某个理论分布等等。2.解释卡方独立性检验中的期望频数是什么，以及为什么有时候需要合并单元格。在讲解期望频数时，我通常会画一个列联表。期望频数就是在假设两个分类变量相互独立的情况下，根据总样本量和各个分类的边际总和计算出来的“预期”频数。它就像一个理论上的平均值，告诉我们如果两个变量真的没关系，那么每个单元格里大概应该有多少人。比如，如果我们调查吸烟和是否患肺癌的关系，期望频数就是根据总吸烟人数、总不吸烟人数、总患肺癌人数和总没患肺癌人数计算出来的，假设吸烟与否不影响患肺癌的概率。而合并单元格通常是因为某个单元格的期望频数太小，小于5（有时是1）这个阈值。太小的话，卡方统计量的计算就会不太稳定，结果也不太可靠，这时候把相邻的单元格合并起来，可以增大期望频数，使检验更有效。3.描述在进行卡方检验时，如何判断样本量是否足够大。讲到样本量的时候，我强调过，样本量不够大，检验结果就很难有说服力。虽然卡方检验本身对样本量的要求不像t检验或方差分析那么严格，但总得有个大致的把握。一个常用的经验法则是，对于2x2的列联表，每个单元格的期望频数都不应该太小，最好是大于等于5。如果有些单元格期望频数小于5，但大于等于1，并且单元格总数不多，可以考虑继续分析，但最好报告一下这种情况。对于更大的表格，至少应该大部分单元格的期望频数大于等于5，而且没有很多单元格的期望频数非常小。总的来说，样本量越大，检验结果越可靠，但也并非绝对，关键还是看数据本身和期望频数的分布情况。4.比较卡方拟合优度检验和卡方独立性检验的异同点。这两个检验都基于卡方分布，都用来处理分类数据，但目的不同。拟合优度检验是看单个分类变量的观测分布是否符合某个理论分布，回答的是“这个分布对吗？”的问题。独立性检验是看两个分类变量之间是否存在关联，回答的是“这两个变量有关系吗？”的问题。比如，拟合优度可以检验生产的灯泡寿命是否服从正态分布，独立性检验可以检验性别和喜好是否有关联。在计算上，拟合优度检验只有一个总体，计算每个类别的期望频数；独立性检验涉及两个变量，计算列联表中每个单元格的期望频数。它们的自由度计算方式也不同，拟合优度是(类别数-1)，独立性是(行数-1)×(列数-1)。5.举例说明在实际研究中，卡方检验可能遇到的问题以及如何解决。在实际研究里，卡方检验也不是万能的。比如，我曾经遇到一个研究，想看不同年龄段的学生对某个问题的选择是否有差异。数据整理成列联表后，发现有些单元格的期望频数特别小，小于5。这时候，如果强行做卡方检验，结果可能不靠谱。解决方法有几种：一是增加样本量，让期望频数变大；二是合并一些单元格，比如把年龄分段合并得更粗一些，但要小心不能合并掉有意义的差异；三是使用Fisher精确检验，这个方法不依赖大样本近似，适用于小样本或期望频数很小的情况；四是考虑使用其他方法，比如针对有序分类变量的Mantel-Haenszel检验等。四、计算题（本大题共3小题，每小题10分，共30分。请将计算步骤和答案写在答题纸上。）1.某研究者调查了100名大学生对两门课程（A和B）的满意度（满意、一般、不满意），结果如下表所示。假设满意度在两门课程之间没有差异，试进行卡方独立性检验（显著性水平α=0.05）。||课程A|课程B|合计||:--------|:----|:----|:---||满意|30|40|70||一般|20|15|35||不满意|10|15|25||合计|60|70|130|（计算过程：首先，计算每个单元格的期望频数。比如，满意且选择课程A的期望频数是(70×60)/130≈32.31。然后，计算每个单元格的(观测频数-期望频数)²/期望频数。最后，将这些值加起来得到卡方统计量χ²。根据自由度(行数-1)×(列数-1)=2×2=4，查找卡方分布表，找到α=0.05时的临界值，与计算出的χ²比较，判断是否拒绝原假设。）2.一个工厂生产某种产品，理论上红、黄、蓝三种颜色的产品比例应该是3:2:1。随机抽取了200件产品，实际检测到的颜色分布为红75件、黄50件、蓝75件。试进行卡方拟合优度检验（显著性水平α=0.01），判断实际产品颜色分布是否符合理论比例。（计算过程：首先，计算每种颜色的期望频数。比如，红色期望频数是200×(3/6)=100。然后，计算每个类别的(观测频数-期望频数)²/期望频数。最后，将这些值加起来得到卡方统计量χ²。根据自由度(类别数-1)=3-1=2，查找卡方分布表，找到α=0.01时的临界值，与计算出的χ²比较，判断是否拒绝原假设。）3.某医生想知道某种药物对治疗两种不同类型的疾病（疾病1和疾病2）是否有效。他记录了用药后治愈和未治愈的人数，数据如下表所示。试进行卡方独立性检验（显著性水平α=0.10），判断药物对两种疾病的治疗效果是否有差异。||疾病1|疾病2|合计||:--------|:----|:----|:---||治愈|30|45|75||未治愈|70|55|125||合计|100|100|200|（计算过程：首先，计算每个单元格的期望频数。比如，治愈且患有疾病1的期望频数是(75×100)/200=37.5。然后，计算每个单元格的(观测频数-期望频数)²/期望频数。最后，将这些值加起来得到卡方统计量χ²。根据自由度(行数-1)×(列数-1)=1×1=1，查找卡方分布表，找到α=0.10时的临界值，与计算出的χ²比较，判断是否拒绝原假设。）五、论述题（本大题共2小题，每小题15分，共30分。请将答案写在答题纸上，要条理清晰，论点明确。）1.结合你自己的理解，谈谈卡方检验在社会科学研究中的重要性，并举例说明其应用。在社会科学里，我们经常遇到各种分类数据，比如人们的观点、态度、行为、背景信息等等。卡方检验就像一个得力的助手，帮我们分析这些分类数据里是不是藏着什么有趣的模式或关系。它的重要性体现在哪儿呢？首先，它简单直观，不需要像回归分析那样假设数据符合正态分布，对数据的要求相对宽松，很多调查数据、分类记录都可以用。其次，它能回答我们关心的问题，比如不同性别的人对某项政策的支持率有没有差异？不同教育程度的人的消费习惯是否不同？这些都可以用卡方独立性检验来探索。举个例子，我之前参与过一个关于城市居民出行方式的研究，我们收集了居民的年龄、居住地（市区/郊区）、出行方式（公交/地铁/自驾）等数据。用卡方检验可以分析年龄和出行方式之间有没有关联，比如是不是年轻人更倾向于用地铁，或者市区居民更可能自驾。这种分析帮助我们理解了城市生活的不同侧面，为城市规划提供建议。卡方检验通过揭示分类变量间的关联，为我们理解复杂的社会现象提供了基础。2.试述在进行卡方检验时，可能遇到的各种问题，以及针对这些问题可以采取的应对策略。做卡方检验的时候，我们也不能想当然，有时候会遇到一些小麻烦。一个常见的问题是期望频数太小。就像前面说的，如果2x2表中某个单元格的期望频数小于5，或者更大表格中有很多单元格小于5，卡方检验的结论就不太可靠了。这时候怎么办呢？首先，最好的办法是想办法增加样本量，让期望频数变大。如果不行，可以考虑合并一些行或列，把相关的单元格合并在一起，前提是不能丢失重要的信息，并且合并后的单元格里的数据在逻辑上是有意义的。比如，调查不同年龄段对某事的看法，如果青少年组和儿童组期望频数都太小，可以考虑把这两组合并成“年轻群体”。还有一种情况是样本量过大，有时候即使期望频数不小，但样本量极大，微小的差异也可能被检测出来，导致总是拒绝原假设。这时候需要考虑效应量，也就是差异的大小，而不仅仅是P值。另外，卡方检验假设数据是随机抽样得到的，而且分类是相互独立的。如果数据不是随机抽样，或者存在重复测量、关联样本的情况，直接用卡方检验可能就不对了，这时可以考虑使用Fisher精确检验或者针对有序分类数据的非参数检验方法。总之，用卡方检验前，要仔细检查数据，看是否符合假设，如果不符合，就要灵活选用其他方法，或者对结果进行谨慎解释。本次试卷答案如下一、选择题答案及解析1.A解析：卡方检验的核心是检验观测频数与期望频数之间的差异是否显著。如果差异很大，通常表明真实情况与我们的理论假设（比如独立、符合某分布）有出入，这种差异往往是系统性的，而不是随机误差或抽样波动可以解释的。2.B解析：卡方拟合优度检验是用于判断单个样本的观测频率分布是否与其期望的理论频率分布（如正态分布、均匀分布等）存在显著差异。它关注的是整体分布的吻合程度，而不是变量之间的关系。3.A解析：卡方独立性检验的自由度决定了卡方分布的形状，其计算公式为(行数-1)×(列数-1)。自由度的大小直接影响到检验的临界值和敏感度。4.A解析：在统计学中，P值是衡量证据强度的一个指标。当P值小于预设的显著性水平（如0.05）时，意味着观察到的数据发生的概率很小，如果原假设（通常是“无差异”或“无关联”）是真的，那么如此极端的结果几乎不可能出现。因此，我们有理由拒绝原假设，认为存在真实差异或关联。5.B解析：卡方检验中的期望频数是基于原假设（比如独立性或特定分布）和样本数据计算出来的“理论值”。它是如果两个变量独立，或者数据完全符合理论分布时，每个单元格预期应该有的频数。6.A解析：卡方检验的自由度为0意味着列联表只有一个单元格（即行数和列数都减1等于0）。只有一个单元格时，所有观测频数加起来等于样本总数，期望频数也等于总数。此时卡方统计量的计算结果必然为0，无论观测频数如何，因为(观测-期望)^2/期望=0。一个自由度为0的检验没有意义，因为它不能区分任何情况。7.A解析：与P值小于显著性水平的情况相反，当P值很大（通常大于0.05）时，意味着观察到的数据发生的概率很大，即使原假设是真的，这种情况也很可能发生。因此，我们没有足够的证据拒绝原假设，可以认为数据与理论分布没有显著差异，或者说拟合得不错。8.B解析：根据卡方检验的适用条件，当期望频数过小时（通常小于5），卡方近似的有效性会降低，导致结果不可靠。合并单元格可以增加合并后单元格的期望频数，使其满足检验条件，从而得到更稳定、更可靠的检验结果。但合并时必须保证逻辑上合理，且不丢失重要信息。9.B解析：自由度在卡方检验中至关重要，因为它直接影响到卡方分布的临界值。不同的自由度对应不同的卡方分布曲线形状，从而决定了在相同显著性水平下，需要多大的卡方统计量才能拒绝原假设。自由度越高，分布越分散，临界值越大，检验越“严格”。10.B解析：如果理论分布设定错误，比如用正态分布去拟合明显偏态的分布，那么观测频数和基于错误理论分布计算出的期望频数之间会出现系统性偏差，导致计算出的卡方统计量偏大。这会使得P值变小，更容易错误地拒绝原假设，即认为拟合不好，尽管实际数据可能只是不适合那个错误的理论分布。11.B解析：卡方独立性检验的结果（P值）本身就反映了两个分类变量之间关联的强度和显著性。如果检验结果显示P值很小（小于显著性水平），通常意味着两个变量之间存在显著的统计关联。变量间关联越强，观测频数与期望频数的差异通常越大，计算出的卡方统计量也越大，P值越小。12.B解析：当P值等于显著性水平（如0.05）时，处于拒绝原假设和保留原假设的临界点上。根据常见的统计推断原则（如Bonferroni修正的严格版本或某些领域的惯例），P值等于α时倾向于保留原假设，除非有非常强的理由或非严格的标准要求拒绝。更常见的是，如果采用更保守的α（如0.01），P=0.05就意味着不拒绝。13.A解析：样本量的大小直接影响卡方检验的效力（即检测到真实差异的能力）和结果的稳定性。样本量越大，观测频数通常越多，期望频数也相应增大，这使得卡方统计量对真实存在的差异更敏感。同时，样本量大时，期望频数不太可能过小，有利于卡方近似的有效性，使检验结果更可靠。14.B解析：这与P值小于显著性水平的情况相反。当P值大于显著性水平时，意味着观察到的数据即使在原假设（比如两个变量独立）为真的情况下，发生的概率也是可以接受的。因此，我们没有足够的统计证据去否定原假设，结论是接受原假设，或者说数据与理论分布没有显著差异。15.B解析：当某个单元格的观测频数与期望频数差异很大时，这意味着该单元格的(观测-期望)²/期望这一项在卡方统计量中贡献很大。为了使整个卡方统计量不至于过大而错误地拒绝原假设，或者为了使检验更稳定，一个常见的处理方法是将这个单元格与其邻近的单元格（通常是行或列方向上）合并，以增大合并后单元格的期望频数。16.B解析：显著性水平（α）是我们自己设定的一个阈值，用来决定在多大程度上愿意冒险错误地拒绝原假设（第一类错误）。选择不同的α值会直接影响检验的“严格”程度。选择α=0.01比选择α=0.05更严格，意味着需要更强的证据（更小的P值）才拒绝原假设。因此，显著性水平的选择直接决定了我们做出“拒绝原假设”这个结论的门槛。17.B解析：如果理论分布是正态分布，要验证实际数据是否符合，除了卡方拟合优度检验（通常要求样本量较大），更常用和推荐的方法是绘制Q-Q（Quantile-Quantile）图。Q-Q图将数据的分位数与理论分布（这里是正态分布）的分位数进行比较，如果数据点大致落在一条直线上，则说明数据与正态分布拟合得较好。卡方拟合优度检验对正态分布的检验相对不是最直接或最敏感的方法。18.B解析：如果卡方独立性检验结果显示P值很大（大于显著性水平），意味着没有足够的证据表明两个分类变量之间存在统计上的显著关联。这通常被解释为两个变量之间没有显著关系，或者说它们是相互独立的。这与发现显著关联（P值小）形成了对比。19.B解析：期望频数的计算是卡方检验的基础，它提供了比较的基准。卡方统计量是通过比较观测频数（实际发生的情况）和期望频数（基于假设发生的情况）之间的差异来构建的。如果期望频数计算错误或不当，那么卡方统计量的计算和随后的P值判断都将失去意义，检验结果自然不可靠。因此，正确计算期望频数至关重要，它直接影响P值的计算。20.A解析：这与P值小于显著性水平的情况相反。当P值大于显著性水平时，意味着观察到的数据即使在原假设（比如数据符合某个理论分布）为真的情况下，发生的概率也是可以接受的。因此，我们没有足够的统计证据去否定原假设，结论是接受原假设，或者说数据与理论分布没有显著差异，或者说符合理论分布。二、填空题答案及解析1.(行数-1)×(列数-1)解析：这是卡方独立性检验中自由度的标准计算公式。它反映了列联表中可以自由变化的单元格数量的最大值，决定了卡方分布的形状，进而影响检验的临界值和结论。2.拒绝原假设解析：这是统计推断中的标准决策规则。当P值小于预设的显著性水平α时，表明观测到的数据与原假设所描述的情况出现得过于偶然，不足以用随机性来解释。因此，有足够的统计证据支持反面观点，即拒绝原假设。3.理论分布解析：在进行卡方拟合优度检验时，我们需要一个预期的理论分布作为比较的标准。这个理论分布可以是已知的理论模型（如正态分布、二项分布），也可以是基于经验或假设的分布。检验的目的就是看实际观测到的频率分布是否显著偏离这个理论分布。4.合并单元格解析：当列联表中某个单元格的期望频数过小时（通常小于5），直接使用卡方检验可能会导致结果不稳定或不可靠。为了解决这个问题，一个常用的方法是将这个期望频数小的单元格与其相邻的单元格（通常是行或列方向上）合并，形成一个新的单元格。合并可以增大新单元格的期望频数，使其满足检验的常规要求。5.它决定了检验的显著性水平解析：自由度本身并不直接决定我们设定的显著性水平（α），但它与α共同决定了卡方统计量需要多大才能拒绝原假设。对于给定的α和自由度，存在一个临界值。自由度越高，对应的卡方分布越分散，临界值越大，意味着需要更大的卡方统计量才能在α水平下拒绝原假设。可以说，自由度是卡方检验严格性的一个内在组成部分。6.P值会增大解析：如果理论分布设定错误，导致观测频数与基于错误理论分布计算出的期望频数之间差异很大（即使随机波动也可能导致），计算出的卡方统计量会偏大。根据卡方分布的性质，更大的统计量对应着更小的P值。但如果理论分布错误得让P值增大（这不太常见，通常错误导致P值减小），那么意味着卡方统计量变小，即观测与期望的差异不显著，从而更容易接受原假设（拟合良好）。7.两个分类变量之间存在显著的统计关联解析：卡方独立性检验的目的是判断两个分类变量之间是否存在关联或关系。如果检验结果显示P值显著（小于α），则表明有足够的统计证据表明这两个变量不是独立的，它们之间存在某种程度的关联。关联的强度通常需要结合卡方统计量的大小或Cramer'sV等指标来解读，但显著性本身证明了关联的存在。8.接受原假设解析：与P值小于显著性水平的情况相反。当P值等于α时，根据一些统计推断规则（如精确的α=0.05临界点判断或某些领域的惯例），倾向于不拒绝原假设。这意味着观察到的数据在原假设为真的情况下发生的概率正好处于我们可以接受的边缘。结论是保留原假设，或者说没有足够证据表明差异或关联存在。9.它影响了检验的准确性解析：样本量的大小是影响统计检验准确性的关键因素之一。样本量越大，检验通常越准确，能够更可靠地检测出真实存在的差异或关联（更高的统计效力）。同时，较大的样本量也使得期望频数增大，减少卡方近似失效的风险。样本量小则可能导致检验准确性下降，更容易受到随机波动影响。10.它决定了检验的显著性水平解析：这个填空与第5题相同。显著性水平（α）是我们预先设定的判断标准，用来控制第一类错误的概率。选择α值（如0.05,0.01）直接决定了我们做出“拒绝原假设”这一结论的门槛高低。α值越小，检验越严格，越不容易拒绝原假设；α值越大，检验越宽松。因此，显著性水平的选择直接定义了检验的严格程度。三、简答题答案及解析1.卡方拟合优度检验的基本原理是比较样本观测到的某个分类变量的频率分布与预期的理论频率分布之间的差异。它假设样本是从一个具有特定理论分布的总体中随机抽取的。检验通过计算每个类别的观测频数（O）和基于理论分布计算出的期望频数（E）之间的差异的加权平方和（Σ(O-E)²/E），得到一个卡方统计量χ²。如果χ²值很大，超过了在给定自由度（类别数-1）和显著性水平下卡方分布的临界值，就拒绝原假设，认为观测分布与理论分布存在显著差异；否则，认为没有足够证据拒绝原假设，可以认为观测分布拟合理论分布。应用场景非常广泛，比如检验一枚骰子是否均匀、调查的样本结果是否符合预期的投票比例、产品的合格率是否符合标准等等，只要涉及到将数据分类并比较观测频率与理论频率。2.期望频数是在卡方独立性检验中，基于原假设（比如两个分类变量相互独立）和样本的总人数以及各分类的边际总和计算出来的理论频数。它代表了如果两个变量真的独立，那么在样本总数不变的情况下，每个单元格预期应该有多少个观察单位。计算方法是：期望频数=(该行总人数×该列总人数)/样本总人数。例如，在2x2表中，单元格(1,1)的期望频数=(行1总人数×列1总人数)/总人数。在卡方检验中，我们将每个单元格的(观测频数-期望频数)²除以期望频数，然后求和，得到卡方统计量χ²。期望频数是判断观测到的差异是否过大的基准。而有时候，某个单元格的期望频数太小（通常小于5，有时是1），会使得卡方统计量的计算结果不稳定，其近似服从卡方分布的性质可能失效，导致检验结果不可靠。解决这个问题的常用策略是合并相邻的单元格，以增大合并后单元格的期望频数，使其满足检验的常规要求。3.判断卡方检验样本量是否足够大，没有一个绝对统一的硬性规定，但通常有两个方面的考虑：一是期望频数的分布，二是统计推断的效力。首先，根据经验法则，尤其是在2x2列联表中，最好确保所有单元格的期望频数都不小于5。如果有些单元格的期望频数小于5，特别是小于1，卡方检验的有效性会降低。这时可以考虑合并单元格，或者使用Fisher精确检验（适用于2x2表期望频数过小的情况）。对于更大的表格，虽然不要求每个单元格都>=5，但通常希望至少有80%-90%以上的单元格期望频数>=5，且没有很多单元格期望频数非常小。其次，样本量的大小也影响检验的效力，即检测到真实差异的能力。样本量越大，检验的效力通常越高，越能检测出微小的差异。但样本量过大也可能导致即使是很小的、无实际意义的差异也被检测出来。因此，判断样本量是否足够，不仅要看期望频数，还要结合研究目的和实际数据情况综合判断。4.卡方拟合优度检验和卡方独立性检验都是基于卡方分布进行的统计推断方法，都处理分类数据，但它们的目的、假设和应用场景有显著区别。卡方拟合优度检验主要用于判断单个分类变量样本的观测频率分布是否与其预期的理论频率分布（如正态分布、均匀分布等）存在显著差异。它的核心是“分布对不对？”，检验的是整体分布的吻合度。例如，检验一批产品的颜色分布是否符合3:2:1的理论比例。而卡方独立性检验则用于判断两个分类变量之间是否存在关联或关系。它的核心是“有关系吗？”，检验的是变量间的独立性假设。例如，检验性别与喜好（如喜欢苹果还是香蕉）是否有关联。在计算上，拟合优度检验计算每个类别的期望频数，独立性检验计算列联表中每个单元格的期望频数。它们的自由度计算也不同：拟合优度是类别数减1，独立性是(行数-1)乘以(列数-1)。简单来说，拟合优度看“一个”分布怎么样，独立性看“两个”变量有没有关系。5.在实际研究中进行卡方检验时可能遇到的问题主要有：期望频数过小，如2x2表中单元格期望频数小于5，或更大表中有很多单元格小于5，这会导致卡方近似失效，结果不可靠；样本量过大，虽然期望频数可能满足要求，但可能导致检测到微小的、无实际意义的差异，即第一类错误概率虚高，需要关注效应量；数据不满足随机抽样或独立性的假设，比如存在重复测量、聚类抽样或关联样本，直接用独立性检验可能不合适；理论分布设定错误，比如用不适合的理论分布去拟合数据，导致期望频数与观测频数差异被错误放大或缩小；列联表设计不合理，比如分类过粗或过细，影响了检验的敏感性和解释性。针对这些问题，可以采取的应对策略包括：增加样本量以增大期望频数；合并单元格（需谨慎，确保逻辑合理）；使用Fisher精确检验（尤其适用于2x2表）；对于关联样本，使用针对有序分类变量的非参数检验（如Mantel-Haenszel检验）；检查并修正理论分布设定；优化列联表设计；在解释结果时，结合效应量和研究背景进行审慎说明。四、计算题答案及解析1.解析：此题是卡方独立性检验。首先，计算每个单元格的期望频数。例如，满意且选择课程A的期望频数E₁₁=(70×60)/130≈32.31；满意且选择课程B的E₁₂=(70×70)/130≈37.69；一般且选择课程A的E₂₁=(35×60)/130≈16.15；一般且选择课程B的E₂₂=(35×70)/130≈18.85；不满意且选择课程A的E₃₁=(25×60)/130≈11.54；不满意且选择课程B的E₃₂=(25×70)/130≈13.46。然后，计算卡方统计量χ²：χ²=Σ(观测频数-期望频数)²/期望频数χ²=(30-32.31)²/32.31+(40-37.69)²/37.69+(20-16.15)²/16.15+(15-18.85)²/18.85+(10-11.54)²/11.54+(15-13.46)²/13.46χ²≈(-2.31)²/32.31+(2.31)²/37.69+(3.85)²/16.15+(-3.85)²/18.85+(-1.54)²/11.54+(1.54)²/13.46χ²≈5.34/32.31+5.34/37.69+14.82/16.15+14.82/18.85+2.37/11.54+2.37/13.46χ²≈0.165+0.141+0.915+0.785+0.205+0.176χ²≈2.437自由度df=(行数-1)×(列数-1)=(3-1)×(2-1)=2查卡方分布表，α=0.05，df=2，临界值约为5.991。因为计算出的χ²(2.437)<临界值(5.991)，所以P值>0.05。结论：在α=0.05的显著性水平下，没有足够的证据拒绝原假设，即认为满意度与课程选择之间没有显著差异。2.解析：此题是卡方拟合优度检验。理论比例是3:2:1，总样本量是200。首先，计算每种颜色的期望频数。红色E₁=200×(3/(3+2+1))=200×(3/6)=100；黄色E₂=200×(2/6)=200×(1/3)≈66.67；蓝色E₃=200×(1/6)≈33.33。然后，计算卡方统计量χ²：χ²=Σ(观测频数-期望频数)²/期望频数χ²=(75-100)²/100+(50-66.67)²/66.67+(75-33.33)²/33.33χ²=(-25)²/100+(-16.67)²/66.67+(41.67)²/33.33χ²=625/100+278.89/66.67+1736.11/33.33χ²=6.25+4.17+52.00χ²≈62.42自由度df=(类别数-1)=3-1=2查卡方分布表，α=0.01，df=2，临界值约为9.210。因为计算出的χ²(62.42)>临界值(9.210)，所以P值<0.01。结论：在α=0.01的显著性水平下，有足够的证据拒绝原假设，即认为实际产品颜色分布与理论比例3:2:1存在显著差异。3.解析：此题是卡方独立性检验。首先，计算每个单元格的期望频数。例如，治愈且患有疾病1的期望频数E₁₁=(75×100)/200=37.5；治愈且患有疾病2的E₁₂=(75×100)/200=37.5；未治愈且患有疾病1的E₂₁=(125×100)/200=62.5；未治愈且患有疾病2的E₂₂=(125×100)/200=62.5。然后，计算卡方统计量χ²：χ²=Σ(观测频数-期望频数)²/期望频数χ²=(30-37.5)²/37.5+(45-37.5)²/37.5+(70-62.5)²/62.5+(55-62.5)²/