下载文档原格式
第一页PPT：同学们好，我们今天来一起学习卡方检验的基本思想。
第二页PPT：我们看一个研究案例，某神经内科医师欲比较A、B两种药物治疗脑血栓病人的疗效，将病情轻重、病程相近且满足实验人选标准的200例脑血管栓塞患者随机分为两组，结果见表1。
问两药治疗近期有效率是否有差别？请同学们思考一个问题，结合已学的知识关于两个率的比较我们会使用什么方法呢，那我们继续带着这个问题进入到我们今天的课程学习。
第三页PPT：这节课需要掌握的理论知识有：1.X2检验的定义、主要用途2.X2分布、X2检验的基本思想（这是重点内容）以及应用完全随机设计的四格表X2检验方法是我们这节课的难点内容。
第四页PPT：离散型概率分布有二项分布和泊松分布基于二项分布的假设检验方法可以做两样本率比较的检验问题，条件是np、n(1-p)均大于5，可以做Z检验进行，也是解决我们的案例问题。
第五页PPT:在医学研究中，进行两组或多组样本的总体率（或构成比)之间的差别是否具有统计学意义，X2检验(chi-square test)是解决此类问题较为常用的统计方法，。
X2检验是英国统计学家K.Pearson提出的一种具有广泛用途的假设检验方法，常用于分类变量资料的统计推断。
第六页PPT：X2检验主要用于：1.推断两个及多个总体率或总体构成比之间有无差别2.两种属性或两个变量之间有无关联性3.频数分布的拟合优度检验4.百分率线性趋势检验第七页PPT：我们来继续看我们的案例，两药有效率的比较问题。
表中我们A 药、B药的有效和无效分别为99、5、75、21，我们可以用a.b.c.d 来表示，表中其余的数据是由abcd这4个数据推算出来，我们习惯将这种资料形式称为四格表。
为什么叫四个表因为它有效的就是四个格子。
a.b.c.d是我们实际观察所得到的频数，我们叫实际频数（actual frequency），用A表示。
根据我们的研究目的，我们要比较两个率是否有差别的问题。
卡方检验医学统计学卡方检验是医学统计学中最常用的检验方法之一，它可用于测量两组数据之间的关联性。
在研究中，我们常常需要探究二者之间是否存在某种关联，卡方检验就是我们解决这个问题的利器。
卡方检验的原理卡方检验的原理是基于期望频数和实际频数的差异来检验两个变量之间的关系。
期望频数指的是在假设两个变量独立的情况下，我们可以根据样本量和其他条件，计算出不同组之间的理论值。
而实际频数则是实验中观察到的实际结果。
卡方检验的步骤如下：1.建立零假设和备择假设。
零假设指的是假设两个变量之间不存在任何关系，备择假设则是反之。
2.确定显著性水平 alpha，通常取值为0.05。
3.构建卡方检验统计量。
计算方法为将所有观察值与期望值的差平方后，再除以期望值的总和。
4.根据自由度和显著性水平，查卡方分布表得到 P 值。
5.如果 P 值小于显著性水平，拒绝零假设；否则无法拒绝零假设。
卡方检验的应用卡方检验可以应用于多个领域，其中医学统计学是最为常见的一个。
卡方检验可以用来分析两个疾病之间的相关性或者测量一种治疗方法的效果。
举个例子，某药厂要研发一种新的药物来治疗心脏病。
为了验证该药的疗效，实验组和对照组各50 人。
在 6 个月的治疗后，实验组和对照组中分别有 10 人和 15 人痊愈了。
卡方检验的作用就在于此时可以用来检验两组之间的差异是否具有统计学意义。
除了医学统计学之外，卡方检验在社会学、心理学、市场营销、物理等领域也都有广泛应用。
卡方检验的限制虽然卡方检验被广泛应用于各种实验和研究中，但它也有着自己的限制。
其中比较明显的一点就是对样本量有一定的要求。
当样本量较小的时候，期望频数的计算就会出现一定的误差，进而导致检验结果不准确。
此外，在面对非常态分布数据时，卡方检验也会出现问题。
当数据呈现正态分布时，卡方检验的准确性最高。
然而，实际上，很多数据都呈现出非正态分布，这时需要使用一些修正方法来解决。
卡方检验是医学统计学中最常用的统计方法之一，它可以用来测量两个变量之间的关联性。
医学统计方法之卡方检验卡方检验，又称卡方分布检验（Chi-Square Test），是一种常用的统计方法，用于检验两个或多个分类变量之间是否存在显著差异。
本文将详细介绍卡方检验的原理、应用范围以及具体的步骤。
一、原理：卡方检验的原理是基于卡方分布的性质。
卡方分布是指具有自由度的正态分布的平方和，记为χ^2(k)，其中k为自由度。
在卡方检验中，我们将观察到的频数与理论预期频数进行比较，从而判断两个或多个分类变量之间的差异是否显著。
二、应用范围：卡方检验广泛应用于医学研究中的数据分析，尤其是在对两个或多个分类变量之间的关联进行检验时。
常见的应用场景包括但不限于以下几种：1.检验观察频数与理论预期频数之间的差异，以判断观察结果是否与理论预期相符。
2.检验两个或多个分类变量之间的关联性，以确定它们之间是否存在显著的相关性。
3.比较两个或多个群体在一个或多个分类变量上的分布差异，从而判断它们之间是否存在显著差异。
三、步骤：卡方检验的主要步骤包括以下几个：1. 建立假设：首先需要明确检验的假设。
在卡方检验中，通常有两种假设：“原假设”（null hypothesis，H0）和“备择假设”（alternative hypothesis，H1）。
原假设通常表示没有差异或关联，备择假设则表示存在差异或关联。
2.计算期望频数：根据原假设，计算出理论预期频数。
理论预期频数是基于既定的分布假设和样本总体的参数计算得出的。
3.计算卡方值：将观察频数与理论预期频数进行比较，计算出卡方值。
卡方值是观察频数与理论预期频数之间的差异的平方和。
4.确定自由度：根据检验问题的具体情况确定自由度。
在卡方检验中，自由度通常由分类变量的水平数目决定。
5.查表找出p值：根据卡方分布表，找出相应自由度下的临界值。
将计算得到的卡方值与临界值进行比较，确定其显著性水平。
p值是指在原假设成立的前提下，观察到的差异大于或等于当前差异的概率。
6.做出判断：根据p值与显著性水平的比较，做出判断是否拒绝原假设。
医学统计方法之卡方检验卡方检验（Chi-square test）是一种常用的医学统计方法，用于比较观察频数与期望频数的差异，以判断两个或多个类别变量之间是否存在相关性或差异。
卡方检验适用于分类数据的分析，常用于研究疾病与相关因素的关系、药物与不良反应的关系等。
卡方检验的基本原理是通过计算观察频数与期望频数之间的差异，并比较差异的程度来判断两个或多个分类变量之间的关联性。
卡方值越大，观察频数与期望频数之间的差异越大，相关性越显著。
卡方检验的零假设（Null hypothesis）是假设变量之间没有关联性，即观察频数与期望频数之间的差异是由随机误差引起的。
卡方检验的计算步骤如下：1.建立零假设与备择假设。
例如，我们想要研究其中一种药物与不良反应的关系，零假设可以是“该药物与不良反应之间没有关联性”，备择假设可以是“该药物与不良反应之间存在关联性”。
2.构建两个变量的列联表，计算观察频数。
列联表是将两个或多个分类变量交叉组合生成的一个二维表格。
例如，我们可以将药物使用与不良反应按行和列分别组合，得到一个2×2的列联表。
3.计算期望频数。
期望频数是在零假设成立的情况下，根据总体总数和变量之间的独立性计算的理论频数。
期望频数可以通过计算每个组合的行合计、列合计以及总体合计来得到。
4.计算卡方值。
卡方值是观察频数与期望频数之间的差异的平方和除以期望频数的总和，即卡方值=Σ((O-E)²/E)，其中O为观察频数，E为期望频数。
5.比较卡方值与临界值。
通过查找卡方分布表，根据给定的显著性水平（一般为0.05或0.01），确定临界值。
如果卡方值大于临界值，则拒绝零假设，认为两个变量之间存在关联性。
如果卡方值小于等于临界值，则无法拒绝零假设，认为两个变量之间不存在关联性。
6.进行推论。
如果拒绝零假设，可以推断两个变量之间存在关联性。
反之，如果无法拒绝零假设，不能推断两个变量之间存在关联性。
需要注意的是，卡方检验对样本容量有一定要求，通常要求每个格子的期望频数不低于5、如果期望频数低于5，需要采取合适的修正方法或使用其他适用于小样本的检验方法。
