Testy statystyczne
Test chi² dopasowania
Kiedy stosować i jak interpretować wyniki
Test chi-kwadrat dopasowania (ang. chi-squared goodness of fit test) odpowiada na jedno z fundamentalnych pytań statystyki: czy moje dane pochodzą z określonego rozkładu? Czy wyniki ankiety są rozłożone równomiernie? Czy liczba zdarzeń na dobę pasuje do rozkładu Poissona? Czy odpowiedzi respondentów nie są przypadkowe?
To jeden z najczęściej stosowanych testów statystycznych w naukach społecznych, biologii, marketingu i kontroli jakości. W tym artykule dowiesz się kiedy go używać, jak przeprowadzić obliczenia krok po kroku i jak poprawnie opisać wyniki w standardzie APA 7.
Czym jest test chi² dopasowania?
Test chi² dopasowania weryfikuje hipotezę zerową zakładającą, że zaobserwowane częstości w kategoriach odpowiadają częstościom oczekiwanym według przyjętego rozkładu teoretycznego.
Hipoteza zerowa (H₀): Rozkład obserwowany nie różni się istotnie od rozkładu oczekiwanego.
Hipoteza alternatywna (H₁): Rozkład obserwowany istotnie różni się od rozkładu oczekiwanego.
Intuicja jest prosta: jeśli rzucasz monetą 100 razy i otrzymujesz 70 orłów i 30 reszek, czy to wciąż może być uczciwa moneta? Test chi² dopasowania daje odpowiedź na to pytanie w sposób formalny i statystycznie rygorystyczny.
Kiedy stosować test chi² dopasowania?
Test chi² dopasowania jest odpowiedni gdy:
- Masz dane kategoryczne — zmienna przyjmuje skończoną liczbę wartości (odpowiedzi, kategorii, przedziałów)
- Chcesz porównać rozkład obserwowany z teoretycznym — równomiernym, normalnym, Poissona lub własnym
- n ≥ 30 i wszystkie oczekiwane częstości E ≥ 5 (założenie omówione szczegółowo poniżej)
Typowe zastosowania
Nauki społeczne i psychologia
- Czy odpowiedzi na pytanie skalowe (1–5) są rozłożone równomiernie, czy respondenci preferują skrajne wartości?
- Czy wybory respondentów między 4 opcjami odpowiadają losowości (25% każda)?
Marketing i badania rynku
- Czy udział w rynku 4 marek odpowiada historycznym prognozom?
- Czy dystrybucja zakupów w tygodniu jest równomierna?
Biologia i medycyna
- Czy częstość mutacji genetycznych odpowiada prawom Mendla (3:1)?
- Czy liczba zgłoszeń na izbę przyjęć na godzinę pasuje do rozkładu Poissona?
Kontrola jakości
- Czy wady produkcyjne rozkładają się równomiernie między liniami produkcyjnymi?
Czym różni się od testu chi² niezależności?
Oba testy używają tej samej statystyki χ², ale odpowiadają na różne pytania:
| Test | Pytanie | Dane |
|---|---|---|
| Chi² dopasowania | Czy rozkład zmiennej pasuje do oczekiwanego? | Jedna zmienna |
| Chi² niezależności | Czy dwie zmienne są od siebie niezależne? | Dwie zmienne — tabela kontyngencji |
Wzór na statystykę chi²
Statystyka testowa obliczana jest ze wzoru:
χ² = Σ [(O − E)² / E]
gdzie:
- O — częstość obserwowana w kategorii i
- E — częstość oczekiwana w kategorii i według rozkładu teoretycznego
- Σ — suma po wszystkich k kategoriach
Intuicja wzoru: dla każdej kategorii obliczamy kwadrat różnicy między tym co zaobserwowaliśmy a tym czego oczekiwaliśmy, podzielony przez wartość oczekiwaną (normalizacja). Duże rozbieżności → duże χ² → mniejsze p → odrzucamy H₀.
Obliczenia krok po kroku — przykład
Scenariusz: preferencje smakowe
Badamy 120 klientów kawiarni pytając o ulubiony smak lodów: wanilia, czekolada, truskawka, pistacja. Jeśli preferencje są losowe, każdy smak powinien być wybierany przez 25% respondentów (rozkład równomierny).
Wyniki obserwowane:
- Wanilia: 42
- Czekolada: 38
- Truskawka: 24
- Pistacja: 16
- Łącznie: n = 120
Krok 1. Oblicz oczekiwane częstości
E = n / k = 120 / 4 = 30 dla każdej kategorii
Krok 2. Oblicz wkłady do χ²
| Kategoria | O | E | O − E | (O − E)² | (O − E)² / E |
|---|---|---|---|---|---|
| Wanilia | 42 | 30 | +12 | 144 | 4.800 |
| Czekolada | 38 | 30 | +8 | 64 | 2.133 |
| Truskawka | 24 | 30 | −6 | 36 | 1.200 |
| Pistacja | 16 | 30 | −14 | 196 | 6.533 |
| Σ | 120 | 120 | 14.667 |
χ² = 14.667
Krok 3. Stopnie swobody
df = k − 1 = 4 − 1 = 3
(Dla rozkładu równomiernego nie estymujemy żadnych parametrów z danych, więc df = k − 1.)
Krok 4. p-wartość
Dla χ²(3) = 14.667: p = .002
Interpretacja: p < 0.05, odrzucamy H₀. Preferencje smakowe klientów nie są równomiernie rozłożone — istnieją istotne różnice w popularności smaków.
Wkłady do χ² pokazują że największe rozbieżności dotyczą wanilii (+12 więcej niż oczekiwano) i pistacji (−14 mniej niż oczekiwano).
Rozkłady oczekiwane — cztery warianty
1. Rozkład równomierny
Każda z k kategorii ma takie samo prawdopodobieństwo: p = 1/k.
E = n / k dla każdej kategorii.
Przykład: sprawdzanie czy respondenci losowo wybierają odpowiedzi w teście, czy wyniki rzutu kostką są uczciwe.
2. Rozkład określony przez teorię
Masz z góry założone proporcje wynikające z teorii lub wcześniejszych badań.
Przykład: genetyka mendlowska — krzyżowanie grochu powinno dawać stosunek 3:1 (żółty:zielony). Jeśli obserwujesz 320 żółtych i 80 zielonych nasion (n=400):
- E(żółte) = 400 × 0.75 = 300
- E(zielone) = 400 × 0.25 = 100
3. Rozkład Poissona
Gdy zmienne opisują liczbę zdarzeń rzadkich w jednostce czasu/przestrzeni. Parametr λ estymowany jest ze średniej danych — dlatego df = k − 1 − 1 = k − 2.
Przykład: liczba wypadków na odcinku drogi w ciągu tygodnia, liczba e-maili na godzinę.
4. Rozkład normalny
Sprawdzanie normalności rozkładu danych pogrupowanych w przedziały. Estymujemy μ i σ ze danych, więc df = k − 1 − 2 = k − 3.
Uwaga: dla surowych danych numerycznych lepszym narzędziem jest test Shapiro-Wilka lub Kołmogorowa-Smirnowa — test chi² dopasowania traci moc przy normalności gdy dane są zgrupowane w nieliczne klasy.
Założenia testu chi² dopasowania
Przed przystąpieniem do analizy sprawdź czy spełnione są następujące warunki:
1. Losowa próba Obserwacje powinny być niezależne i pobrane losowo z populacji.
2. Dane kategoryczne Zmienna musi przyjmować skończoną liczbę wartości. Dane ciągłe wymagają pogrupowania w przedziały.
3. Wystarczająca liczebność: E ≥ 5 Najważniejsze założenie: każda oczekiwana częstość musi wynosić co najmniej 5. Gdy E < 5 dla jednej lub więcej kategorii — test staje się nieprecyzyjny.
Co robić gdy E < 5?
- Połącz sąsiednie kategorie (np. „rzadko” i „nigdy” w jedną)
- Zwiększ próbę
- Użyj dokładnego testu Fishera (dla małych tabel 2×2)
4. Minimalna liczba obserwacji Przyjmuje się n ≥ 30, choć ważniejszy jest warunek E ≥ 5.
Standaryzowane reszty — gdzie leży problem?
Globalne p-wartość informuje tylko czy ogółem rozkład pasuje. Standaryzowane reszty mówią które kategorie najbardziej odbiegają od oczekiwań:
e_i = (O_i − E_i) / √E_i
| Wartość |e| | Interpretacja | |—|—| | < 1 | Dobra zgodność w tej kategorii | | 1 − 2 | Umiarkowane odchylenie | | > 2 | Istotne odchylenie — ta kategoria „psuje” dopasowanie |
W przykładzie z lodami:
- Wanilia: e = (42−30)/√30 = +2.19 → istotnie ponad oczekiwania
- Pistacja: e = (16−30)/√30 = −2.56 → istotnie poniżej oczekiwań
Wielkość efektu — w Cohena
Samo p < 0.05 nie mówi jak dużo. Miarą wielkości efektu dla testu chi² dopasowania jest w Cohena:
w = √(χ² / n)
| Wartość w | Interpretacja |
|---|---|
| ≥ 0.50 | Duży efekt |
| 0.30 − 0.49 | Średni efekt |
| 0.10 − 0.29 | Mały efekt |
W przykładzie z lodami: w = √(14.667/120) = 0.35 — średni efekt. Preferencje smakowe różnią się od równomiernych w sposób umiarkowany.
Zawsze raportuj w obok p-wartości — szczególnie przy dużych próbach, gdzie nawet małe, praktycznie nieistotne różnice dają p < 0.001.
Raportowanie wyników — standard APA 7
Wzór opisu
Przeprowadzono test chi-kwadrat dopasowania w celu sprawdzenia czy preferencje smakowe 120 klientów odpowiadają rozkładowi równomiernemu. Wyniki wskazują na istotną statystycznie różnicę między rozkładem obserwowanym a oczekiwanym, χ²(3, N = 120) = 14.67, p = .002, w = 0.35. Klienci preferowali wanilię (n = 42) i czekoladę (n = 38) ponad oczekiwany poziom równomierny (n = 30 dla każdej kategorii), podczas gdy pistacja była wybierana istotnie rzadziej (n = 16).
Format cytowania wyników
χ²(df, N = n) = wartość, p = wartość, w = wartość
Przykłady:
- χ²(3, N = 120) = 14.67, p = .002, w = 0.35
- χ²(1, N = 50) = 3.84, p = .050, w = 0.28
- χ²(4, N = 200) = 2.13, p = .712 n.s., w = 0.10
Co musi znaleźć się w raporcie
- Wartość statystyki χ² z df i N
- p-wartość
- Miara efektu (w Cohena)
- Wartości obserwowane i oczekiwane (w tekście lub tabeli)
- Interpretacja — które kategorie najsilniej odchylają się od oczekiwań
Typowe błędy i jak ich unikać
Błąd 1. Ignorowanie warunku E ≥ 5 Najczęstszy błąd — raportowanie wyników bez sprawdzenia czy oczekiwane częstości są wystarczające. Zawsze sprawdzaj E dla każdej kategorii i jeśli E < 5 — połącz kategorie lub wspomnij o tym ograniczeniu.
Błąd 2. Mylenie chi² dopasowania z chi² niezależności Oba testy mają tę samą statystykę, ale różne dane wejściowe i pytania badawcze. Chi² dopasowania działa na jednej zmiennej, chi² niezależności na tabeli krzyżowej dwóch zmiennych.
Błąd 3. Raportowanie tylko p-wartości Przy n = 1000 nawet bardzo małe odstępstwo od rozkładu da p < 0.001, ale efekt może być minimalny. Zawsze raportuj w Cohena.
Błąd 4. Zbyt wiele kategorii przy małej próbie 10 kategorii przy n = 40 daje E = 4 dla każdej — warunek E ≥ 5 jest naruszony. Zredukuj liczbę kategorii.
Błąd 5. Stosowanie testu do danych ciągłych bez uzasadnienia Pogrupowanie danych ciągłych w przedziały prowadzi do utraty informacji i wrażliwości testu. Dla danych ciągłych użyj testu Shapiro-Wilka lub Kołmogorowa-Smirnowa.
Przykłady z różnych dziedzin
Psychologia — skala Likerta
Badanie: 150 studentów ocenia trudność egzaminu w skali 1–5. Czy rozkład odpowiedzi jest równomierny?
Wyniki: 1 (bardzo łatwy) = 12, 2 = 22, 3 = 58, 4 = 41, 5 (bardzo trudny) = 17
E = 150/5 = 30 dla każdej odpowiedzi
χ²(4, N = 150) = 42.8, p < .001, w = 0.53 — duży efekt. Studenci zdecydowanie oceniali egzamin jako trudny (kategorie 3–4 ponad oczekiwania, kategoria 1 poniżej).
Genetyka — prawa Mendla
Krzyżowanie roślin dało 315 gładkich żółtych, 101 pomarszczonych żółtych, 108 gładkich zielonych i 32 pomarszczone zielone (n = 556). Oczekiwany stosunek mendlowski: 9:3:3:1.
E = [312.75, 104.25, 104.25, 34.75]
χ²(3, N = 556) = 0.47, p = .925 n.s., w = 0.03 — brak istotnych różnic. Wyniki są zgodne z prawami Mendla.
Marketing — sprzedaż w dniach tygodnia
Sklep internetowy obserwuje 840 transakcji w tygodniu. Czy sprzedaż jest równomiernie rozłożona?
E = 840/7 = 120 na dzień. Obserwowane: Pn 98, Wt 112, Śr 128, Cz 135, Pt 168, So 122, Nd 77.
χ²(6, N = 840) = 38.4, p < .001, w = 0.21 — mały/średni efekt. Piątek ma wyraźnie wyższą sprzedaż, niedziela niższą.
Wykonaj test chi² dopasowania online
Na statystyka24.pl możesz przeprowadzić pełny test chi² dopasowania w kilka sekund:
- Wgraj dane w formacie CSV — kolumna z kategoriami
- Wybierz rozkład: równomierny, normalny, Poissona lub własne proporcje
- Odczytaj wyniki: χ², df, p, w Cohena, standaryzowane reszty, ostrzeżenia o E < 5
- Wykresy: obserwowane vs oczekiwane, wykres reszt standaryzowanych
- Pobierz raport PDF z gotowym opisem w formacie APA 7
Podsumowanie
Test chi² dopasowania to eleganckie i wszechstronne narzędzie do weryfikacji zgodności danych z rozkładem teoretycznym. Jego siła leży w prostocie obliczeniowej i szerokim zakresie zastosowań — od genetyki przez psychologię po kontrolę jakości.
Kluczowe punkty do zapamiętania:
- Wzór: χ² = Σ [(O − E)² / E]
- Warunek: wszystkie E ≥ 5 — jeśli nie, połącz kategorie
- df: k − 1 dla rozkładu równomiernego i własnego; k − 2 dla Poissona; k − 3 dla normalnego
- Efekt: zawsze raportuj w Cohena obok p-wartości
- Reszty: standaryzowane reszty pokazują które kategorie najbardziej odbiegają
Artykuł napisany przez zespół statystyka24.pl. Masz pytania dotyczące analizy danych? Skontaktuj się z nami.