Chi-Quadrat-Tests

 

(\chi ^{2}-Tests) [engl. (Pearson's) chi-squared test], [FSE], eine Gruppe stat. Prüfverfahren (Signifikanztest) zur Analyse der Differenzen beobachteter und erwarteter Werte, wenn angenommen werden kann, dass die Kennwerteverteilung (basierend auf der Summe quadrierter Differenzen) einer Chi-Quadrat-Verteilung entspricht.

(1) Der \chi ^{2}-Test kann zur Prüfung des Zusammenhangs zweier nominalskalierter Merkmale X und Y eingesetzt werden. Die Nullhypothese («Die beiden Merkmale stehen nicht in Zusammenhang») besagt, dass die beobachtete Häufigkeit einer Merkmalskombination (o_{ij}=n(x_{i},y_{j})) derjenigen bei stochastischer Unabhängigkeit erwarteten Häufigkeit von x_{i} und y_{j} entspricht: Die erwartete Häufigkeit e_{ij} ergibt sich als Produkt der Gesamthäufigkeit von x_{i} und der Gesamthäufigkeit von y_{j}, geteilt durch die Gesamtzahl aller Fälle N: e_{ij}=\left ( n(x_{i})\cdot n(y_{j}) \right )/N. Der Chi-Quadrat-Wert aggregiert die Differenzen von o_{ij} und e_{ij} zu einem Gesamtwert:

\chi ^{2}=\sum_{i=1}^{k}\sum_{j=1}^{l}\left ( o_{ij}-e_{ij})^{2} /e_{ij}

(df = (k-1)(l-1) Freiheitsgrade.

Je stärker sich die beobachteten von den erwarteten Häufigkeiten unterscheiden, desto größer ist der \chi ^{2}-Wert (unter ansonsten gleichen Umständen). Besteht ein signifikanter Unterschied von beobachteten vs. bei Unabhängigkeit erwarteteten Häufigkeiten, so wird ein Zusammenhang (Korrelation) der Merkmale als stat. nachgewiesen akzeptiert.

(2) \chi ^{2}-Verteilungstests prüfen, ob die Verteilung der beobachteten Häufigkeiten der Ausprägungen eines Merkmals von einer theoretisch angenommenen Verteilung abweicht (z. B. Kolmogorov-Smirnov-Test). Die o_{i} entsprechen der Häufigkeit, mit der Merkmalsausprägung i beobachtet wurde. Die e_{i} entprechen der Häufigkeit, mit der Merkmalsausprägung i gemäß der angenommenen Verteilungsannahme erwartet wird (z. B. in der Hälfte der Fälle, wenn eine faire Münze geworfen wird). Ein signifikanter \chi ^{2}-Wert zeigt eine systematische Abweichung der empirischen von der theoretisch angenommenen Verteilung an.

(3) Bei manchen multivariaten Modellprüfungen (z. B. Strukturgleichungsmodelle, Latente Klassenanalyse) wird der \chi ^{2}-Test eingesetzt, um die Passung der durch ein Modell vorhergesagten zu einer in einer Stichprobe gemessenen Informationsstruktur (z. B. Kovarianzmatrix) zu prüfen.

Referenzen und vertiefende Literatur

Die Literaturverweise stehen Ihnen nur mit der Premium-Version zur Verfügung.

Datenschutzeinstellungen

Wir verwenden Cookies und Analysetools, um die Sicherheit und den Betrieb sowie die Benutzerfreundlichkeit unserer Website sicherzustellen und zu verbessern. Weitere informationen finden Sie unter Datenschutz. Da wir Ihr Recht auf Datenschutz respektieren, können Sie unter „Einstellungen” selbst entscheiden, welche Cookie-Kategorien Sie zulassen möchten. Bitte beachten Sie, dass Ihnen durch das Blockieren einiger Cookies möglicherweise nicht mehr alle Funktionalitäten der Website vollumfänglich zur Verfügung stehen.