如何以 APA 风格报告卡方测试结果：分步指南

在本文中，我们将指导您如何报告卡方检验结果，包括卡方统计量 (χ2)、自由度 (df)、p 值和效应量等基本组成部分, 与既定准则保持一致，以实现清晰度和可重复性。

---

介绍

- 卡方独立性检验 当研究人员旨在检查分类变量之间的关联时，它是统计分析领域的基石。例如，在医疗保健研究中，它可以用来确定吸烟状况是否与肺癌无关 发病率 在特定人群中。这种统计技术可以解释不同类别中频率或比例的复杂性，从而对是否存在显著关联提供可靠的结论。

符合 美国心理学会 (APA) 指南 统计报告不仅可以提高调查结果的可信度，还可以促进不同受众（其中可能包括学者、医疗保健专业人员和政策制定者）​​的理解。 遵守 APA 风格对于确保有效且明确地传达统计严谨性和卡方检验的细微差别至关重要。

---

亮点

• 卡方检验评估分类变量之间的关系。
• 报告卡方、自由度、p 值和效应大小可增强科学严谨性。
• 显着性水平（通常为 0.01 或 0.05）下的 p 值表示统计显着性。
• 对于大于2×2的表，使用调整残差； 5% 阈值是-1.96 和+1.96。
• Cramer 的 V 和 Phi 衡量效应大小和方向。

---

卡方检验结果报告指南

1. 陈述卡方检验的目的

在深入研究卡方检验的细节之前，请清楚地概述 研究问题 你的目的是回答。 研究问题将指导您的分析，它通常围绕调查某些分类变量如何相互关联。

一旦你有了一个框架良好的研究问题，你必须 清楚地陈述你的假设。 该假设将预测您期望在研究中发现什么。 研究人员需要对原假设和备择假设有清晰的了解。 这些假设是统计分析的支柱，提供了评估数据的框架。

2. 报告样本量和特征

- 样本量 对于结果的可靠性至关重要。 指出您的研究中有多少受试者或项目，并描述用于确定样本量的方法。

提供任何 相应 人口统计信息，例如年龄、性别、社会经济地位或其他可能影响结果的分类变量。 提供这些详细信息将提高报告的清晰度和可理解性。

3. 当前观察到的频率

对于所调查的每个类别或类别，请提供 观察到的频率。 这些是通过您的研究收集的每个类别中主题或项目的实际数量。

预期频率是您在原假设为真时所预期的频率，表明变量之间没有关联。 如果您愿意，您还可以展示这些 预期频率 在您的报告中提供额外的解释背景。

4. 报告卡方统计量和自由度

明确说明 卡方值 您在测试期间计算的。 这通常表示为 χ2。 您将通过将其与临界值进行比较来决定是否拒绝原假设的检验统计量。

用统计学的术语来说， 自由程度 指研究中可以自由变化的值的数量。 在报告卡方检验结果时，提及自由度至关重要，通常表示为“df设立的区域办事处外，我们在美国也开设了办事处，以便我们为当地客户提供更多的支持。“

5. 指出 p 值

- p-值 是统计假设检验中的一个关键组成部分，表示如果原假设为真，则观察到的数据出现的概率。 它量化了反对零假设的证据。

数值如下 0.05 通常被认为具有统计显着性的指标。 这表明存在小于 5% 假设零假设为真，观察到的检验统计量至少与观察到的检验统计量一样极端的概率。 这意味着所研究的变量之间的关联不太可能仅是随机发生的。

6. 报告效果大小

虽然具有统计显着性的 p 值可以告诉您变量之间的关联，但它并不表明关系的强度或大小。 这是哪里 规模效应 发挥作用。 Cramer V 或 Phi 系数等效应大小测量提供了一种可量化的方法来确定关联的强度。

克莱默 V 和 φ系数 是卡方检验中最常用的效应量度量。 Cramer's V 适用于大于 2×2 的桌子，而 Phi 通常用于 2×2 的桌子。 两者都源自卡方统计数据，有助于比较不同研究或数据集的结果。

效应大小为 一般分类 小 (0.1)、中 (0.3) 或大 (0.5)。 这些类别有助于观众对研究结果做出实际解释。

7. 解释结果

根据卡方统计量、自由度、p 值和效应大小，您需要 综合 所有这些数据都可以得出连贯且清晰的结论。 在这里，您必须说明您的结果是否支持原假设或建议拒绝原假设。

口译 结果还涉及详细说明研究结果的现实世界相关性或实际影响。 例如，如果医学研究中的卡方检验发现特定治疗与患者康复率之间存在显着关联，则实际含义可能是该治疗有效并且应在临床指南中考虑。

8。 附加信息

当使用大于 2×2 的列联表时，分析 调整残差 对于两个名义定性变量之间的每个类别组合来说，这是必要的。 假设显着性水平设置为 5%。 在这种情况下，调整后的残差值小于 -1.96 或大于 +1.96 表明分析组合中存在关联。 同样，在 1% 显着性水平下，调整后的残差值小于 -2.576 或大于 +2.576 表示存在关联。

图表, 图表或 表 可以作为补充材料包含在内，以直观地表示统计数据。 这有助于读者更有效地掌握研究的细节和含义。

---

例如：

两个年龄段的疫苗功效

假设一项研究旨在评估一种新疫苗在不同年龄组（18-40 岁和 41-60 岁）中是否同样有效。 随机抽取 200 人作为样本，每个年龄组各占一半。 接种疫苗后，观察个体是否在指定时间内感染疾病。

观察到的频率

• 年龄18 40
  • 传染病：12
  • 没有感染疾病：88
• 年龄41 60
  • 传染病：28
  • 没有感染疾病：72

预期频率

如果年龄组和疫苗功效之间没有关联，我们预计每组中感染该疾病的个体比例相同。 预期的频率将是：

• 年龄18 40
  • 传染病：(12+28)/2 = 20
  • 未感染疾病：(88+72)/2 = 80
• 年龄41 60
  • 传染病：20
  • 没有感染疾病：80

卡方检验结果

• 卡方统计量 (χXNUMX)：10.8
• 自由度 (df)：1
• p-值：0.001
• 效应大小（克莱默 V）：0.23

解释

• 统计学意义：p 值小于 0.05 表明年龄组和疫苗功效之间存在统计显着相关性。
• 规模效应：效应大小为 0.23，尽管具有统计显着性，但偏小，表明虽然年龄确实对疫苗功效有影响，但实际意义不大。
• 实际影响：鉴于这种显着但中等的关联，医疗保健提供者可能会考虑对老年人群采取额外的保护措施，但不一定需要完全重新考虑疫苗的分配策略。

结果展示

为了评估疫苗在两个不同年龄组中的有效性，进行了卡方独立检验。 观察到的频率显示，在 18-40 岁的人群中，有 12 人感染了该疾病，而 88 人没有感染该疾病。 相反，在 41-60 岁年龄组中，28 人感染了这种疾病，72 人没有感染。 假设年龄组和疫苗效力之间没有关联，两个年龄组的预期频率计算为 20 人感染该疾病，80 人未感染该疾病。

分析得出卡方统计量 (χ10.8) 为 1，自由度为 0.001。 相关 p 值为 0.05，低于 0.23 的 alpha 水平，表明年龄组和疫苗功效之间存在统计学上显着的关联。 此外，使用 Cramer's V 计算效应大小，结果为 XNUMX。 虽然这种效应具有统计显着性，但其幅度适中。

替代结果演示

为了评估疫苗在不同年龄人口中的有效性，我们进行了卡方独立性检验。 在 18-40 岁的年龄段中，观察到的频率表明有 12 人感染了该疾病，而没有感染的人数为 88 人（预期频率：感染 = 20，未感染 = 80）。 同样，对于 41-60 岁年龄组，28 人感染了该疾病，而 72 人没有感染（预期频率：感染 = 20，未感染 = 80）。 卡方检验得出了显着的结果（χ1(10.8) = 001，p = .23，V = .XNUMX）。 这些结果表明，年龄组和疫苗功效之间存在统计学上显着的关联，尽管规模适中。

---

结语

报告仪表板 卡方检验 APA 风格的结果涉及多层细节。 从说明测试的目的、呈现样本量、解释观察到的和预期的频率，到阐明卡方统计量、p 值和效应大小，每个组件在围绕您的研究结果构建令人信服的叙述方面都发挥着独特的作用。

通过认真遵循这份全面的指南，您可以让您的受众对您的研究有细致入微的了解。 这不仅增强了您研究的有效性和影响力，而且还有助于推进知识的集体科学努力。

---

推荐文章

有兴趣了解更多关于统计分析及其在科学研究中的重要作用吗？ 浏览我们的博客，了解有关相关主题的更多见解和讨论。

• 掌握卡方检验：综合指南
• T 检验与卡方检验有什么区别？
• 理解卡方中的原假设
• 卡方检验的效应量：揭示其意义
• 了解卡方独立性检验的假设
• 卡方检验的假设 （故事）
• 卡方计算器：增强您的数据分析技能
• 卡方检验 – 概述 （外部内部链接）

---

常见问题解答 (FAQs)