카이제곱 적합도 계산기

카이제곱 적합도 검정은 관측된 범주별 빈도를 이론, 과거 모형 또는 지정된 확률분포가 예측한 빈도와 비교합니다. 하나의 범주형 변수를 대상으로 합니다. 귀무가설은 모집단이 제시된 범주 비율을 따른다고 가정하며, 대립가설은 하나 이상의 비율이 다르다고 봅니다. 주사위가 공정한지, 고객 선택이 예측을 따르는지, 유전 결과가 제시된 비율에 맞는지 확인할 때 흔히 사용합니다. 계산기는 각 관측빈도를 같은 위치의 기대빈도와 짝짓습니다. 범주마다 (관측값 − 기대값)² / 기대값을 계산하고 이를 합해 카이제곱 통계량을 구합니다. 영이면 모든 관측빈도가 기대빈도와 정확히 일치합니다. 값이 클수록 전체 불일치가 크며, 기대빈도가 작은 범주의 차이에 상대적으로 더 큰 가중치가 적용됩니다. 모든 기대비율을 현재 자료와 독립적으로 지정했다면 자유도는 보통 범주 수에서 일을 뺀 값입니다. 관측자료에서 모수를 추정했다면 자유도를 추가로 빼야 합니다. 이 계산기는 범주 수에서 일을 빼므로 분포 모수를 적합하는 분석자는 방법을 조정해야 합니다. p값은 해당 카이제곱 분포에서 계산된 통계량의 상위 꼬리 확률입니다. 검정 전에 관측이 독립적이고 범주가 서로 배타적이며 입력값이 백분율이 아닌 빈도인지 확인하세요. 카이제곱 근사가 잘 작동하려면 기대빈도는 일반적으로 최소 다섯이어야 합니다. 기대빈도가 작은 범주는 과학적으로 의미 있고 관측 차이를 참고하지 않고 결정한 경우에 한해 합칠 수 있습니다. 그렇지 않으면 정확 검정이나 시뮬레이션 기반 검정이 더 적절할 수 있습니다. 작은 p값은 제시된 분포가 맞다면 관측된 편차가 드물다는 뜻입니다. 어떤 범주가 결과를 주도하는지, 인과적 설명이 무엇인지, 실질적으로 얼마나 중요한지는 알려 주지 않습니다. 각 셀의 기여도를 살피고 관측값과 기대값을 비교해 패턴을 이해하세요. 유의수준은 결과를 보기 전에 정하고 다중 검정이 해석에 영향을 주는지도 고려해야 합니다. 기대빈도의 합은 관측빈도의 합과 같아야 합니다. 기대확률이 있다면 각 확률에 전체 관측 수를 곱한 뒤 입력하세요. 반올림으로 생긴 작은 합계 차이는 수정하여 모형과 표본이 같은 수를 나타내게 해야 합니다. 이러한 확인을 거치면 적합도 계산기로 범주형 자료가 제시된 모형을 얼마나 잘 따르는지 투명하고 재현 가능하게 요약할 수 있습니다.