搜尋意圖： 如果你在找「卡方檢定 是什麼」或「卡方檢定 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 卡方檢定是一種統計方法，用於檢驗兩個或多個類別變數之間是否存在顯著關聯性。它比較觀察值與期望值之間的差異。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你在看兩個類別變數之間有沒有關聯時，你會怎麼判斷它真正的作用？
你可以把它想成 卡方檢定是一種統計方法，用於檢驗兩個或多個類別變數之間是否存在顯著關聯性。它比較觀察值與期望值之間的差異。
在 你在看兩個類別變數之間有沒有關聯時 這種情境裡，這個概念會直接影響你怎麼設計、怎麼評估、怎麼上線。
容易混淆
卡方檢定 vs t 檢定 卡方檢定看類別變數，t 檢定看連續變數的平均。
卡方檢定 vs 相關係數 卡方檢定是看類別之間是否有關聯，相關係數偏向連續變數的線性關係。
卡方檢定 vs 因果推論 卡方檢定只能看關聯，不能直接推出因果。
記住這句就好
先看它要解決的是什麼問題，再看它是不是最合適的方法。
實際案例
案例 1：廣告點擊 你想知道性別和是否點擊廣告之間有沒有關聯。
案例 2：問卷偏好 你想知道不同年齡層對某產品的偏好分布有沒有差。
算法與應用
面向 重點 核心 把觀察到的次數和期望次數相比，看差異大不大。 前提 資料要是類別型，且各觀察值最好彼此獨立。 注意 期望次數太小時，結果會比較不穩。
卡方檢定在檢定什麼
卡方檢定（chi-squared test，χ² test）處理的是類別資料，問的是「觀察到的次數，跟理論上該有的次數，差距大到不像是隨機造成的嗎」。
統計量的公式很直觀：
χ² = Σ (觀察次數 − 期望次數)² / 期望次數每一格算一次，全部加起來。差距越大、χ² 越大，越不像隨機。
常見的兩種用法：
| 類型 | 問的問題 | 例子 |
|---|---|---|
| 適合度檢定 | 觀察分布符合某個理論分布嗎 | 骰子公不公平 |
| 獨立性檢定 | 兩個類別變數有關聯嗎 | 性別與購買偏好有沒有關係 |
實際算一次獨立性檢定
假設調查 200 人，問是否訂閱付費方案：
| 訂閱 | 未訂閱 | 合計 | |
|---|---|---|---|
| 用過免費版 | 60 | 60 | 120 |
| 沒用過 | 20 | 60 | 80 |
| 合計 | 80 | 120 | 200 |
期望次數的算法是「該列合計 × 該欄合計 ÷ 總數」。左上角是 120 × 80 ÷ 200 = 48。
四格的期望次數分別是 48、72、32、48，代入公式得 χ² = 3 + 2 + 4.5 + 3 = 12.5。
自由度是 (列數 − 1) × (欄數 − 1) = 1。查表在自由度 1、顯著水準 0.05 的臨界值是 3.84。12.5 遠大於 3.84，所以拒絕「兩者獨立」的虛無假設，也就是用過免費版與是否訂閱有關聯。
三個使用前提，違反了結果就不能信
每格的期望次數要夠大。 常見標準是所有格子的期望次數都不小於 5，或至少 80% 的格子達標。樣本太小時改用費雪精確檢定（Fisher's exact test）。
觀察值必須互相獨立。 同一個人被問兩次、或有配對設計，就不能用卡方，配對資料要用麥克內馬檢定（McNemar's test）。
它只告訴你有沒有關聯，不告訴你關聯有多強。 樣本數夠大時，再小的差距都會顯著。要看強度得另外算效果量，2×2 表用 phi 係數，更大的表用 Cramér's V。
情境判斷
Q1（判斷題）： 如果兩個變數都是類別型，這時很自然會想到哪個檢定？ → 通常會先想到卡方檢定。
Q2（判斷題）： 如果你想證明兩件事有因果關係，卡方檢定夠嗎？ → 不夠，它只能告訴你有沒有關聯。
常見問題
卡方檢定的虛無假設是什麼？
通常是兩個變數彼此獨立，沒有關聯。
p 值怎麼看？
p 值小於顯著水準時，通常表示關聯不是隨機波動造成的。
樣本太少可以用嗎？
要小心，期望次數過小時不太適合。