Chi-två-test för kategoriska data

Efter denna lektion kommer du att kunna genomföra och tolka Chi-två-test för att analysera anpassning mot teoretiska fördelningar samt samband mellan kategoriska variabler i korsstabeller.

Kategoriska data och anpassningstest (Goodness-of-fit)

Kategoriska data består av observationer som delats in i diskreta grupper eller kategorier, till exempel yrkesgrupp, blodgrupp eller inställning (ja/nej/vet ej). Till skillnad från kvantitativa data, där vi beräknar medelvärden och standardavvikelser, analyserar vi kategoriska data genom att räkna antal eller frekvenser i varje kategori.

När vi vill undersöka om en observerad fördelning följer en viss teoretisk fördelning använder vi ett Chi-två-test för anpassning (Goodness-of-fit test).

I detta test jämför vi två typer av frekvenser:

1. Observerade frekvenser (O): De faktiska antal vi har räknat i vårt stickprov.

2. Förväntade frekvenser (E): De antal vi skulle förvänta oss om nollhypotesen (H₀) stämmer.

Anta exempelvis att vi kastar en sexsidig tärning 120 gånger. Om tärningen är helt symmetrisk (vår nollhypotes H₀), förväntar vi oss att varje sida dyker upp lika ofta:

E = N / k = 120 / 6 = 20 gånger per sida.

Om vi i stickprovet observerar att sida 6 uppkommer 35 gånger medan sida 1 bara uppkommer 8 gånger, måste vi avgöra om denna skillnad beror på slumpmässig variation eller om tärningen faktiskt är osymmetrisk. Chi-två-testet ger oss ett matematiskt mått på hur mycket de observerade värdena avviker från de förväntade.

Testvariabeln Chi-två (χ²) och frihetsgrader

För att mäta den sammantagna avvikelsen mellan observerade (O) och förväntade (E) frekvenser beräknar vi testvariabeln Chi-två (χ²).

Formeln summerar den kvadratiska avvikelsen dividerat med den förväntade frekvensen för varje kategori i:

χ² = Σ (O_i - E_i)² / E_i

Varför kvadrerar vi skillnaden (O_i - E_i)?

Om vi inte kvadrerade skulle positiva och negativa avvikelser ta ut varandra så att summan blev noll. Genom att kvadrera blir alla bidrag positiva. Vi dividerar därefter med E_i för att relativisera avvikelsen – en avvikelse på 5 observationer väger tyngre om E = 10 än om E = 1000.

Om de observerade värdena ligger mycket nära de förväntade blir χ² nära 0 (vilket stöder nollhypotesen H₀). Ju större skillnaden är mellan O och E, desto större blir χ²-värdet.

Frihetsgrader (df):

För ett anpassningstest med k kategorier beräknas antalet frihetsgrader som:

df = k - 1

Anledningen till minus 1 är att om vi känner till det totala antalet observationer (N) och frekvenserna i k - 1 kategorier, är frekvensen i den sista kategorin helt bestämd.

Chi-två-test för oberoende i korsstabeller

När vi har två kategoriska variabler insamlade från samma stickprov ordnar vi ofta data i en korsstabell (contingency table) för att undersöka om det finns ett samband mellan dem.

• Nollhypotes (H₀): Variablerna är oberoende av varandra (inget samband).
• Alternativhypotes (H₁): Variablerna är beroende av varandra (det finns ett samband).

En korsstabell har r rader och c kolumner. För att beräkna den förväntade frekvensen (E_ij) i en enskild cell (rad i, kolumn j) under antagandet om oberoende använder vi rad- och kolumnmarginalerna:

E_ij = (Radsumma_i × Kolumnsumma_j) / N

där N är det totala antalet observationer i hela tabellen.

Testvariabeln χ² beräknas sedan genom att summera över alla celler i tabellen:

χ² = Σ Σ (O_ij - E_ij)² / E_ij

Frihetsgrader för oberoendetest:

För en korsstabell med r rader och c kolumner beräknas antalet frihetsgrader som:

df = (r - 1) × (c - 1)

Om vi exempelvis jämför 3 utbildningsnivåer (r = 3) mot 2 könskategorier (c = 2), får vi df = (3 - 1)(2 - 1) = 2 × 1 = 2.

Förutsättningar, tumregler och tolkning

För att Chi-två-testet ska ge tillförlitliga resultat måste vissa metodologiska förutsättningar vara uppfyllda:

1. Slumpmässigt stickprov: Data ska samlas in via oberoende slumpmässigt urval.

2. Kategoriska data: Observationerna ska räknas i ömsesidigt uteslutande kategorier.

3. Tillräckligt stora förväntade frekvenser:

• Ingen förväntad frekvens får vara mindre än 1 (E_ij ≥ 1 för alla celler).
• Minst 80 % av alla celler i tabellen bör ha en förväntad frekvens på minst 5 (E_ij ≥ 5).

Om de förväntade frekvenserna är för små blir testen osäker och p-värdet kan bli missvisande. För en 2×2-tabell med mycket små sampel använder man ofta Fishers exakta test som ett alternativ.

Beslutsregel och tolkning:

• Om χ²_beräknat > χ²_krit (eller p-värde ≤ α): Förkasta H₀. Det finns ett statistiskt signifikant samband eller en avvikelse från den förväntade fördelningen.
• Om χ²_beräknat ≤ χ²_krit (eller p-värde > α): Förkasta inte H₀. Skillnaderna mellan O och E kan rimligen förklaras av slumpmässig variation.