幫助我理解卡方分析結果的重要性大家好，
在這裡，我對汽車乘客（1 = 前座，2 = 後座）的傷亡情況進行了比較（1 = 致命，2 = 嚴重，3 = 輕微）。
我無法理解結果。 我知道預期計數和實際計數是我感興趣的，但是如何檢測這兩個計數之間的差異是否是重要的。
先致謝！
回覆：幫助我理解卡方分析結果的重要性不，優勢比代表關聯的強度，而不是顯著性（卡方樣本統計量），因此它是不同程度的預測變數或解釋變數的結果優勢的比率。 例如，您可能會問當乘客 = 0 與乘客 = 2 時，嚴重性 = 3 的優勢比是多少。
你需要使用分析>適合模型為了使用Ordinal Logistic平台來擬合邏輯迴歸模型。 然後保存機率公式，然後可用於計算賠率和所需的賠率比。
回覆：幫助我理解卡方分析結果的重要性貝利先生，
」您的樣本非常大，因此可以檢測到弱關聯。雖然證據強烈表明備擇假設（存在關聯），但 R 平方值 0.0053 表明這種關聯並不能提供太多預測資訊。 優勢比將顯示關聯的強度。”
好吧，太棒了。 您提到的優勢比是預期與觀察到的比率嗎？
回覆：幫助我理解卡方分析結果的重要性如果不存在關聯，則無論預測變數的水平如何，邊際分佈都成立。 此數量由列聯表底部的列總計（計數）提供。 期望值基於邊際分佈。 因此，Severity=1 且 Car Passenger=-1 的第一個儲存格的預期值為 475*(1792/181384)，依此類推。 如果沒有關聯，則使用卡方距離將觀察到的計數與預期值進行比較：(計數-預期)^2 / 預期。 第一個單元格的卡方為 (1-4.69281)^2 / 4.69281 = 2.9059。 單元格卡方的平方根是皮爾遜殘差，讓您了解對備擇假設最重要的水平。 最後，新增所有儲存格統計資料以獲得樣本卡方（在底部表中標記為 Pearson）。 在原假設和大樣本下，樣本統計量遵循卡方分佈。 期望值為自由度 = (n row - 1)(n col - 1) = (4-1)(3-1) = 6。 您的樣本統計量 780.77 遠大於 6，表示有強有力的證據反對原假設。
您的樣本非常大，因此可以檢測到弱關聯。雖然證據強烈表明備擇假設（存在關聯），但 R 平方值 0.0053 表明這種關聯並不能提供太多預測資訊。 優勢比顯示關聯的強度。
回覆：幫助我理解卡方分析結果的重要性
