帮助我理解卡方分析结果的重要性大家好，
在这里，我对汽车乘客（1 = 前座，2 = 后座）的伤亡情况进行了比较（1 = 致命，2 = 严重，3 = 轻微）。
我无法理解结果。 我知道预期计数和实际计数是我感兴趣的，但是如何检测这两个计数之间的差异是否是重要的。
提前致谢！
回复：帮助我理解卡方分析结果的重要性不，优势比代表关联的强度，而不是显着性（卡方样本统计量），因此它是不同水平的预测变量或解释变量的结果优势的比率。 例如，您可能会问当乘客 = 0 与乘客 = 2 时，严重性 = 3 的优势比是多少。
你需要使用分析>适合模型为了使用Ordinal Logistic平台来拟合逻辑回归模型。 然后保存概率公式，然后可用于计算赔率和所需的赔率比。
回复：帮助我理解卡方分析结果的重要性贝利先生，
”您的样本非常大，因此可以检测到弱关联。虽然证据强烈表明备择假设（存在关联），但 R 平方值 0.0053 表明这种关联并不能提供太多预测信息。 优势比将表明关联的强度。”
好吧，太棒了。 您提到的优势比是预期与观察到的比率吗？
回复：帮助我理解卡方分析结果的重要性如果不存在关联，则无论预测变量的水平如何，边际分布都成立。 该数量由列联表底部的列总计（计数）提供。 期望值基于边际分布。 因此，Severity=1 且 Car Passenger=-1 的第一个单元格的预期值为 475*(1792/181384)，依此类推。 如果没有关联，则使用卡方距离将观察到的计数与预期值进行比较：(计数-预期)^2 / 预期。 第一个单元格的卡方为 (1-4.69281)^2 / 4.69281 = 2.9059。 单元格卡方的平方根是皮尔逊残差，让您了解对备择假设最重要的水平。 最后，添加所有单元格统计数据以获得样本卡方（在底部表中标记为 Pearson）。 在原假设和大样本下，样本统计量遵循卡方分布。 期望值为自由度 = (n row - 1)(n col - 1) = (4-1)(3-1) = 6。 您的样本统计量 780.77 远大于 6，表明有强有力的证据反对原假设。
您的样本非常大，因此可以检测到弱关联。虽然证据强烈表明备择假设（存在关联），但 R 平方值 0.0053 表明这种关联并不能提供太多预测信息。 优势比表明关联的强度。
回复：帮助我理解卡方分析结果的重要性
