卡方检验（独立性检验）

---

一、卡方检验的常见应用

1. 独立性检验（最常用）
   检验两个分类变量是否独立（如：BMI分组与胎儿健康状态是否有关联）。

2. 拟合优度检验
   检验观测频数与理论频数是否一致。

---

二、独立性检验的步骤

1. 构建列联表（交叉表）
2. 计算卡方统计量和p值
3. 判断p值显著性

---

三、Python实现举例

假设你有“BMI分组”和“胎儿是否健康”两个分类变量：

import pandas as pd
from scipy.stats import chi2_contingency# 假设df中有'BMI分组'和'胎儿是否健康'两列
# 1. 构建列联表
table = pd.crosstab(df['BMI分组'], df['胎儿是否健康'])# 2. 卡方检验
chi2, p, dof, expected = chi2_contingency(table)print(f'卡方统计量: {chi2:.3f}')
print(f'p值: {p:.3g}')
print(f'自由度: {dof}')
print('理论频数表：\n', expected)

---

四、结果解读

• p < 0.05：拒绝独立性假设，认为两个变量有关联（有统计学意义）。
• p ≥ 0.05：不能拒绝独立性假设，认为两个变量无显著关联。

---

五、写作举例

“通过卡方检验，BMI分组与胎儿健康状态之间的关联p值为0.012，说明二者之间存在统计学显著的关联性。”

---

六、注意事项

• 卡方检验适用于分类变量，不适用于连续型变量（如Y染色体浓度）。
• 如果你要分析连续变量与分类变量的关系，可以先将连续变量分组（如BMI分组）。

---