在统计学中，有两种常用的卡方检验：
卡方拟合优度检验：用于确定分类变量是否遵循假设分布。
卡方独立性检验：用于确定同一总体中两个分类变量之间是否存在显着关联。
对于这两个检验，我们得到一个 p 值，它告诉我们是否应该拒绝检验的原假设。 p 值告诉我们测试结果是否显着，但它并不能告诉我们测试的效果大小。
衡量效应大小的方法有三种：Phi (φ)、Cramer’s V (V) 和优势比 (OR)。
在本文中，我们将解释如何计算每种效应大小以及何时适合使用它们。
Φ (φ)
如何计算
Phi 的计算公式为φ = √ (
金子：
X 2是卡方检验统计量
n = 观察总数
何时使用
仅当使用 2 x 2 列联表（即恰好有两行和两列的表）时才适合计算 φ。
如何解读
φ = 0.1 的值被认为是小影响，0.3 被认为是中等影响，0.5 被认为是大影响。
克莱默的 V (V)
如何计算
Cramer 的 V 计算公式为V = √ (
金子：
X 2是卡方检验统计量
n = 观察总数
df = (#行-1) * (#列-1)
何时使用
当使用大于 2 x 2 列联表的表时，适合计算 V。
如何解读
下表显示了如何根据自由度解释 V：
自由程度
小的
平均的
大的
1
0.10
0.30
0.50
2
0.07
0.21
0.35
3
0.06
0.17
0.29
4
0.05
0.15
0.25
5
0.04
0.13
0.22
比值比 (OR)
如何计算
给定以下 2×2 表：
规模效应
＃成功
＃棋
治疗组
有
乙
控制组
VS
D
优势比计算如下：
优势比 = (AD) / (BC)
何时使用
仅当使用 2 x 2 列联表时才适合计算优势比。通常，当您想要研究治疗组的成功机会与对照组的成功机会相比时，会计算优势比。
如何解读
我们没有特定的值来认为比值比对应于小、中或大效果，但比值比距离 1 越远，治疗产生真正效果的可能性就越大。高的。
最好使用特定领域的专业知识来确定给定的比值比应被视为小、中还是大。