Formelsammlung Lexikon Chi-Quadrat-Test


Startseite	Bookmark setzen Sitemap Impressum

» Formelsammlung:

» Startseite

» Astronomie

» Biologie

» BWL

» Chemie

» Informatik

» Mathematik

» Physik

» Interaktiv:

» Forum

» Lexikon

» Mitmachen

» Links zu Uns

» Surftipps

» Informationen:

» Kontakt

» Impressum

» Über Formel-Sammlung.de

» Partnerseiten:

www.schuelerlexikon.de

» Partner:

Etiketten
Kostenlose Kochrezepte
Künstler Verzeichnis
Schilder
Spieleforum
Witze & SMS Sprüche

Chi-Quadrat-Test

Sie befinden Sie in: Formelsammlung Lexikon > c > Chi-Quadrat-Test

Chi-Quadrat-Test

Mit dem Chi-Quadrat-Test oder ?²-Test untersucht man Verteilungseigenschaften einer statistischen Grundgesamtheit.

Man unterscheidet vor allem die beiden Tests:

Verteilungstest oder Anpassungstest
Unabhängigkeitstest

Inhaltsverzeichnis

1 Verteilungstest

1.1 Vorgehensweise
1.2 Besonderheiten

1.2.1 Schätzung von Verteilungsparametern
1.2.2 Mindestgröße der erwarteten Häufigkeiten

1.3 Beispiel zu Anpassungstest

2 Unabhängigkeitstest

2.1 Vorgehensweise
2.2 Besonderheiten
2.3 Beispiel zu Unabhängigkeitstest

Verteilungstest

Man betrachtet ein statistisches Merkmal x, dessen Wahrscheinlichkeiten in der Grundgesamtheit unbekannt sind. Es wird bezüglich der Wahrscheinlichkeiten von x eine, vorläufig allgemein formulierte Nullhypothese

H_o: Das Merkmal x hat die Wahrscheinlichkeitsverteilung F_o(x)

aufgestellt.

Vorgehensweise

Die n Beobachtungen von x liegen in m vielen Kategorien j (j = 1, ..., m) vor. Treten bei einem Merkmal sehr viele Ausprägungen auf, fasst man sie zweckmäßigerweise zu Klassen j zusammen und fasst die Klassenzugehörigkeit als j-te Kategorie auf. Die Zahl der Beobachtungen in einer Kategorie ist die beobachtete Häufigkeit n_j.

Man überlegt sich nun, wieviele Beobachtungen im Mittel in einer Kategorie liegen müssten, wenn x tatsächlich die hypothetische Verteilung hat. Dazu berechnet man zunächst die Wahrscheinlichkeit F_o(x)_j, dass x in diese Kategorie fällt.

$n_{jo}=F_o(x)_j\cdot n$

ist die unter H_o zu erwartende Häufigkeit.

Die Prüfgröße für den Test ist

$\chi ^2= \sum_{j=1}^m \frac{(n_j-n_{jo})^2}{n_{jo}}$ .

Die Prüfgröße ?² ist bei ausreichend großen n_j annähernd ?²-verteilt mit m-1 Freiheitsgraden.

Man sieht an der Differenzenbildung, dass die Hypothese wahr sein muss, wenn der Unterschied zwischen beobachteter und erwarteter Häufigkeit klein ist. Also wird H_o bei einem hohen Prüfgrößenwert abgelehnt, der Ablehnungsbereich für H_o liegt rechts.

Bei einem Signifikanzniveau ? wird H_o abgelehnt, wenn ?² > ?²(1-?; m-1), dem (1-?)-Quantil der ?²-Verteilung mit m-1 Freiheitsgraden ist.

Besonderheiten

Schätzung von Verteilungsparametern

Im allgemeinen gibt man bei der Verteilungshypothese die Parameter der Verteilung an. Kann man diese nicht angeben, müssen sie aus der Stichprobe geschätzt werden. Hier geht bei der ?²-Verteilung pro geschätztem Parameter ein Freiheitsgrad verloren. Sie hat also m-w-1 Freiheitsgrade mit w als Zahl der geschätzten Parameter.

Mindestgröße der erwarteten Häufigkeiten

Damit die Prüfgröße als annähernd ?²-verteilt betrachtet werden kann, muss jede erwartete Häufigkeit mindestens 5 betragen. Sind sie zu klein, sollten gegebenenfalls mehrere Klassen zusammengefasst werden.

Beispiel zu Anpassungstest

Es liegen von ca. 200 aktiennotierten Unternehmen die Umsätze vor. Das folgende Histogramm, in SPSS erstellt, zeigt ihre Verteilung.

bild:UmsatzHisto0.PNG

Es sei x: Umsatz eines Unternehmens [Mio ?].

Es soll nun die Hypothese getestet werden, dass x normalverteilt ist.

Da die Daten in vielen verschiedenen Ausprägungen vorliegen, wurden sie in Klassen eingeteilt. Es ergab sich die Tabelle:

Klasse	Intervall		Beobachtete Häufigkeit
j	über	bis	n_j
1	...	0	0
2	0	5000	148
3	5000	10000	17
4	10000	15000	5
5	15000	20000	8
6	20000	25000	4
7	25000	30000	3
8	30000	35000	3
9	35000	...	9
Summe			197

Da keine Parameter vorgegeben werden, werden sie aus der Stichprobe ermittelt. Es sind geschätzt

$\hat \mu = \bar x = 6892$

und

$\hat \sigma = s = 14984.$

Es wird getestet:

H_o: X ist normalverteilt mit dem Erwartungswert ? = 6892 und der Varianz ?² = 14984².

Um die erwarteten Häufigkeiten zu bestimmen, werden zunächst die Wahrscheinlichkeit berechnet, dass X in die vorgegebenen Klassen fällt. Es sei ?(x|6892;14984²) die Verteilungsfunktion der oben angegebenen Normalverteilung an der Stelle x. Man errechnet dann

$P(X \le 0)=F_{1o}=\Phi(0|6892;14984^2) = 0,3228$

$P(0 < X \le 5000)=\Phi(5000|6892;14984^2) - \Phi(0|6892;14984^2) = 0,1270$

...

Daraus ergeben sich die erwarteten Häufigkeiten

$n_{1o}=n \cdot F_{1o} = 197 \cdot 0,3228 = 63,59$

$n_{2o}= 197 \cdot 0,1270=25,02$

...

Es müssten also beispielsweise ca 25 Unternehmen im Mittel einen Umsatz zwischen 0 und 5000 ? haben, wenn das Merkmal Umsatz tatsächlich normalverteilt ist.

Die erwarteten Häufigkeiten sind zusammen mit den beobachteten Häufigkeiten in der folgenden Tabelle aufgeführt.

Klasse	Intervall		Beobachtete Häufigkeit	Wahrscheinlichkeit	Erwartete Häufigkeit
j	über	bis	n_j	F_jo	n_jo
1	...	0	0	0,3228	63,59
2	0	5000	148	0,1270	25,02
3	5000	10000	17	0,1324	26,08
4	10000	15000	5	0,1236	24,35
5	15000	20000	8	0,1034	20,36
6	20000	25000	4	0,0774	15,25
7	25000	30000	3	0,0519	10,23
8	30000	35000	3	0,0312	6,14
9	35000	...	9	0,0303	5,98
Summe			197	1,0000	197,00

Die Prüfgröße wird jetzt folgendermaßen ermittelt:

$\chi^2 = \frac{(0- 63,59)^2}{ 63,59 } + \frac{(148- 25,02)^2}{ 25,02 } + ... + \frac{(9- 5,98)^2}{ 5,98 } = 710,79 .$

Bei einem Signifikanzniveau ? = 0,05 liegt der kritische Wert der Testprüfgröße bei ?²(0,95;9-2=7) = 14,07. Da ?² > 14,07 ist, wird die Hypothese abgelehnt. Man kann davon ausgehen, dass das Merkmal Umsatz nicht normalverteilt ist.

Ergänzung

Die Daten wurden logarithmiert. Ein Normalverteilungstest dieser Daten wurde bei einem Signifikanzniveau von 0,05 nicht abgelehnt.

Das folgende Histogramm, in SPSS erstellt, zeigt die Verteilung der logarithmierten Daten.

bild:LgUmsatzHisto0.PNG

Unabhängigkeitstest

Siehe auch: Vierfeldertest

Man betrachtet zwei statistische Merkmale x und y, die beliebig skaliert sein können. Man interessiert sich dafür, ob die Merkmale stochastisch unabhängig sind. Es wird die Nullhypothese

H_o: Das Merkmal x ist vom Merkmal y stochastisch unabhängig.

aufgestellt.

Vorgehensweise

Die Beobachtungen von x liegen in m vielen Kategorien j (j = 1, ..., m) vor, die des Merkmals y in r vielen Kategorien k (k=1, ..., r) vor. Treten bei einem Merkmal sehr viele Ausprägungen auf, fasst man sie zweckmäßigerweise zu Klassen j zusammen und fasst die Klassenzugehörigkeit als j-te Kategorie auf. Es gibt insgesamt n viele paarweise Beobachtungen von x und y, die sich auf m×r Kategorien verteilen.

Konzeptionell ist der Test so aufzufassen:

Man betrachte zwei diskrete Zufallsvariablen X und Y, deren gemeinsame Wahrscheinlichkeiten in einer Wahrscheinlichkeitstabelle dargestellt werden können.

Man zählt nun, wie oft die j-te Ausprägung von X zusammen mit der k-ten Ausprägung von Y auftritt. Die beobachteten gemeinsamen absoluten Häufigkeiten n_jk können in einer zweidimensionalen Häufigkeitstabelle mit m Zeilen und r Spalten eingetragen werden.

	Merkmal y						?
Merkmal x	1	2	...	k	...	r	n_j.
1	n₁₁	n₁₂	...	n_1k	...	n_1r	n_1.
2	n₂₁	n₂₂	...	n_2k	...	n_2r	n_2.
...	...	...	...	...	...	...	...
j	...	...	...	n_jk	...	...	...
...	...	...	...	...	...	...	...
m	n_m1	n_m2	...	n_mk	...	n_mr	n_m.
?	n_.1	n_.2	...	n_.k	...	n_.r	n

Die Zeilen- bzw. Spaltensummen ergeben die absoluten Randhäufigkeiten n_j. bzw. n_.k als

$n_{j.}= \sum_{k=1}^r n_{jk}$ und : $n_{.k}= \sum_{j=1}^m n_{jk}$ .

Entsprechend sind die gemeinsamen relative Häufigkeiten p_jk = n_jk/n und die relativen Randhäufigkeiten p_j. = n_j./n und p_.k = n_.k/n.

Wahrscheinlichkeitstheoretisch gilt: Sind zwei Ereignisse A und B stochastisch unabhängig, ist die Wahrscheinlichkeit für ihr gemeinsames Auftreten gleich dem Produkt der Einzelwahrscheinlichkeiten:

$P(A\and B)= P(A)\cdot P(B)$

Man überlegt sich nun, dass analog zu oben bei stochastischer Unabhängigkeit von x und y auch gelten müsste

$p_{jk}\approx p_{j.}\cdot p_{.k}$ ,

mit n multipliziert entsprechend

$n_{jk}\approx \frac{n_{j.}\cdot n_{.k}}{n}$ oder auch

$n_{jk}- \frac{n_{j.}\cdot n_{.k}}{n}\approx 0$ .

Sind diese Differenzen für sämtliche j,k klein, kann man vermuten, dass x und y tatsächlich stochastisch unabhängig sind.

Setzt man für die erwartete Häufigkeit bei Vorliegen von Unabängigkeit

$n^*_{jk}=\frac{n_{j.}\cdot n_{.k}}{n}$

resultiert aus der obigen Überlegung die Prüfgröße für den Unabhängigkeitstest

$\chi ^2= \sum_{j=1}^m\sum_{k=1}^r \frac{(n_{jk}- n^*_{jk})^2}{n^*_{jk}}$ .

Die Prüfgröße ?² ist bei ausreichend großen erwarteten Häufigkeiten n_jk* annähernd ?²-verteilt mit (m-1)(r-1) Freiheitsgraden.

Wenn die Prüfgröße klein ist, wird vermutet, dass die Hypothese wahr ist. Also wird H_o bei einem hohen Prüfgrößenwert abgelehnt, der Ablehnungsbereich für H_o liegt rechts.

Bei einem Signifikanzniveau ? wird H_o abgelehnt, wenn ?² > ?²(1-?; (m-1)(r-1)), dem (1-?)-Quantil der ?²-Verteilung mit (m-1)(r-1) Freiheitsgraden ist.

Besonderheiten

Damit die Prüfgröße als annähernd ?²-verteilt betrachtet werden kann, muss jede erwartete Häufigkeit n_jk* mindestens 5 betragen. Wird dieser Wert nicht erreicht, sollten gegebenenfalls mehrere Klassen zu einer neuen zusammengefasst werden.

Beispiel zu Unabhängigkeitstest

Im Rahmen des Qualitätsmangements wurden die Kunden einer Bank befragt, unter anderem nach ihrer Zufriedenheit mit der Geschäftsabwicklung und nach der Gesamtzufriedenheit. Der Grad der Zufriedenheit richtete sich nach dem Schulnotensystem.

Die Daten wurden in SPSS verarbeitet. Es ergab sich die unten folgende Kreuztabelle der Gesamtzufriedenheit von Bankkunden versus ihrer Zufriedenheit mit der Geschäftsabwicklung. Man sieht, dass einige erwartete Häufigkeiten zu klein waren.

Eine Reduzierung der Kategorien auf jeweils drei ergab methodisch korrekte Ergebnisse.

Die folgende Tabelle enthält die erwarteten Häufigkeiten n_jk*, die sich so berechnen:

$n^*_{11}= \frac{102 \cdot 270}{621}= 44,35 \quad n^*_{12}= \frac{102 \cdot 273}{621}= 44,84 \quad ...\quad n^*_{33}= \frac{160 \cdot 78}{621}= 20,10$

	Merkmal y
Merkmal x	1	2	3	?
1	44,35	44,84	12,81	102
2	156,09	157,82	45,09	359
3	69,57	70,34	20,10	160
?	270	273	78	621

Die Prüfgröße wird dann folgendermaßen ermittelt:

$\chi^2 = \frac{(86-44,35)^2}{44,35} + \frac{(16-44,84)^2}{44,84} + ... + \frac{(53-20,10)^2}{20,10} = 167,187$

Bei einem ? = 0,05 liegt der kritische Wert der Testprüfgröße bei ?²(0,95;4) = 9,488. Da ?² > 9,488 ist, wird die Hypothese abgelehnt, man vermutet also, dass die Gesamtzufriedenheit von der Zufriedenheit mit der Geschäftsabwicklung beeinflusst wurde.

Lexikon Eintrag Drucken |

Dokument als PDF downloaden

Dieser Artikel stammt aus Wikipedia, der freien Enzyklopädie
und steht unter der GNU Free Documentation Licence.

zum Seitenanfang

» Unterstüzt von:

» Anzeigen: