Kiểm định fisher là gì ? Ví dụ về Kiểm định fisher dễ hiểu

Kiểm định fisher được sử dụng để xác định xem có hay không mối liên hệ đáng kể giữa hai biến phân loại. Nó thường được sử dụng thay thế cho Kiểm định Độc lập Chi-Square khi một hoặc nhiều ô đếm trong bảng 2 × 2 nhỏ hơn 5. hãy tham khảo với interconex bên dưới nhé !

Kiểm định fisher là gì ?

Kiểm tra Chính xác của Fisher sử dụng các giả thuyết khác và giả thuyết thay thế sau:

Kiểm định Fisher Exact - Stata

H ₀ : (giả thuyết vô hiệu) Hai biến độc lập.
H ₁ : (giả thuyết thay thế) Hai biến không độc lập.

Giả sử chúng ta có bảng 2 × 2 sau:

	Nhóm 1	Nhóm 2	Tổng số hàng
Loại 1	a	b	a + b
Loại 2	c	d	c + d
Tổng số cột	a + c	b + d	a + b + c + d = n

Giá trị p một phía cho Kiểm tra Chính xác của Fisher được tính như sau:

p = (a + b)! (c + d)! (a + c)! (b + d)! / (a! b! c! d! n!)

Điều này tạo ra giá trị p giống như CDF của phân phối siêu bội với các tham số sau:

Quy mô dân số = n
Dân số “successes” = a + b
Kích thước mẫu = a + c
Mẫu “successes” = a

Giá trị p hai phía cho Kiểm tra Chính xác của Fisher ít dễ tính hơn và không thể tìm thấy bằng cách nhân giá trị p một phía với hai.

Khi nào sử dụng Kiểm định Fisher?

Bạn nên sử dụng Kiểm tra Chính xác của Fisher trong trường hợp sau:

Bạn muốn kiểm tra sự khác biệt giữa hai biến
Biến quan tâm của bạn là tỷ lệ thuận hoặc phân loại
Bạn chỉ có hai lựa chọn
Bạn có các mẫu độc lập
Bạn có ít hơn 10 trong một ô

Hãy làm rõ những điều này để giúp bạn biết khi nào nên sử dụng Kiểm tra Chính xác của Fisher.

Sự khác biệt

Bạn đang tìm kiếm một bài kiểm tra thống kê để xem một biến khác nhau như thế nào giữa hai nhóm. Các loại phân tích khác bao gồm kiểm tra mối quan hệ giữa hai biến hoặc dự đoán một biến bằng cách sử dụng một biến khác (dự đoán).

Tỷ lệ hoặc phân loại

Đối với thử nghiệm này, biến quan tâm của bạn phải tỷ lệ thuận hoặc phân loại. Biến phân loại là một biến chứa các danh mục không có thứ tự tự nhiên. Ví dụ về các biến phân loại là màu mắt, thành phố cư trú, loại chó, v.v. Các biến tỷ lệ được lấy từ các biến phân loại, ví dụ: số người đã chuyển đổi trên hai phiên bản khác nhau của trang web của bạn (10% so với 15%), tỷ lệ phần trăm, số người đã bỏ phiếu so với những người không bỏ phiếu, tỷ lệ thực vật chết so với sống sót sau khi điều trị thử nghiệm, v.v.

Hai lựa chọn

Các biến phân loại của bạn chỉ nên có hai tùy chọn khả thi. Một số ví dụ về các biến như thế này là mua hàng (có / không), màu sắc (nếu chỉ là đen / trắng), khỏi bệnh (có / không).

Mẫu độc lập

Các mẫu độc lập có nghĩa là hai nhóm của bạn không có liên quan theo bất kỳ cách nào. Ví dụ, các phép đo lặp lại từ cùng một nhóm theo thời gian thường không phải là các mẫu độc lập, bởi vì mỗi quan sát từ cùng một người có khả năng liên quan đến các mẫu khác từ người đó.

Ít hơn 10 trong một ô

Quy tắc chung mà chúng tôi khuyến nghị là sử dụng thử nghiệm này khi bạn có khoảng 10 quan sát trở xuống trong mỗi ô. “Ô” trong trường hợp này chỉ đơn giản là số lượng các giá trị trong mỗi nhóm. Ví dụ: nếu tôi có danh sách các câu trả lời khảo sát với 5 “có” và 1 “không”, thì sẽ có 5 và 1 giá trị tương ứng trên mỗi ô.

Ví dụ về Kiểm định fisher

Có thể chúng tôi muốn biết giới tính có liên quan đến ưu tiên đảng phái chính trị hay không. Chúng tôi lấy một mẫu ngẫu nhiên đơn giản gồm 25 cử tri và khảo sát họ về sở thích đảng phái chính trị của họ. Bảng sau đây cho thấy kết quả của cuộc khảo sát:

	Đảng viên dân chủ	Đảng cộng hòa	Tổng cộng
Nam giới	4	9	13
Giống cái	số 8	4	12
Tổng cộng	12	13	25

Bước 1: Xác định các giả thuyết.

Chúng tôi sẽ thực hiện Kiểm tra Chính xác của Fisher bằng cách sử dụng các giả thuyết sau:

H ₀ : Giới tính và ưu tiên đảng phái chính trị là độc lập.
H ₁ : Giới tính và sở thích đảng phái chính trị không độc lập.

Bước 2: Tính giá trị p hai đầu.

Giá trị p hai đầu là 0,115239 . Vì giá trị này nhỏ hơn 0,05 nên chúng tôi không thể bác bỏ giả thuyết không. Chúng tôi không có đủ bằng chứng để nói rằng có bất kỳ mối liên hệ có ý nghĩa thống kê nào giữa giới tính và sở thích đảng phái chính trị.