excel怎么卡方检验

别再被那些复杂的统计学名词吓破了胆，今天咱们就来把卡方检验这玩意儿在Excel里给它安排得明明白白。你以为这是统计学博士的专属武器？错了，只要你手头有Excel，哪怕你数学是体育老师教的，也能玩得转。

说起卡方检验，这名字听着就挺唬人，又是“卡”又是“方”的。但说白了，它干的活儿特别接地气，就是帮你判断两件事儿之间到底有没有“猫腻”，或者说，有没有关联性。

举个最常见的场景，你就能秒懂。

你是一家公司的市场部小王，最近花大价钱请了两位明星A和B，分别投了两个不同版本的广告。现在你想知道，性别和更喜欢哪个明星的广告之间，到底有没有关系？是男生更吃A的颜，还是女生更爱B的风格？还是说，这纯粹是瞎猫碰上死耗子，根本没啥规律可言？

这时候，你手里肯定有一份数据，长得大概是这个样子：

| | 喜欢明星A | 喜欢明星B | | :--- | :--- | :--- | | 男 | 150人 | 80人 | | 女 | 100人 | 120人 |

这张表，在统计学的黑话里叫列联表，听着吓人，其实就是个交叉分类表。咱们手里拿到的，是辛辛苦苦跑市场、发问卷得来的观测值。也就是实实在在、眼睛看得到的数据。

卡方检验的核心思想，就是一场“现实”与“理想”的对决。

“现实”就是你手里的观测值。 “理想”呢？就是所谓的期望值。

啥叫期望值？就是我们先当一回“杠精”，提出一个最无聊的假设——“性别和喜欢哪个明星广告屁关系都没有！”。这个无聊的假设，就是统计学里常说的原假设 (Null Hypothesis)。

如果这个原假设成立，那数据应该长成什么样？

我们来算算。总共有多少人参与了调查？150+80+100+120 = 450人。 其中男性总共 150+80 = 230人。 女性总共 100+120 = 220人。 喜欢A的总共 150+100 = 250人。 喜欢B的总共 80+120 = 200人。

如果性别和偏好真的无关，那么在230个男性中，喜欢A和喜欢B的人数比例，应该和总人群里喜欢A和B的比例（250:200）差不多。

所以，理论上，我们“期望”的“喜欢A的男性”人数应该是： 男性总数 * (喜欢A的总数 / 总人数) = 230 * (250 / 450) ≈ 127.78

同理，我们能算出所有格子的期望值： - 期望的“喜欢B的男性”：230 * (200 / 450) ≈ 102.22 - 期望的“喜欢A的女性”：220 * (250 / 450) ≈ 122.22 - 期望的“喜欢B的女性”：220 * (200 / 450) ≈ 97.78

好了，现在我们有了两张表：

观测值表（现实） | | 喜欢明星A | 喜欢明星B | | :--- | :--- | :--- | | 男 | 150 | 80 | | 女 | 100 | 120 |

期望值表（理想） | | 喜欢明星A | 喜欢明星B | | :--- | :--- | :--- | | 男 | 127.78 | 102.22 | | 女 | 122.22 | 97.78 |

卡方检验干的事，就是去衡量这两张表之间的“差距”有多大。如果差距微乎其微，那说明现实和“没关系”这个理想状态差不离，我们没理由推翻原假设。但如果差距大到离谱，简直是两个世界，那我们就有底气说：“别装了，性别和广告偏好肯定有关系！”

这个“差距”的衡量标准，就是卡方值（χ²）。它的计算过程有点绕，但你不用自己动手，Excel会帮你搞定。

Excel实战：一键搞定，懒人福音

现在，打开你的Excel，把你的观测值和算好的期望值分别填到两个区域里。就像这样：

(此处为示意，实际不插入图片) 比如，A1:B2区域是你的观测值，D1:E2区域是你算出来的期望值。

接下来，见证奇迹的时刻。找个空白单元格，输入这个神仙函数： =CHITEST(A1:B2, D1:E2)

CHITEST函数需要两个参数： 1. actual_range: 你的观测值数据区域。 2. expected_range: 你的期望值数据区域。

回车！你会得到一个非常小的数字，比如 0.000123。

这个数字，就是大名鼎鼎的P值 (P-value)。

P值这玩意儿，你别管它怎么算出来的，你只需要记住它代表什么：在原假设为真的前提下，出现我们当前观测到的这种极端情况（或者更极端情况）的概率。

翻译成人话就是：如果性别和广告偏好真的没关系，那你碰巧收集到这么一份“看起来很有关系”的数据的概率，到底有多小。

我们的P值是 0.000123，这是一个极小的概率。小到什么程度？小到就像你出门买菜，一连被雷劈了三次。你还会觉得这是巧合吗？你肯定会觉得这里面有鬼！

在统计学里，我们通常会设定一个“底线”，叫做显著性水平α，一般定为 0.05。 - 如果 P值 < 0.05：说明这事儿是巧合的概率太低了，低到我们无法忍受。于是我们理直气壮地拒绝原假设，得出结论：两者之间存在显著关联！ 对应到我们的例子，就是性别和广告偏好确实有关系！ - 如果 P值 > 0.05：说明这事儿是巧合的概率还挺大，我们没有足够的证据去推翻原假设。只能耸耸肩说：目前来看，还不能认为两者有关联。

在我们的例子里，0.000123 远远小于 0.05，所以结论一锤定音：男性和女性对两位明星广告的偏好，存在显著差异！ 你可以拿着这个结果去找老板邀功了。

进阶玩法：不想自己算期望值怎么办？

你可能会抱怨：“我就是懒，连期望值都不想自己算，Excel能帮我一条龙服务吗？”

很遗憾，Excel没有一个直接输入观测值就能吐出P值的“傻瓜”函数。上面的CHITEST是最接近的了。计算期望值那一步，目前在Excel里还是得手动或者用公式辅助完成。

但其实算期望值也不复杂，你只需要用SUM函数先把行合计、列合计和总合计算出来，然后每个格子的期望值就是 (当前行合计 * 当前列合计) / 总合计。用Excel的公式拖拉一下，也就是分分钟的事。

卡方检验的“脾气”：不是什么时候都能用

最后，得给你提个醒，卡方检验这哥们儿虽然好用，但也有自己的“脾气”，不是什么数据都能往里扔的。它有个很重要的前提：

理论频数（也就是期望值）不能太小。

江湖规矩是： 1. 不能有任何一个格子的期望值小于1。 2. 期望值小于5的格子，数量不能超过总格子数的20%。

如果你的数据不满足这个条件，比如你的样本量太小，导致算出来的期望值很多都只有一两点，那卡方检验的结果就不可信了。这时候你就得考虑用别的统计方法，或者干脆去收集更多的数据。

所以，整个流程总结一下，在Excel里做一次完整的卡方检验，就像三步走：

1. 准备战场：把你的原始数据整理成列联表（观测值表）。
2. 构建理想：根据“没关系”的原假设，用 (行总计 * 列总计) / 总计 的逻辑，计算出期望值表。
3. 一锤定音：使用 =CHITEST(观测值区域, 期望值区域) 函数，直接算出P值。然后拿P值和0.05比大小，得出你想要的结论。

看，是不是瞬间感觉自己也能指点江山，用数据说话了？Excel远比你想象的要强大，它不仅仅是个画表格的工具，更是你洞察数据背后秘密的瑞士军刀。而卡方检验，就是这把刀上最锋利的功能之一。下次再遇到需要判断两者是否有关联的问题，别再凭感觉瞎猜了，让数据自己告诉你答案。