什麼是卡方分布百分位數計算機?
這個工具可以求出卡方分布的百分點(又稱分位數或百分位數,通常以臨界值表示)。只要輸入累積機率與自由度,它就會回傳一個數值 \(x\),使得卡方分布的累積分布函數(CDF)剛好等於你設定的目標機率。它其實就是卡方 CDF 的反函數,在假設檢定、適合度檢定、列聯表分析以及變異數信賴區間等統計應用中相當常見。
使用方法
首先選擇累積模式。若你的機率是 \(P = P(X \le x)\)(也就是 \(x\) 左側的面積),請選「下尾累積 P」;若你的機率是尾端面積 \(Q = P(X > x)\),也就是單尾檢定中常用的顯著水準 alpha,請選「上尾累積 Q」。接著輸入機率(須嚴格介於 0 與 1 之間)以及自由度(\(\nu\),也常寫作 \(k\))。計算機便會回傳對應的卡方數值 \(x\)。
公式說明
自由度為 \(\nu\) 的卡方 CDF 就是正則化下不完全 gamma 函數:\(F(x; \nu) = \text{regularizedGammaP}(\nu/2, x/2)\)。我們要求的是它的反函數。令 \(a = \nu/2\),目標機率為 \(p\)(下尾模式時 \(p = P\),上尾模式時 \(p = 1 - Q\)),求解 \(\text{regularizedGammaP}(a, z) = p\) 得到 \(z\),再以 \(x = 2z\) 求得結果。 $$x_p = F^{-1}\!\left(\text{p}\,;\,\nu\right)\ \text{such that}\ P\!\left(\frac{\nu}{2},\,\frac{x_p}{2}\right) = \text{p}$$ 求解器結合了不完全 gamma 函數的級數展開與連分數法,並搭配 Newton/二分法的求根流程,以確保穩定收斂。
實例演算
以下尾模式為例,設 \(P = 0.95\)、\(\nu = 10\)。此時 \(a = 5\),求解 \(\text{regularizedGammaP}(5, z) = 0.95\),得到 \(z \approx 9.1535\),故 \(x = 2z \approx 18.307\)。這正好對應到經典的臨界值 \(\text{chi-square}(0.95, 10) = 18.307\)。若改用上尾模式,設 \(Q = 0.05\)、\(\nu = 10\),則 \(p = 1 - 0.05 = 0.95\),得到的 \(x\) 同樣 \(\approx 18.307\)。
卡方臨界值表
本表列出上尾臨界值 \(\chi^2_{Q,\nu}\),表示對於自由度為 \(\nu\)(df)的卡方變數,\(P(X > x) = Q\)。下尾機率為 \(P = 1 - Q\)。例如,Q = 0.05 的欄位即為第 95 百分位數。數值四捨五入至小數點後 3 位。
| 自由度 | Q = 0.10 | Q = 0.05 | Q = 0.025 | Q = 0.01 | Q = 0.001 |
|---|---|---|---|---|---|
| 1 | 2.706 | 3.841 | 5.024 | 6.635 | 10.828 |
| 2 | 4.605 | 5.991 | 7.378 | 9.210 | 13.816 |
| 3 | 6.251 | 7.815 | 9.348 | 11.345 | 16.266 |
| 4 | 7.779 | 9.488 | 11.143 | 13.277 | 18.467 |
| 5 | 9.236 | 11.070 | 12.833 | 15.086 | 20.515 |
| 10 | 15.987 | 18.307 | 20.483 | 23.209 | 29.588 |
| 20 | 28.412 | 31.410 | 34.170 | 37.566 | 45.315 |
| 30 | 40.256 | 43.773 | 46.979 | 50.892 | 59.703 |
| 50 | 63.167 | 67.505 | 71.420 | 76.154 | 86.661 |
| 100 | 118.498 | 124.342 | 129.561 | 135.807 | 149.449 |
若要求下尾分位數,請先進行轉換:下尾機率 P = 0.05 的數值,即為 Q = 0.95 的上尾數值。對於表中未列出的自由度或機率,請使用計算機。
卡方分位數的解讀
假設檢定。選定顯著水準 \(\alpha\),然後找出 \(Q = \alpha\) 且對應自由度的上尾臨界值。若觀察到的統計量大於臨界值,則拒絕 \(H_0\);否則不拒絕。例如,自由度 df = 5 且 \(\alpha = 0.05\) 時,臨界值為 11.070。統計量 12.4 會導致拒絕,而統計量 9.8 則不會。
與 p 值的關係。p 值是觀察統計量的上尾機率 \(Q\)。在 \(\alpha\) 下統計量 > 臨界值,等同於 p 值 < \(\alpha\)。分位數計算機是反向運作:您輸入 Q(或 P)與自由度,它會回傳具有該尾部機率的統計量。
右尾檢定。卡方適合度檢定與列聯表獨立性檢定皆為右尾檢定。統計量偏大表示配適不佳或存在關聯,因此拒絕域僅使用上尾。
形狀。此分配為右偏,平均數為 \(\nu\),變異數為 \(2\nu\)。其中位數略小於平均數。隨著自由度增加,偏態減弱,分配趨近於平均數為 \(\nu\)、標準差為 \(\sqrt{2\nu}\) 的常態分配。在 df = 1 或 2 時偏態很明顯,而在 df = 100 時幾乎對稱。
變異數的信賴區間。對於取自常態母體、樣本變異數為 \(s^2\)、且 \(\nu = n-1\) 的樣本大小 \(n\),\((1-\alpha)\) 信賴區間為:
$$\left(\frac{ (n-1)s^2}{\chi^2_{\alpha/2,\,\nu}},\ \frac{ (n-1)s^2}{\chi^2_{1-\alpha/2,\,\nu}}\right)$$
此處 \(\chi^2_{\alpha/2,\nu}\) 是其右側面積為 \(\alpha/2\) 的上尾數值,而 \(\chi^2_{1-\alpha/2,\nu}\) 是其左側面積為 \(\alpha/2\) 的下分位數。這兩個分位數也可以透過輸入 P = \(\alpha/2\) 與 P = \(1-\alpha/2\) 求得。
範例:n = 11(df = 10)、\(s^2 = 4\)、95% 信心水準時,分位數分別為 3.247(下尾,P = 0.025)與 20.483(上尾,P = 0.975)。變異數的區間為 \(40/20.483 = 1.953\) 至 \(40/3.247 = 12.319\)。
常見問題
P 與 Q 有什麼差別?\(P\) 是 \(x\) 左側的面積(下尾),\(Q\) 是 \(x\) 右側的面積(上尾),兩者相加 \(P + Q = 1\)。
自由度可以是非整數嗎?可以。以 gamma 函數為基礎的公式對任何 \(\nu > 0\) 都成立,只是大多數統計表格仍以整數為主。
機率的有效範圍是多少?必須嚴格滿足 \(0 < \text{機率} < 1\)。當機率為 0 時分位數為 0;當機率趨近 1 時,分位數會無限增大。