Ki-Kare Testi Nedir? Türleri ve Fisher'ın Kesin Testi

Basira Editör Ekibi · · 12 dk okuma · Güncellendi: 17 Kasım 2026 · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım

Aa Yazı boyutu
Yazı boyutu

Anahtar çıkarımlar

  • Ki-kare testi, kategorik verilerde gözlenen sayıları yokluk hipotezi (H₀) doğru olsaydı beklenecek sayılarla karşılaştırır; yüzdelerle değil, sayılarla yapılır.
  • Üç türü vardır: tek değişkende uygunluk, tek örneklemde iki değişken için bağımsızlık, ayrı ayrı örneklenen gruplar için homojenlik testi. Son ikisinin hesabı aynıdır, deseni farklıdır.
  • Ki-kare dağılımı bir yaklaşımdır. Hücrelerin %20'sinden fazlasında beklenen sayı 5'in altındaysa ya da herhangi birinde 1'in altındaysa Fisher'ın kesin testi (2×2'den büyük tablolarda Fisher-Freeman-Halton testi) kullanılır.
  • Yates düzeltmesi yalnız 2×2 tablolar içindir ve testi tutucu yapar; beklenen sayılar küçükse onun yerine Fisher'ın kesin testi kullanılır.
  • Anlamlılık ilişkinin gücünü söylemez: 2×2 tabloda φ ve olasılık oranı (odds ratio, OR), daha büyük tablolarda Cramér's V, uygunluk testinde Cohen w raporlanır.

İçindekiler

İçindekiler

Ki-kare testi nedir? Ki-kare (χ²) testi, kategorik verilerde gözlenen sayıları, yokluk hipotezi (H₀) doğru olsaydı beklenecek sayılarla karşılaştıran testlerin ortak adıdır. Üç türü vardır: uygunluk, bağımsızlık ve homojenlik testi. Test bir yaklaşıma dayanır; beklenen sayılar küçük olduğunda bu yaklaşım bozulur ve yerine Fisher’ın kesin testi kullanılır.

Ki-kare testi neyi sınar?

Her ki-kare testi aynı soruyu sorar: tablodaki sayılar, H₀’ın öngördüğü sayılardan örnekleme hatasıyla açıklanamayacak kadar uzak mı? Bunun için her hücrede gözlenen sayı OO ile beklenen sayı EE arasındaki farkın karesi beklenen sayıya bölünür ve bütün hücreler toplanır:

χ2=∑(O−E)2E\chi^2 = \sum \frac{(O - E)^2}{E}

Bu istatistiği Pearson (1900) önermiştir. Gözlenen sayılar beklenene ne kadar yakınsa χ² o kadar küçüktür. H₀ doğruyken istatistik yaklaşık olarak ki-kare dağılımına uyar; dağılımın biçimini serbestlik derecesi belirler. Serbestlik derecesi uygunluk testinde kategori sayısının bir eksiği, r satırlı ve c sütunlu bir çapraz tabloda (r − 1)(c − 1)‘dir (Agresti, 2007).

Üç nokta bütün türler için geçerlidir:

  1. Test hücrelerdeki frekanslarla yapılır; yüzdeler ya da ortalamalar tabloya konmaz.
  2. Her birim tabloda yalnız bir kez sayılır: aynı kişinin iki ölçümü ya da birden çok seçenek işaretlenebilen bir sorunun yanıtları bağımsız gözlem değildir.
  3. Ki-kare testi normallik varsaymaz; parametrik ve parametrik olmayan testler ayrımındaki normallik tartışması burada doğmaz. Onun yerine beklenen sayıların yeterli olması gerekir.

Ki-kare testi yönsüzdür: bir sapmanın var olup olmadığını sınar, hangi hücrede ve hangi yönde olduğunu tablo ve artıklar gösterir.

Ki-kare testinin üç türü nelerdir?

Ki-kare testinin üç türü uygunluk, bağımsızlık ve homojenlik testidir. Üç tür aynı istatistiği üç farklı soruya uygular. Her birinin varsayımları, formülü, çözümlü örneği ve APA 7 raporu kendi yazısındadır; burada yalnız neyi sınadıkları ve birbirlerinden nasıl ayrıldıkları özetleniyor.

Ki-kare uygunluk testi

Tek bir kategorik (nitel) değişkenin gözlenen dağılımını, veriden önce belirlenmiş oranlarla karşılaştırır: kuramdan gelen bir oran, eşit dağılım ya da kitlenin bilinen dağılımı. Bir anketin katılımcılarının yaş gruplarına dağılımının kitleyle uyuşup uyuşmadığı bu testle sınanır. Beklenen oranlar gözlenen sayılara bakılarak seçilmez. Ayrıntı: ki-kare uygunluk testi.

Ki-kare bağımsızlık testi

Tek bir örneklemde birlikte ölçülen iki kategorik değişkenin birbirinden bağımsız olup olmadığını sınar. Rastgele seçilen öğrencilerin barınma türü ile kahvaltı alışkanlığı gibi iki değişken bir çapraz tabloda özetlenir. Bağımsızlık altında bir hücrenin beklenen sayısı, satır ve sütun toplamlarının çarpımının genel toplama bölümüdür. Ayrıntı: ki-kare bağımsızlık testi.

Ki-kare homojenlik testi

Araştırmacının önceden belirlediği gruplardan ayrı ayrı örneklem alındığında, grupların bir kategorik değişkende aynı dağılımı taşıyıp taşımadığını sınar: her yaş grubundan 100 kişi ya da her tedavi koluna rastgele atanan eşit sayıda hasta gibi. Hesap bağımsızlık testiyle aynıdır; fark örnekleme desenindedir. Grup büyüklüklerini araştırmacı belirlediği için grupların kitledeki payı bu veriden kestirilmez ve yorum grup içi yüzdeler üzerinden yapılır. Ayrıntı: ki-kare homojenlik testi.

Hangi ki-kare testi ne zaman seçilir?

Seçimi iki soru belirler: kaç kategorik değişken var ve veri nasıl toplandı? Ardından beklenen sayılara bakılır; küçükse aynı soru kesin bir testle sınanır.

Araştırma durumuTestBeklenen sayılar küçükse
Tek kategorik değişken, veriden önce belirlenmiş oranlarKi-kare uygunluk testiKesin çok terimli (multinom) test ya da benzetimle p değeri
Tek örneklemde iki kategorik değişkenKi-kare bağımsızlık testi2×2’de Fisher’ın kesin testi, daha büyük tabloda Fisher-Freeman-Halton testi
Ayrı ayrı örneklenen ya da rastgele atanan gruplar, bir kategorik sonuçKi-kare homojenlik testi2×2’de Fisher’ın kesin testi, daha büyük tabloda Fisher-Freeman-Halton testi
Aynı kişilerde iki ikili ölçüm (önce-sonra evet/hayır)Ki-kare değil: McNemar testiMcNemar testinin mid-p biçimi, Fagerland vd.‘nin (2013) önerisi; kesin (binom) biçim daha tutucudur
İki değişken de sıralı (ör. eğitim düzeyi × memnuniyet düzeyi)Ki-kare bağımsızlık testi; yanında sırayı kullanan doğrusal-doğrusal ilişki testi ya da Kendall τ-b—
Bağımlı değişken aralıklı ya da oranlı ölçekte, gruplar kategorikKi-kare değil: t-testi ya da varyans analizi—

Tablonun ilk üç satırı ki-kare testinin alanıdır. İkili bir sonucun birden çok değişkenle ilişkisini birlikte incelemek ya da başka değişkenlerin etkisini hesaba katmak gerekiyorsa lojistik regresyon kullanılır; regresyon türlerinin genel çerçevesi regresyon analizi yazısındadır. Korelasyon, regresyon ve ortalama karşılaştırmalarını da kapsayan daha geniş karar tabloları istatistiksel test seçimi rehberindedir.

Bağımsızlık ile homojenlik arasındaki seçim veriden değil araştırma planından okunur. Aynı çapraz tablo iki desenden de gelebilir; sonucun neyi söylediğini desen belirler. Değişkenlerin ölçek düzeyi de önemlidir: iki değişken de sıralıysa ki-kare bu sırayı kullanmaz ve sıra boyunca tek yönlü bir eğilimi sırayı kullanan bir testten daha zayıf yakalar.

Beklenen sayı koşulu nedir?

Beklenen sayı koşulu, ki-kare yaklaşımına güvenebilmek için hücrelerdeki beklenen sayıların yeterince büyük olmasını ister. Ki-kare dağılımı, χ² istatistiğinin gerçek dağılımına yalnız beklenen sayılar yeterince büyükken iyi bir yaklaşımdır. Yaygın ölçüt Cochran’ın (1954) kuralıdır:

  1. Hücrelerin %20’sinden fazlasında beklenen sayı 5’in altında olmamalıdır.
  2. Hiçbir hücrede beklenen sayı 1’in altında olmamalıdır.

Cochran 2×2 tablolar için ayrıca toplam örneklem büyüklüğüne dayanan bir ölçüt de vermiştir; yazılımların çoğu ise %20 ölçütünü her tablo için raporlar.

Dikkat

Koşulu belirleyen gözlenen değil, beklenen sayılardır. Gözlenen sayısı 0 ya da 2 olan bir hücre, beklenen sayısı 5’in üstündeyse koşulu bozmaz. Ayrıca ayrı bir “n > 30” koşulu yoktur; gereken örneklem, beklenen sayı koşulunu sağlayacak ve aranan büyüklükteki ilişkiyi yakalayacak kadardır.

Koşul sağlanmadığında üç yol vardır:

  • Kesin test: p değeri yaklaşım kullanılmadan hesaplanır. 2×2 tabloda Fisher’ın kesin testi, daha büyük tablolarda onun genelleştirilmiş biçimi kullanılır.
  • Benzetimle p değeri: Tablo çok büyükse ve kesin hesap uzun sürüyorsa p değeri, H₀ altında üretilen çok sayıda tablodan Monte Carlo yöntemiyle kestirilir.
  • Kategorileri birleştirmek: Anlamca yakın kategoriler (ör. “katılıyorum” ile “kesinlikle katılıyorum”) birleştirilebilir. Birleştirme araştırma sorusuna uygun bir gerekçeyle yapılır, sonucu değiştirmek için veriye bakılarak yapılmaz.

Cochran’ın kuralı tutucu bir ölçüttür. 2×2 tablolar üzerine yapılan benzetim çalışmaları, bütün beklenen sayılar en az 1 olduğunda χ² istatistiğinin (N − 1)/N ile çarpılmış biçiminin (“N − 1” ki-kare testi) de birinci tür hata oranını koruduğunu göstermiştir (Campbell, 2007). Yani bazı hücrelerde beklenen sayı 1 ile 5 arasındayken iki ölçüt ayrışır: Cochran kesin testi, Campbell N − 1 ki-kareyi seçer. Hangisinin uygulanacağı veriye bakmadan, analiz planında yazılır; bu yazıdaki örnek Cochran’ın ölçütünü izler.

Fisher’ın kesin testi ne zaman kullanılır?

Fisher’ın kesin testi, beklenen sayılar küçük olduğu için ki-kare yaklaşımına güvenilemeyen tablolarda kullanılır. Test satır ve sütun toplamlarını gözlenen değerlerinde sabit tutar. Bu toplamlarla kurulabilecek her tablonun H₀ altındaki olasılığı hipergeometrik dağılımdan hesaplanır. Hücreleri aa, bb, cc, dd ve genel toplamı NN olan bir 2×2 tablonun olasılığı şudur:

P=(a+b)! (c+d)! (a+c)! (b+d)!N!  a!  b!  c!  d!P = \frac{(a+b)!\,(c+d)!\,(a+c)!\,(b+d)!}{N!\;a!\;b!\;c!\;d!}

Çift yönlü p değeri, aynı kenar toplamlarıyla kurulabilen ve olasılığı gözlenen tablonunkinden büyük olmayan bütün tabloların olasılıklarının toplamıdır. p değeri bir dağılım yaklaşımıyla değil, doğrudan sayılarak bulunduğu için test “kesin” adını alır (Agresti, 2007).

Dikkat

“Kesin” sözcüğü testin her durumda en iyi seçenek olduğu anlamına gelmez. Kesikli bir dağılım kullanıldığı için gerçek birinci tür hata oranı çoğu zaman belirlenen düzeyin (ör. .05) altında kalır; test tutucudur ve gücü sınırlıdır (Agresti, 2007). Bu yüzden beklenen sayılar yeterliyken düzeltmesiz ki-kare testi kullanılır; Fisher’ın kesin testi beklenen sayılar küçükken başvurulan testtir.

Büyük tablolar: Fisher-Freeman-Halton testi

Aynı mantık 2×2’den büyük tablolara da uygulanır: kenar toplamları sabitken kurulabilecek bütün tabloların olasılıkları hesaplanır ve olasılığı gözlenen tablonunkinden büyük olmayanların olasılıkları toplanır. Bu genelleştirmeyi Freeman ve Halton (1951) vermiştir; yazılımlarda “Fisher-Freeman-Halton testi” ya da yalnız “Fisher’ın kesin testi” adıyla görünür. Olası tablo sayısı satır, sütun ve örneklem büyüdükçe hızla arttığı için büyük tablolarda p değeri çoğunlukla benzetimle kestirilir.

Yates düzeltmesi ne işe yarar?

Yates (1934), 2×2 tablolarda kesikli sayıların sürekli ki-kare dağılımıyla yaklaşıklanmasından doğan hatayı azaltmak için bir süreklilik düzeltmesi önermiştir. Her hücrede gözlenen ile beklenen arasındaki farkın mutlak değerinden 0,5 çıkarılır:

χYates2=∑(∣O−E∣−0.5)2E\chi^2_{\text{Yates}} = \sum \frac{\left(\lvert O - E \rvert - 0.5\right)^2}{E}

Düzeltme χ²’yi küçültür, p değerini büyütür ve sonucu Fisher’ın kesin testine yaklaştırır. Bu yüzden düzeltmeli test de tutucudur. Campbell’ın (2007) 2×2 tablolar üzerine benzetim çalışmasında Yates düzeltmeli test önerilen yollar arasında yer almamıştır; önerilen yol, bütün beklenen sayılar en az 1 ise N − 1 ki-kare testi, değilse Fisher-Irwin testidir. Yazılım iki satırı birlikte veriyorsa hangisinin raporlandığı açıkça yazılır.

Çözümlü örnek: iki pansuman türü ve yara enfeksiyonu

Bir cerrahi servisinde ameliyat sonrası 40 hasta iki pansuman türüne rastgele atanıyor: 20 hastaya yeni pansuman, 20 hastaya standart pansuman uygulanıyor. 30 gün içinde yara enfeksiyonu gelişip gelişmediği kaydediliyor. Soru: enfeksiyon oranı iki pansumanda farklı mı?

Gruplar desen gereği sabit olduğu için bu bir homojenlik desenidir. Veri öğretici amaçla hazırlanmıştır; her satır bir hastadır ve aşağıdan indirip aynı analizi kendiniz yapabilirsiniz. İlk kart Pearson ki-kare testini ve beklenen sayıları gösterir.

Ameliyat sonrası iki pansuman türüne rastgele atanan 40 hastada 30 gün içinde yara enfeksiyonu: Pearson ki-kare testi ve beklenen sayılar (öğretici veri; her satır bir hasta)
pansumanenfeksiyon
StandartYok
YeniYok
YeniYok
StandartVar
YeniYok
StandartYok
StandartYok
YeniYok
StandartYok
YeniYok
StandartVar
YeniYok

İlk 12 satır (toplam 40) · Bu örnekteki tüm sayılar SciPy 1.16.3 ile bağımsız olarak yeniden hesaplanır. Veriyi indirin (CSV)

Gözlenen sayılar ve satır yüzdeleri Tablo 1’de verilmiştir.

Tablo 1

İki pansuman türünde yara enfeksiyonu: gözlenen sayılar ve satır yüzdeleri (N = 40)

PansumanEnfeksiyon varEnfeksiyon yok
Yeni1 (%5,0)19 (%95,0)
Standart6 (%30,0)14 (%70,0)

Önce beklenen sayılara bakılır. Enfeksiyon nadir bir sonuç olduğu için “enfeksiyon var” sütunundaki iki hücrenin beklenen sayısı 5’in altındadır; dört hücreden ikisi, yani %20’den fazlası. Beklenen sayıların en küçüğü 3,50’dir.

Bu örneğin analiz planı Cochran’ın ölçütünü izler; koşul sağlanmadığı için birincil test Fisher’ın kesin testidir. Campbell’ın ölçütü izlenseydi birincil test N − 1 ki-kare olurdu; ikisinin ayrışması aşağıda ele alınıyor.

Koşul yok sayılıp Pearson ki-kare testi uygulansaydı sonuç şöyle olurdu:

  • χ²(1, N = 40) = 4.33, p = .037
  • Cramér’s V = .33 (2×2 tabloda φ’nin mutlak değeri)

İkinci kart aynı 40 hastayı bu kez Fisher’ın kesin testi, Yates düzeltmeli ki-kare ve koşullu olasılık oranıyla çözümler:

Aynı 40 hasta: Fisher'ın kesin testi, Yates düzeltmeli ki-kare ve koşullu olasılık oranı (öğretici veri; her satır bir hasta)
pansumanenfeksiyon
StandartYok
YeniYok
YeniYok
StandartVar
YeniYok
StandartYok
StandartYok
YeniYok
StandartYok
YeniYok
StandartVar
YeniYok

İlk 12 satır (toplam 40) · Bu örnekteki tüm sayılar SciPy 1.16.3 ile bağımsız olarak yeniden hesaplanır. Veriyi indirin (CSV)

  • Fisher’ın kesin testi (çift yönlü): p = .091
  • Yates düzeltmeli ki-kare: χ² = 2.77, p = .096
  • φ = −.33
  • Koşullu en çok olabilirlik olasılık oranı (odds ratio): OR = 0.13, %95 GA [0.003, 1.25]

OR, adına karşın iki olasılığın değil iki odds’un oranıdır; iki olasılığın oranı olan göreli riskle karıştırılmaz.

Sonucun yorumu

İki test aynı tabloda farklı kararlara götürür. Pearson ki-kare testi farkı .05 düzeyinde anlamlı bulur (p = .037), Fisher’ın kesin testi bulmaz (p = .091).

Ayrışmanın iki kaynağı vardır. Beklenen sayılar küçük olduğu için ki-kare dağılımı bu tabloda yalnız kaba bir yaklaşımdır; öte yandan Fisher’ın kesin testi kesikli olduğu için tutucudur ve gerçek birinci tür hata oranı belirlenen düzeyin belirgin biçimde altında kalır (Agresti, 2007). Pearson testi ise bu desende birinci tür hata oranını belirgin biçimde şişirmez; ayrışmayı yalnız ki-karenin yaklaşık olmasına bağlamak eksik kalır.

En küçük beklenen sayı 1’in üstünde olduğu için Campbell’ın (2007) kuralı bu tabloda N − 1 ki-kareyi önerir: istatistik 4.33 × 39/40 = 4.22 olur (elle hesaplanır) ve fark onunla da .05 düzeyinde anlamlıdır.

Planda Cochran’ın ölçütü yazılı olduğundan ve koşul sağlanmadığından birincil sonuç Fisher’ın kesin testininkidir, Pearson ki-kare duyarlılık analizi olarak raporlanır. Kanıt sınırdadır: veri ne belirgin bir farkı ne de farkın yokluğunu gösteriyor. Yates düzeltmeli ki-kare (p = .096) Fisher’ın sonucuna yakındır; o da tutucudur.

Anlamlı olmayan sonuç “pansumanlar arasında fark yok” demek değildir. Enfeksiyon oranı yeni pansumanda %5,0, standart pansumanda %30,0’dır ve OR’nin güven aralığı çok geniştir: veri, yeni pansumanın enfeksiyon odds’unu (enfeksiyon olma olasılığının olmama olasılığına oranını) büyük ölçüde azaltmasıyla da iki pansumanın aşağı yukarı aynı olmasıyla da uyumludur.

Etki büyüklüğü (φ = −.33) küçümsenecek düzeyde değildir; 40 hastalık bir çalışma bu büyüklükte bir farkı güvenilir biçimde yakalayacak güçte olmayabilir. Daha büyük bir çalışmanın kaç hasta gerektirdiği örneklem büyüklüğü hesaplama yazısında anlatılan güç analiziyle, veri toplanmadan önce belirlenir.

APA 7’ye göre bir rapor cümlesi şöyle kurulabilir:

Tezde nasıl yazılır

Yara enfeksiyonu yeni pansuman uygulanan hastaların %5,0’ında, standart pansuman uygulananların %30,0’ında gelişmiştir. Beklenen sayılar küçük olduğu için Fisher’ın kesin testi kullanılmış ve fark anlamlı bulunmamıştır, p = .091, φ = −.33, OR = 0.13, %95 GA [0.003, 1.25]. Duyarlılık analizi olarak yapılan Pearson ki-kare testi farkı .05 düzeyinde anlamlı bulmuştur, χ²(1, N = 40) = 4.33, p = .037; iki testin ayrışması kanıtın sınırda olduğunu gösterir.

İstatistik sonuçlarının raporlanmasındaki genel kurallar (sayı biçimi, tablo düzeni, kesin p değeri) APA 7’ye göre istatistik raporlama yazısındadır.

Etki büyüklüğü nasıl raporlanır?

Etki büyüklüğü tablonun türüne göre seçilir: uygunluk testinde Cohen w, 2×2 tabloda φ ve OR, daha büyük tablolarda Cramér’s V raporlanır. χ² değeri örneklem büyüdükçe büyür; aynı güçteki bir ilişki 100 kişide anlamsız, 1.000 kişide çok anlamlı çıkabilir. Bu yüzden her ki-kare testinde ilişkinin ya da sapmanın büyüklüğü ayrıca raporlanır:

Test ve tabloEtki büyüklüğüNot
Uygunluk testiCohen wGözlenen oranların beklenen oranlardan sapmasının büyüklüğü
2×2 tabloφ, OR, göreli riskφ’nin işareti tablonun düzenine bağlıdır; OR ve göreli risk ilişkiyi somut anlatır
2×2’den büyük tabloCramér’s V0 ile 1 arasında; 2×2 tabloda φ’nin mutlak değerine eşittir

φ (2×2 tablo) ve Cramér’s V (her r×c tablo) şöyle hesaplanır; kk, satır ve sütun sayısından küçük olanıdır:

φ=ad−bc(a+b)(c+d)(a+c)(b+d)\varphi = \frac{ad - bc}{\sqrt{(a+b)(c+d)(a+c)(b+d)}}
V=χ2N (k−1)V = \sqrt{\frac{\chi^2}{N\,(k - 1)}}

OR 2×2 tabloda ad/bcad / bc ile hesaplanır ve 1, ilişki olmadığını gösterir. Hücrelerden biri sıfırsa ya da sayılar küçükse bu örneklem kestirimi kararsızlaşır. Fisher’ın kesin testiyle birlikte genellikle koşullu en çok olabilirlik kestirimi ve kesin güven aralığı raporlanır; yukarıdaki örnekte gösterilen budur.

Cohen (1988/2013) w ve φ için 0,10, 0,30 ve 0,50 değerlerini küçük, orta ve büyük etki örnekleri olarak önermiştir. Cramér’s V’de bu sınırlar tablonun boyutuna göre küçülür. Bu değerler alanın bilgisi yokken başvurulan kaba işaretlerdir; bir etkinin önemi araştırma alanındaki benzer bulgulara ve sonucun pratik anlamına göre değerlendirilir. Örnekteki gibi bir klinik sonuçta oranların kendisi (%5,0 ile %30,0) okura φ’den daha çok şey söyler.

Sık yapılan hatalar nelerdir?

Ki-kare testinde en sık hatalar beklenen sayı koşulunu yok saymak, Yates düzeltmesini varsayılan saymak ve kategorileri sonuca bakarak birleştirmektir.

  • Koşul sağlanmadığı hâlde yalnız Pearson ki-kare sonucunu raporlamak. Küçük beklenen sayılarda yaklaşım kabalaşır; önceden belirlenen kesin test birincil sonuçtur, ayrışma varsa ikisi de raporlanır.
  • Yates düzeltmesini varsayılan saymak. Düzeltme testi tutucu yapar; yazılım iki satırı birlikte veriyorsa hangisinin raporlandığı yazılır.
  • Kategorileri sonuca bakarak birleştirmek. Birleştirme gerekçesi veri toplanmadan önce ya da araştırma sorusundan gelir; sonucu anlamlı yapmak için yapılan birleştirme birinci tür hata oranını şişirir.

Yüzdelerle test yapmak, aynı kişiyi birden çok kez saymak ya da anlamlı sonuçtan sonra tabloya bakmamak gibi test türlerine özgü hatalar her testin kendi yazısında, örneğin ki-kare bağımsızlık testi yazısında ele alınır.

Sık sorulan sorular

Ki-kare testi ile Fisher’ın kesin testi arasındaki fark nedir?

Ki-kare testi, test istatistiğinin ki-kare dağılımına yaklaşık uyduğunu varsayar; bu yaklaşım beklenen sayılar yeterliyken iyidir. Fisher’ın kesin testi p değerini yaklaşım kullanmadan, kenar toplamları sabitken olası bütün tabloları sayarak hesaplar; beklenen sayılar küçükken kullanılır.

Fisher’ın kesin testi yalnız 2×2 tablolarda mı kullanılır?

Hayır. 2×2’den büyük tablolar için Freeman ve Halton’ın (1951) genelleştirmesi kullanılır; yazılımlarda Fisher-Freeman-Halton testi ya da yalnız Fisher’ın kesin testi adıyla görünür. Tablo çok büyükse p değeri benzetimle kestirilir.

Beklenen sayılar yeterliyken de Fisher’ın kesin testi kullanılabilir mi?

Kullanılabilir, ama gerek yoktur. Fisher’ın kesin testi kesikli olduğu için tutucudur; beklenen sayılar yeterliyken düzeltmesiz ki-kare testi aynı soruyu daha yüksek güçle yanıtlar.

2×2 tabloda Yates düzeltmesi kullanmalı mıyım?

Çoğu durumda hayır. Düzeltme testi tutucu yapar. Beklenen sayılar yeterliyse düzeltmesiz ki-kare, küçükse Fisher’ın kesin testi raporlanır.

Ki-kare testi kaç kişiyle yapılabilir?

Sabit bir sayı yoktur. Gereken örneklem, beklenen sayı koşulunu sağlayacak ve aranan büyüklükteki ilişkiyi yakalayacak kadardır. Nadir bir sonuç ya da çok kategorili bir değişken, beklenen sayıları küçülttüğü için daha büyük örneklem ister.

Ki-kare testi sonucunda Cramér’s V mi, φ mi raporlanır?

2×2 tabloda φ (ve çoğu zaman OR ya da göreli risk) raporlanır; φ’nin işareti ilişkinin yönünü tablonun düzenine göre gösterir. Daha büyük tablolarda Cramér’s V raporlanır. Uygunluk testinde etki büyüklüğü Cohen w’dir.

Likert maddeleri ki-kare testiyle analiz edilebilir mi?

Edilebilir, ama ki-kare kategorilerin sırasını kullanmaz. İki grubu tek bir Likert maddesinde karşılaştırırken sırayı kullanan Mann-Whitney U testi ya da sıralı yöntemler genellikle daha uygundur; seçenekler ve gerekçeleri Likert ölçeği analizi yazısındadır.

  • #ki-kare-testleri
  • #kategorik-veri-analizi
  • #pearson-ki-kare-testi
  • #fisher-kesin-testi
  • #istatistiksel-test-secimi

Bilimsel inceleme

Doç. Dr. Hasan Yıldırım

Karamanoğlu Mehmetbey Üniversitesi Öğretim Üyesi

İnceleme tarihi:

Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.

Kaynakça

  1. Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 50(302), 157–175.
  2. Yates, F. (1934). Contingency tables involving small numbers and the χ² test. Supplement to the Journal of the Royal Statistical Society, 1(2), 217–235.
  3. Freeman, G. H., & Halton, J. H. (1951). Note on an exact treatment of contingency, goodness of fit and other problems of significance. Biometrika, 38(1/2), 141–149.
  4. Cochran, W. G. (1954). Some methods for strengthening the common χ² tests. Biometrics, 10(4), 417–451.
  5. Agresti, A. (2007). An introduction to categorical data analysis (2nd ed.). Wiley.
  6. Campbell, I. (2007). Chi-squared and Fisher–Irwin tests of two-by-two tables with small sample recommendations. Statistics in Medicine, 26(19), 3661–3675.
  7. Cohen, J. (2013). Statistical power analysis for the behavioral sciences (2nd ed.). Routledge. (Original work published 1988)
  8. Fagerland, M. W., Lydersen, S., & Laake, P. (2013). The McNemar test for binary matched-pairs data: Mid-p and asymptotic are better than exact conditional. BMC Medical Research Methodology, 13, Article 91.

Bu analizi şimdi yapın

Basira’da kendiniz yapın

Kategorik Analiz (Ki-Kare) modülünü örnek veriyle açın; sonra kendi verinize geçin.

Analizi aç

Uzmanla çalışın

Tez ya da makaleniz için doktora düzeyinde uzmanlar analizinizi yapar veya denetler.

Nasıl çalışır?

İlgili yazılar