카이제곱(Chi-Square)

카이제곱 검정(Chi-square test)은 범주형 데이터에 적용되는 통계적 검정 방법입니다. 가장 흔한 사용 예는 **교차표(contingency table)**를 이용한 독립성 검정입니다. 여기에는 두 가지 범주형 변수 간의 독립성 여부를 검정하는 것이 포함됩니다.종종 $\chi^2$ 검정으로 표현되는 이 통계적 방법은 하나 이상의 범주에서 기대 빈도수와 관측 빈도수 간에 유의미한 차이가 있는지를 결정하기 위해 사용됩니다. 가설 검정에서 기본적인 도구로서 다양한 과학적 응용 분야에서 흔히 사용됩니다. 자세한 설명은 다음과 같습니다:

1. 카이제곱 검정의 목적: 카이제곱 검정의 주요 사용 목적은 관측된 분포가 우연에 의한 것인지를 평가하는 것입니다. 이는 변수들이 명목척도나 순서척도인 범주형 데이터에 특히 유용합니다.
2. 카이제곱 검정의 유형:

• 독립성 검정(Chi-Square Test of Independence): 두 범주형 변수 간에 유의미한 관계가 있는지를 결정합니다.
• 적합도 검정(Chi-Square Goodness of Fit Test): 샘플 범주형 데이터의 분포가 기대되는 분포와 일치하는지를 검사합니다.

3. 기본 개념: 카이제곱 검정은 각 범주에서의 관측 빈도수를 관계가 없을 때(독립성 검정) 또는 분포가 기대 분포에 적합할 때(적합도 검정) 기대되는 빈도수와 비교합니다.
4. 계산 방법: 검정 통계량은 다음 공식을 사용하여 계산됩니다: $$ \chi^2 = \sum \frac{(O_i - E_i)^2}{E_i} $$$ 여기서 O_i $는 각 범주에서의 관측 빈도수,$ E_i $는 귀무 가설 하에서의 기대 빈도수이며, 합계는 모든 범주에 대해 이루어집니다.
5. 가정:

• 샘플은 독립적이어야 합니다.
• 데이터는 범주형이어야 합니다.
• 독립성 검정의 경우, 기대 빈도수는 충분히 커야 합니다(일반적으로 최소 5 이상).

6. 결과 해석: 카이제곱 통계량이 자유도에 비해 높으면 관측 빈도수와 기대 빈도수 사이에 유의미한 차이가 있음을 제시합니다. 이는 보통 p-값으로 평가됩니다.
7. 사용사례: 카이제곱 검정은 시장 조사, 건강 연구 등 범주형 변수 간의 관계를 이해하는 것이 중요한 연구 분야에서 널리 사용됩니다. 요약하면, 카이제곱 검정은 범주형 변수 간 차이의 중요성을 결정하기 위해 사용되는 필수적인 통계 도구입니다. 이는 관측 빈도수가 기대 빈도수와 유의미하게 다른지 여부를 평가하는 데 도움을 주며, 변수 간 관계의 맥락(독립성 검정)이나 기대 분포에의 적합성(적합도 검정)에서 사용됩니다.

예를 들어, 우리가 ‘성별’과 ‘좋아하는 색상’ 사이의 연관성을 알고 싶다고 가정해 보겠습니다. 데이터 수집: 데이터 수집 표, 특히 카이제곱 검정에서 사용되는 교차표(contingency table)는 두 범주형 변수 간의 관계를 나타내는 데 사용됩니다. 이 표는 각 변수의 모든 가능한 범주를 행과 열로 배열하여 구성됩니다. 각 셀에는 해당 범주 조합에 해당하는 데이터의 빈도 수가 포함됩니다. 예를 들어, ‘성별’과 ‘좋아하는 색상’ 사이의 관계를 조사하는 경우를 살펴보겠습니다. 여기서 ‘성별’과 ‘좋아하는 색상’은 두 범주형 변수이며, 각각 ‘남성’, ‘여성’과 ‘빨강’, ‘파랑’이라는 범주를 가집니다. 교차표는 다음과 같이 구성됩니다:

• 각 행은 ‘좋아하는 색상’ 범주(빨강, 파랑)를 나타냅니다.
• 각 열은 ‘성별’ 범주(남성, 여성)를 나타냅니다.
• 각 셀의 숫자는 해당하는 성별과 색상 조합을 선택한 사람들의 수를 나타냅니다. 예를 들어, 20명의 남성이 빨강색을 가장 좋아한다고 답했습니다.
• 마지막 행과 열은 각각 색상과 성별에 대한 합계를 나타냅니다. 이 데이터를 사용하여 카이제곱 검정을 수행함으로써, ‘성별’과 ‘좋아하는 색상’ 간의 독립성 여부를 통계적으로 평가할 수 있습니다. 가설 설정: 기대 빈도 계산: 각 칸에 대해 기대 빈도를 계산합니다. 기대 빈도는 해당 행의 합계와 해당 열의 합계를 곱한 다음 총 합계로 나누어 계산합니다. 예를 들어, ‘남성이 빨강색을 좋아할 기대 빈도’는 (50 * 50) / 100 = 25입니다.

1. 카이제곱 통계량 계산: 각 칸에 대해 관찰 빈도와 기대 빈도의 차이를 제곱한 다음 기대 빈도로 나누고, 이를 모든 칸에 대해 합산합니다. $\chi^2 = \sum \frac{(관찰빈도 - 기대빈도)^2}{기대빈도}$
2. 결론 도출: 계산된 카이제곱 통계량을 카이제곱 분포표와 비교하여 p-value를 찾습니다. p-value가 사전에 정한 유의 수준(예: 0.05)보다 낮으면 귀무 가설을 기각하고 대립 가설을 채택합니다. 이는 성별과 좋아하는 색상 사이에 통계적으로 유의미한 연관이 있다는 것을 의미합니다. 이 예시는 카이제곱 검정의 기본적인 사용 방법을 보여줍니다. 실제로는 통계 소프트웨어를 사용하여 이러한 계산을 수행하고 더 정확한 p-value와 결론을 도출합니다.