M1-077M1: 数学与统计基础假设检验Medium
⚡闪卡盲测➔掌握度:
解释卡方检验的三种主要用途。
🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
📐 核心数学机理公式
⚡ 一句话直击要害答案
① 拟合优度(分布是否匹配)② 独立性(两分类变量是否相关)③ 方差/比例的比较。
📌 核心要点提炼
- •拟合优度:自由度 = 类别数 − 1 − 估计参数数
- •独立性:自由度 = (r−1)(c−1)
📐 数学机理与严密推导
三种用途:① 拟合优度检验——检验观测频数 Oᵢ 是否与某理论分布(如均匀、泊松)的期望频数 Eᵢ 一致;自由度 = 类别数 −1(若分布参数也从数据估计,还需减去估计的参数个数)。② 独立性检验(列联表)——检验两个分类变量是否独立:把观测频数与'独立假设下的期望频数' Eᵢⱼ=(行和×列和)/总数 比较,自由度 =(r−1)(c−1)。这是 A/B 测试中 SRM(样本比例失配)检测的标准方法。③ 方差/比例的检验——对单个方差(相对理论值)或比例的比较(如'两组转化率是否相同'可用卡方或比例 z 检验,两者等价)。统计量构造:χ²=Σ(Oᵢ−Eᵢ)²/Eᵢ,在 H₀ 成立且期望频数足够大时渐近服从 χ² 分布。
🏭 深度剖析与工业落地权衡
实践要点:① 期望频数要求——卡方检验是渐近检验,要求每个单元格的期望频数 ≥5(保守做法);若有不满足的单元格,应改用 Fisher 精确检验(小样本列联表)或合并类别。② 只能说明'是否相关',不能说明'强度'——χ² 随样本量增大而增大,故显著不等于关联强;度量关联强度应用 Cramér's V(=√(χ²/(n·min(r−1,c−1))))、优势比(OR) 或 phi 系数。③ 不能给出方向——独立性检验是双侧的,若需方向(如'处理组比例更高')应用比例检验(单侧 z 检验)或看残差符号(标准化残差 (O−E)/√E)。④ 连续数据需先分箱——卡方用于分类数据;对连续数据需先分箱(会损失信息),或改用 KS 检验(分布比较)、t 检验(均值比较)。⑤ A/B 测试中的 SRM 检测——用卡方检验分流比例是否偏离预期,阈值通常取 p<0.001(比常规更严,因为 SRM 会持续影响所有实验);发现 SRM 应废弃实验而非'校正'数据。⑥ 与 G 检验的关系——G 检验(似然比卡方)在理论上更优(可分解),小样本下表现更好。
⚠️ 常见面试陷阱与高频失分点
- ✕在期望频数 <5 时仍用卡方(应用 Fisher 精确检验)
- ✕用卡方 p 值说明关联强度(应用 Cramér's V)
🎯 面试官连环追问与延伸考察
- ?卡方检验对期望频数有什么要求?
- ?为什么它不能说明关联强度?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
📚