In de statistiek wordt de chi-kwadraattoets (χ²-toets) vaak gebruikt om te onderzoeken of er een verband is tussen twee categorische variabelen. Deze toets is van groot belang voor onderzoekers die kruistabellen analyseren, omdat deze methode niet alleen aantoont of er sprake is van onafhankelijkheid, maar ook hoe sterk het verband is. In dit artikel leggen we de basis van de chi-kwadraattoets uit, geven we een overzicht van de belangrijkste eigenschappen van de chi-kwadraatverdeling, en laten we zien hoe je deze toets in de praktijk kunt toepassen. Aan de hand van een aantal voorbeelden en oefeningen zullen we uitleggen hoe je de chi-kwadraattoets kunt uitvoeren en hoe je de resultaten moet interpreteren.
Wat is de chi-kwadraattoets en waarvoor wordt deze gebruikt?
De chi-kwadraattoets is een statistische methode die wordt gebruikt om te bepalen of er een verband is tussen twee categorische variabelen. Deze variabelen kunnen bijvoorbeeld zijn: geslacht (man/vrouw), levensstijl (sportend/niet-sportend), of voeding (vegetarisch/vlees).
De toets werkt door de geobserveerde waarden in een kruistabel te vergelijken met de verwachte waarden onder de nulhypothese, die stelt dat er geen verband is tussen de variabelen. Als de geobserveerde waarden significant afwijken van de verwachte waarden, dan is er sprake van een statistisch significant verband.
De chi-kwadraattoets is ontwikkeld door Karl Pearson en is een veelgebruikte methode in onderzoek op het gebied van psychologie, sociologie, gezondheid en sportwetenschappen. Ze is vooral geschikt voor data die in kruistabellen zijn opgesteld, waarin de frequenties van twee of meer variabelen worden vergeleken.
De chi-kwadraatverdeling: eigenschappen en interpretatie
De chi-kwadraattoets is gebaseerd op de chi-kwadraatverdeling (χ²-verdeling), een continue kansverdeling die wordt gebruikt om de toetsingsgrootheid χ² te beschrijven. Deze verdeling heeft een aantal belangrijke eigenschappen:
De verdeling is altijd positief. Dit betekent dat de χ²-waarde nooit negatief kan zijn. De kleinste waarde die χ² kan aannemen is 0, wat aangeeft dat de geobserveerde en verwachte waarden exact gelijk zijn.
De verdeling is rechtsscheef. Dit wil zeggen dat de verdeling een lange staart heeft aan de rechterkant van de grafiek. Hoe groter de vrijheidsgraden (df), hoe platter de verdeling wordt.
De vorm van de verdeling hangt af van de vrijheidsgraden. De vrijheidsgraden worden berekend aan de hand van het aantal rijen (r) en kolommen (c) in de kruistabel. De formule is: df = (r – 1)(c – 1). Voor de chi-kwadraatverdeling geldt dat de verwachtingswaarde (µ) gelijk is aan df en de standaardafwijking (σ) gelijk is aan de wortel van 2df.
Hoogere vrijheidsgraden leiden tot grotere χ²-waarden. Hoe groter de kruistabel is, hoe groter het aantal vrijheidsgraden en hoe groter de χ²-waarde kan zijn. Dit betekent dat grotere tabellen automatisch grotere χ²-waarden kunnen opleveren, zelfs bij kleine effecten.
De χ²-waarde is een maat voor het bewijs tegen de nulhypothese. Hoe groter de χ²-waarde, hoe sterker het bewijs is dat er een verband bestaat tussen de variabelen. Echter, de χ²-waarde geeft geen informatie over de sterkte van het verband. Voor dat doel zijn andere maatstaven nodig, zoals de odds ratio of gamma.
Toepassing van de chi-kwadraattoets in de praktijk
Stappen bij het uitvoeren van de chi-kwadraattoets
Stel de nul- en alternatieve hypothese op. De nulhypothese (H0) stelt dat er geen verband is tussen de variabelen. De alternatieve hypothese (Ha) stelt dat er wel een verband is.
Bereken de verwachte waarden. De verwachte waarde voor een cel in een kruistabel wordt berekend aan de hand van de totale frequenties van de rijen en kolommen. De formule is: verwachte frequentie = (rijtotaal × kolomtotaal) / totaal aantal observaties.
Bereken de χ²-toetsingsgrootheid. De χ²-toetsingsgrootheid wordt berekend door de som te nemen van de kwadraten van het verschil tussen de geobserveerde en verwachte waarden, gedeeld door de verwachte waarden. De formule is:
χ² = Σ [(geobserveerde waarde – verwachte waarde)² / verwachte waarde]Bepaal de vrijheidsgraden. De vrijheidsgraden worden berekend met de formule: df = (r – 1)(c – 1), waarbij r het aantal rijen en c het aantal kolommen is.
Vergelijk de χ²-waarde met de kritieke waarde. De kritieke waarde wordt bepaald aan de hand van de vrijheidsgraden en het gekozen significantieniveau (bijvoorbeeld 0,05). Als de χ²-waarde groter is dan de kritieke waarde, dan wordt de nulhypothese afgewezen en is er sprake van een statistisch significant verband.
Interpreteer de resultaten. Als de nulhypothese wordt afgewezen, betekent dit dat er een verband is tussen de variabelen. Echter, de χ²-waarde geeft geen informatie over de richting of sterkte van het verband. Daarvoor zijn residuen of andere maatstaven nodig.
Voorbeeld van een chi-kwadraattoets
Laten we een voorbeeld bekijken van een kruistabel met twee variabelen: geslacht (man/vrouw) en sportbeoefening (ja/nee). We willen weten of er een verband is tussen geslacht en sportbeoefening.
De kruistabel ziet er als volgt uit:
| Geslacht \ Sportbeoefening | Ja | Nee | Totaal |
|---|---|---|---|
| Man | 120 | 80 | 200 |
| Vrouw | 130 | 70 | 200 |
| Totaal | 250 | 150 | 400 |
Stap 1: Stel de hypothese op
- H0: Er is geen verband tussen geslacht en sportbeoefening.
- Ha: Er is wel een verband tussen geslacht en sportbeoefening.
Stap 2: Bereken de verwachte waarden
De verwachte waarde voor elke cel wordt berekend aan de hand van de totale frequenties. Voor de cel "Man – Ja" is de verwachte waarde:
(200 × 250) / 400 = 125
De verwachte waarden voor de andere cellen zijn:
- Man – Nee: 75
- Vrouw – Ja: 125
- Vrouw – Nee: 75
Stap 3: Bereken de χ²-toetsingsgrootheid
De χ²-waarde wordt berekend als:
χ² = [(120 – 125)² / 125] + [(80 – 75)² / 75] + [(130 – 125)² / 125] + [(70 – 75)² / 75]
χ² = [(-5)² / 125] + [(5)² / 75] + [(5)² / 125] + [(-5)² / 75]
χ² = (25 / 125) + (25 / 75) + (25 / 125) + (25 / 75)
χ² = 0,2 + 0,33 + 0,2 + 0,33
χ² = 1,06
Stap 4: Bepaal de vrijheidsgraden
df = (r – 1)(c – 1) = (2 – 1)(2 – 1) = 1 × 1 = 1
Stap 5: Vergelijk de χ²-waarde met de kritieke waarde
Voor df = 1 en α = 0,05 is de kritieke waarde 3,841. Aangezien 1,06 < 3,841, wordt de nulhypothese niet afgewezen. Er is geen statistisch significant verband tussen geslacht en sportbeoefening.
Stap 6: Interpreteer de resultaten
De resultaten tonen aan dat er geen significant verband is tussen geslacht en sportbeoefening. Dit betekent dat sportbeoefening gelijk is verdeeld over mannen en vrouwen in deze steekproef.
Beperkingen van de chi-kwadraattoets
Hoewel de chi-kwadraattoets een krachtige methode is, heeft ze ook een aantal beperkingen die je moet kennen als je deze toets in de praktijk toepast:
De toets is alleen geschikt voor grote steekproeven. De chi-kwadraattoets is betrouwbaar als de verwachte frequentie in elke cel minstens 5 is. Bij kleine steekproeven is er een risico op type I- en type II-fouten. In dergelijke gevallen is Fishers exacte toets een betere keuze.
De toets negeert rangen in de data. De chi-kwadraattoets is ontworpen voor nominale variabelen, waarbij de categorieën geen volgorde hebben. Voor ordinale variabelen (waarbij de categorieën wel een volgorde hebben) zijn andere methoden beter, zoals gamma of een linear-by-linear association-toets.
De toets geeft geen informatie over de sterkte of richting van het verband. Hoewel de χ²-waarde aangeeft of er een verband is, geeft ze geen informatie over hoe sterk het verband is. Voor dat doel zijn andere maatstaven nodig, zoals de odds ratio of residuen.
De toets kan misleidend zijn bij grote steekproeven. Bij een grote steekproef kan de χ²-waarde groot worden, zelfs bij een zwak verband. In dergelijke gevallen is het belangrijk om ook de effectgrootte te analyseren.
De toets vereist een aantal aanvullende berekeningen voor een volledige analyse. Naast de χ²-waarde zijn residuen, de odds ratio en gamma vaak nodig om een volledig beeld te krijgen van het verband tussen de variabelen.
Residuen en de odds ratio: aanvullende maatstaven voor de analyse
Hoewel de chi-kwadraattoets een krachtige methode is, is het belangrijk om aanvullende maatstaven te gebruiken om het verband tussen de variabelen te interpreteren. Twee belangrijke maatstaven zijn residuen en de odds ratio.
Residuen
Residuen geven aan hoeveel de geobserveerde waarden afwijken van de verwachte waarden. Het residu voor een cel wordt berekend als:
Residu = geobserveerde waarde – verwachte waarde
Een positief residu betekent dat de geobserveerde waarde groter is dan verwacht, terwijl een negatief residu betekent dat de geobserveerde waarde lager is dan verwacht. Residuen zijn handig om te zien welke cellen het sterkst afwijken van de verwachting en dus het meeste bewijs leveren tegen de nulhypothese.
Een gestandaardiseerd residu is het residu gedeeld door de standaardafwijking van het residu. Als een gestandaardiseerd residu groter is dan 2, is er sprake van een significant verschil tussen de geobserveerde en verwachte waarde. Als het residu groter is dan 3, is het bewijs tegen de nulhypothese zeer sterk.
De odds ratio
De odds ratio is een maatstaf die wordt gebruikt om het verband tussen twee binaire variabelen te meten. De odds van een gebeurtenis wordt berekend als:
Odds = kans op succes / kans op falen
De odds ratio vergelijkt de odds van een groep met de odds van een andere groep. De formule is:
Odds ratio = (odds van groep 1) / (odds van groep 2)
De odds ratio heeft een aantal belangrijke eigenschappen:
- De waarde is hetzelfde ongeacht welke variabele als responsvariabele wordt gekozen.
- De odds ratio kan elk niet-negatief getal aannemen.
- Als de kans op succes voor twee groepen gelijk is, is de odds ratio 1.
- Als de odds ratio kleiner is dan 1, zijn de odds van succes voor groep 1 lager dan voor groep 2.
- Hoe verder de odds ratio van 1 verwijderd is, hoe sterker het verband is.
De odds ratio is een handige maatstaf om te interpreteren hoe sterk het verband is tussen de variabelen. Echter, de odds ratio geeft geen informatie over de richting van het verband. Voor dat doel zijn residuen of gamma beter.
Aanvullende maatstaven: gamma en linear-by-linear association
Naast residuen en de odds ratio zijn er ook andere maatstaven die gebruikt kunnen worden om het verband tussen variabelen te interpreteren. Twee belangrijke maatstaven zijn gamma en linear-by-linear association.
Gamma
Gamma is een maatstaf die wordt gebruikt om het verband tussen twee ordinale variabelen te meten. Deze maatstaf berekent de mate van overeenstemming tussen de variabelen. Gamma varieert tussen -1 en 1, waarbij:
- Een waarde van 0 betekent dat er geen verband is tussen de variabelen.
- Een waarde van 1 betekent dat er een perfect positief verband is.
- Een waarde van -1 betekent dat er een perfect negatief verband is.
Gamma is een handige maatstaf om het verband tussen ordinale variabelen te interpreteren, omdat deze rekening houdt met de richting van het verband.
Linear-by-linear association
De linear-by-linear association-toets is een methode die wordt gebruikt om het verband tussen twee ordinale variabelen te analyseren. Deze toets toekent een score aan elke categorie van de variabelen en berekent de correlatie tussen deze scores. De correlatie wordt geanalyseerd met een z-test.
De linear-by-linear association-toets is handig om trends in de data te detecteren. Deze toets is vooral geschikt voor variabelen met een duidelijke volgorde, zoals leeftijdsgroepen of inkomensniveaus.
Conclusie
De chi-kwadraattoets is een krachtige statistische methode die wordt gebruikt om te bepalen of er een verband is tussen twee categorische variabelen. Deze toets is handig voor onderzoekers die kruistabellen analyseren, omdat deze methode aantoont of er sprake is van onafhankelijkheid. Echter, de chi-kwadraattoets geeft geen informatie over de sterkte of richting van het verband. Voor dat doel zijn aanvullende maatstaven nodig, zoals residuen, de odds ratio, gamma en linear-by-linear association.
Het is belangrijk om te onthouden dat de chi-kwadraattoets alleen geschikt is voor grote steekproeven en nominale variabelen. Bij kleine steekproeven is Fishers exacte toets een betere keuze, en bij ordinale variabelen zijn andere methoden beter. Door de chi-kwadraattoets te combineren met aanvullende maatstaven, kun je een volledig beeld krijgen van het verband tussen de variabelen.