Chi-kwadrat w SPSS – tabele krzyżowe krok po kroku

Autor: Konrad Hryniewicz · Opublikowano: 1 listopada 2026

Do czego służy tabela krzyżowa z testem chi-kwadrat

Test chi-kwadrat niezależności sprawdza, czy dwie zmienne jakościowe są ze sobą powiązane, np. czy miejsce zamieszkania w czasie studiów wiąże się z preferowaną formą zajęć. W SPSS liczy go procedura Crosstabs, która przy okazji buduje tabelę krzyżową. Logikę testu, warunki i obliczenia w R omawia poradnik test chi-kwadrat krok po kroku, a wybór między chi-kwadrat a testem Fishera – wpis chi-kwadrat czy test Fishera. Tu zajmujemy się samym SPSS.

Ścieżki menu, nazwy opcji i składnię sprawdziliśmy w oficjalnej dokumentacji IBM SPSS Statistics (IBM Corp., b.d.-a, b.d.-b, b.d.-c, b.d.-d, b.d.-e). Podajemy je po angielsku, a polskie – według polskiej dokumentacji IBM 32.0.0; tłumaczenia różnią się między wersjami, więc w Twoim programie nazwy mogą być nieco inne. Jak czytać tabelę 2 × 2 z pięcioma wierszami testów, pokazuje wpis jak czytać wyniki z SPSS – tego tu nie powtarzamy.

Przykład i pliki do pobrania

Dane są symulowane. 264 osoby studiujące podały, gdzie mieszkają w czasie studiów (zamieszkanie: 1 = z rodzicami, 2 = akademik, 3 = wynajmowane mieszkanie) i jaką formę zajęć wolą (forma: 1 = stacjonarne, 2 = hybrydowe, 3 = zdalne). Cztery osoby nie odpowiedziały na drugie pytanie. Hipoteza: preferowana forma zajęć zależy od miejsca zamieszkania.

Pobierz plik .sav z etykietami zmiennych i wartości albo ten sam zbiór w pliku CSV (zob. plik .sav).

Przygotowanie danych

• Jeden wiersz – jedna osoba. Każda zmienna to osobna kolumna z kodami liczbowymi i etykietami wartości. Dokumentacja IBM przypomina, że wartości tekstowe SPSS sortuje alfabetycznie, więc kolejność kategorii może się pomieszać (IBM Corp., b.d.-c). Kody liczbowe tego problemu nie mają.
• Poziom pomiaru. Obie zmienne to skale nominalne. Jeśli kategorie są uporządkowane, rozważ też miary porządkowe (zob. skala porządkowa).
• Braki danych. Kody typu 9 = „brak odpowiedzi” zdefiniuj w Variable View jako braki, inaczej staną się czwartą kategorią tabeli. Jak to zrobić, pokazuje wpis przygotowanie danych w SPSS.
• Masz tylko gotową tabelę liczebności? Wpisz każdą komórkę jako wiersz: kod wiersza, kod kolumny i liczbę osób. Potem wybierz Data → Weight Cases, zaznacz Weight cases by i wskaż zmienną z liczbą osób. Wartość 3 liczy się wtedy jak trzy obserwacje. Ważenie działa, dopóki go nie wyłączysz, i zapisuje się z plikiem, a wiersze z wagą 0 lub brakującą wypadają z analizy (IBM Corp., b.d.-e). Przykład takiego pliku znajdziesz niżej, w części o teście dokładnym.

Crosstabs krok po kroku

1. Analyze → Descriptive Statistics → Crosstabs (w polskiej dokumentacji: Analiza → Statystyka opisowa → Tabele krzyżowe; IBM Corp., b.d.-c). Zmienną grupującą (zamieszkanie) przenieś do Row(s), a zmienną wyniku (forma) – do Column(s). Pole warstwy (Layer) zostaw puste. Zmienna w warstwie daje osobną tabelę i osobny test dla każdej jej wartości, np. osobno dla kobiet i mężczyzn (IBM Corp., b.d.-c).
2. Statistics (Statystyki). Zaznacz Chi-square (Chi-kwadrat) oraz w grupie Nominal opcję Phi and Cramer’s V (Współczynnik Phi i współczynnik V Cramera) (IBM Corp., b.d.-b). Innych miar nie zaznaczaj „na zapas”.
3. Cells (Komórki). Zaznacz liczebności Observed i Expected (Obserwowane, Oczekiwane), odsetki Row (Wiersz) i reszty Adjusted standardized (Skorygowane standaryzowane) (IBM Corp., b.d.-a). Odsetki licz w obrębie grup porównywanych w hipotezie. Grupy są w wierszach, więc zaznacz Row.
4. Paste (Wklej) zamiast OK. SPSS wklei polecenie CROSSTABS do edytora składni (IBM Corp., b.d.-c). Zapisz je razem z danymi.

W oknie Cells są jeszcze dwie opcje warte uwagi. Compare column proportions (Porównaj proporcje kolumn) porównuje parami odsetki w kolumnach testem z i oznacza różnice literami w indeksie. Z opcją Adjust p-values (Bonferroni method) stosuje korektę Bonferroniego (IBM Corp., b.d.-a, b.d.-d). Porównuje kolumny, więc ma sens, gdy grupy umieścisz w kolumnach. Create APA style table formatuje tabelę według APA, ale wtedy nie zaznaczysz liczebności i odsetków osobno (IBM Corp., b.d.-a).

Wydruk krok po kroku

Tabele mają układ tabel wynikowych SPSS. Liczby policzono w R tymi samymi metodami co SPSS; układ tabeli jak w SPSS. Pogrubiono liczby, które trafią do pracy.

Pierwsza tabela mówi, ile osób weszło do analizy: 260 z 264. W pracy napisz, że cztery osoby bez odpowiedzi wyłączono.

W tabeli krzyżowej czytaj odsetki w wierszu (% within zamieszkanie), a nie liczebności. Grupy mają różną wielkość, więc same liczby osób wprowadzają w błąd. Zajęcia stacjonarne wybrało 62.7% osób z akademika, a 37.9–40.8% w pozostałych grupach. Zajęcia zdalne wybrało 9.3% osób z akademika i 30.6% osób w wynajmowanych mieszkaniach. Expected Count to liczebności oczekiwane, gdyby zmienne były niezależne – służą do sprawdzenia warunków testu i nie trafiają do pracy.

Dla tabeli większej niż 2 × 2 opcja Chi-square daje chi-kwadrat Pearsona i iloraz wiarygodności, a przy obu zmiennych liczbowych także test związku liniowego (IBM Corp., b.d.-b, b.d.-d). Raportuj wiersz Pearson Chi-Square: χ²(4) = 16.51, p = .002. Liczba stopni swobody to (3 − 1)(3 − 1) = 4. Wiersz Likelihood Ratio zwykle prowadzi do tego samego wniosku i nie trzeba go podawać. Pomiń wiersz Linear-by-Linear Association. Traktuje kody 1–3 jak liczby, a tu kolejność kategorii nic nie znaczy. Najważniejsza jest jednak stopka a: żadna komórka nie ma liczebności oczekiwanej poniżej 5, a najmniejsza wynosi 17.02. Warunki testu są więc spełnione.

Dla tabeli większej niż 2 × 2 podaj V Craméra, nie phi. Współczynnik phi może tu przekroczyć 1, a V dzieli chi-kwadrat przez N razy (mniejsza liczba kategorii − 1), więc mieści się w przedziale 0–1. Kim (2017) przypomina, że dla tabel większych niż 2 × 2 właściwą miarą jest V. Wartość .178 w tabeli 3 × 3 oznacza związek wyraźny, ale daleki od silnego. Kolumna Approximate Significance powtarza p z testu Pearsona.

Która komórka odpowiada za wynik: reszty skorygowane

Istotny test mówi tylko, że gdzieś w tabeli jest związek. Gdzie – pokazują reszty, a dokładniej reszty skorygowane standaryzowane z wiersza Adjusted Residual. To różnica między liczebnością obserwowaną a oczekiwaną podzielona przez jej błąd standardowy (IBM Corp., b.d.-a). Analizę reszt w tabelach krzyżowych zaproponował Haberman (1973). Przy niezależności reszty mają w przybliżeniu rozkład normalny standardowy, więc |reszta| > 1.96 to sygnał, że komórka odbiega od niezależności. Sharpe (2015) omawia cztery sposoby szukania źródła istotnego wyniku testu chi-kwadrat; jednym z nich jest właśnie analiza reszt.

W przykładzie wyróżniają się trzy komórki: osoby z akademika częściej wybierały zajęcia stacjonarne (reszta 3.4) i rzadziej zdalne (−3.3), a osoby z wynajmowanych mieszkań częściej zdalne (2.4). Ale komórek jest dziewięć, więc rośnie ryzyko przypadkowego „trafienia” (zob. problem wielokrotnych porównań). Z poprawką Bonferroniego na dziewięć komórek próg wynosi |reszta| > 2.77. Przekraczają go tylko dwie komórki akademika. Napisz w pracy, jaki próg przyjąłeś.

Małe liczebności: test dokładny i Monte Carlo

Gdy liczebności oczekiwane są małe, p z wiersza Pearsona to tylko przybliżenie. Dla tabel 2 × 2 SPSS sam dodaje test Fishera (IBM Corp., b.d.-b). Dla większych tabel dokładne p wymaga podkomendy /METHOD. Według dokumentacji polecenia CROSSTABS jest ona dostępna tylko w SPSS Statistics Premium Edition albo z opcją Exact Tests (IBM Corp., b.d.-d). Bez tego modułu dostaniesz wyłącznie wyniki asymptotyczne. Dokumentacja opisuje dwie metody:

• EXACT – dokładne p dla zaznaczonych statystyk; domyślny limit to 5 minut na test, a obliczenia mogą wymagać dużo pamięci;
• MC – oszacowanie dokładnego p metodą Monte Carlo z przedziałem ufności (domyślnie 99%, 10 000 losowanych tabel). Wynik różni się nieco między uruchomieniami. Przy teście dłuższym niż 30 minut dokumentacja zaleca właśnie tę metodę (IBM Corp., b.d.-d).

Dla tabeli r × c test dokładny Fishera to uogólnienie znane jako test Fishera–Freemana–Haltona. Mehta i Patel (1983) opisali algorytm, który czyni go obliczalnym. Pokazali też, że w rzadkich tabelach test Fishera i chi-kwadrat Pearsona często prowadzą do sprzecznych wniosków.

Przykład: pilotaż z gotowej tabeli. W pilotażu 30 osób odpowiedziało na te same pytania, a my mamy tylko tabelę liczebności. Plik do Weight Cases ma dziewięć wierszy:

W pliku SPSS każda komórka to osobny wiersz z trzema kolumnami: zamieszkanie, forma i liczba (układ wierszy pokazuje kod R niżej). Wszystkie dziewięć komórek ma liczebność oczekiwaną poniżej 5, a najmniejsza wynosi 2.40. Stopka tabeli Chi-Square Tests pokaże więc 9 komórek (100.0%). Wyniki z R:

Wniosek się tu nie zmienia, ale przy małych liczebnościach podaj p dokładne i napisz, którą metodą je uzyskano. V Craméra = .33 w pilotażu na 30 osobach jest bardzo niepewne – nie porównuj go z wynikiem z głównego badania. Łączenie kategorii jako alternatywę omawia wpis chi-kwadrat czy test Fishera. Pojedynczą tabelę 2 × 2 albo r × c szybko sprawdzisz w kalkulatorze tabeli 2 × 2 i r × c.

Zapis wyników w stylu APA

Podaj odsetki w grupach (najlepiej w tabeli), χ² z df i N, p, V Craméra oraz komórki z dużymi resztami i przyjęty próg. Wzory do dostosowania:

Gotowe zdania do innych testów przygotuje generator opisu wyników APA. Nie pisz „Sig. = .000”, tylko p < .001 (zob. wartość p).

* Tabela krzyżowa i test chi-kwadrat: miejsce zamieszkania a preferowana forma zajęć.
* Składnia zgodna z opisem CROSSTABS w Command Syntax Reference; nie była uruchamiana w SPSS.
CROSSTABS
  /TABLES=zamieszkanie BY forma
  /STATISTICS=CHISQ PHI
  /CELLS=COUNT EXPECTED ROW ASRESID.

* Pilotaż z tabeli zagregowanej: ważenie wierszy liczbą osób (Data > Weight Cases).
WEIGHT BY liczba.
* /METHOD wymaga opcji Exact Tests albo SPSS Statistics Premium Edition.
* Zamiast EXACT można wpisać MC CIN(99) SAMPLES(10000).
CROSSTABS
  /TABLES=zamieszkanie BY forma
  /STATISTICS=CHISQ PHI
  /CELLS=COUNT EXPECTED ROW ASRESID
  /METHOD=EXACT TIMER(5).
WEIGHT OFF.

# B289 – chi-kwadrat w SPSS: liczby do tabel w układzie SPSS (Crosstabs)
# Dane symulowane, set.seed(2895): 264 osoby studiujące, miejsce zamieszkania w czasie studiów
# (1 = z rodzicami, 2 = akademik, 3 = wynajmowane mieszkanie) i preferowana forma zajęć
# (1 = stacjonarne, 2 = hybrydowe, 3 = zdalne); 4 osoby nie odpowiedziały na pytanie o formę zajęć.
# Metody jak w procedurze Crosstabs: liczebności oczekiwane, % w wierszu, reszty skorygowane
# standaryzowane, chi-kwadrat Pearsona, iloraz wiarygodności, test związku liniowego, phi i V Craméra.
suppressPackageStartupMessages(library(haven))
set.seed(2895)
n_gr <- c(88, 76, 100)
zamieszkanie <- rep(1:3, n_gr)
pr <- rbind(c(.36, .36, .28), c(.58, .28, .14), c(.38, .36, .26))
forma <- sapply(zamieszkanie, function(g) sample(1:3, 1, prob = pr[g, ]))
forma[c(17, 120, 181, 240)] <- NA                # 4 osoby bez odpowiedzi
dane <- data.frame(id = seq_along(zamieszkanie), zamieszkanie, forma)

# Krok 1. Plik .sav z etykietami zmiennych i wartości – i ten sam zbiór w CSV
sav <- dane
sav$id <- labelled(sav$id, label = "Numer osoby")
sav$zamieszkanie <- labelled(sav$zamieszkanie, label = "Miejsce zamieszkania w czasie studiów",
  labels = c("z rodzicami" = 1, "akademik" = 2, "wynajmowane mieszkanie" = 3))
sav$forma <- labelled(sav$forma, label = "Preferowana forma zajęć",
  labels = c("stacjonarne" = 1, "hybrydowe" = 2, "zdalne" = 3))
write_sav(sav, "../chi-kwadrat-spss-dane-przyklad.sav")
write.csv(dane, "../chi-kwadrat-spss-dane-przyklad.csv", row.names = FALSE, na = "", fileEncoding = "UTF-8")

# Krok 2. Case Processing Summary: ważne i brakujące obserwacje
c(Valid = sum(complete.cases(dane)), Missing = sum(!complete.cases(dane)), Total = nrow(dane))
round(100 * c(Valid = mean(complete.cases(dane)), Missing = mean(!complete.cases(dane))), 1)

# Krok 3. Crosstabulation: Count, Expected Count, % within zamieszkanie, Adjusted Residual
tb <- table(factor(dane$zamieszkanie, 1:3, c("z rodzicami", "akademik", "wynajem")),
            factor(dane$forma, 1:3, c("stacjonarne", "hybrydowe", "zdalne")))
N <- sum(tb)
ct <- chisq.test(tb, correct = FALSE)
addmargins(tb)
round(addmargins(ct$expected), 1)
round(100 * prop.table(tb, 1), 1)
round(ct$stdres, 1)                              # reszty skorygowane (Haberman) = ASRESID w SPSS

# Krok 4. Chi-Square Tests: Pearson, Likelihood Ratio, Linear-by-Linear Association
G2 <- 2 * sum(tb * log(tb / ct$expected))
kody <- na.omit(dane)
r <- cor(kody$zamieszkanie, kody$forma)
LL <- (N - 1) * r^2
df <- unname(ct$parameter)
round(rbind(Pearson = c(Value = unname(ct$statistic), df = df, p = ct$p.value),
            Likelihood_Ratio = c(G2, df, pchisq(G2, df, lower.tail = FALSE)),
            Linear_by_Linear = c(LL, 1, pchisq(LL, 1, lower.tail = FALSE))), 3)
format.pval(ct$p.value, digits = 3)
c(N_valid = N, komorki_E_ponizej_5 = sum(ct$expected < 5), min_E = round(min(ct$expected), 2))

# Krok 5. Symmetric Measures: phi i V Craméra (p z testu chi-kwadrat Pearsona)
X2 <- unname(ct$statistic)
round(c(Phi = sqrt(X2 / N), Cramers_V = sqrt(X2 / (N * (min(dim(tb)) - 1))), Approx_Sig = ct$p.value), 3)

# Krok 6. Które komórki odbiegają: próg dla |reszty skorygowanej| z poprawką Bonferroniego na 9 komórek
round(qnorm(1 - .05 / (2 * length(tb))), 2)
which(abs(ct$stdres) > qnorm(1 - .05 / (2 * length(tb))), arr.ind = TRUE)

# Krok 7. Pilotaż z tabeli zagregowanej (Weight Cases): 30 osób, małe liczebności oczekiwane
pil <- matrix(c(3, 4, 4,  7, 1, 1,  3, 4, 3), 3, byrow = TRUE, dimnames = dimnames(tb))
agreg <- data.frame(zamieszkanie = rep(1:3, each = 3), forma = rep(1:3, 3), liczba = as.vector(t(pil)))
agreg                                            # układ pliku do Weight Cases (zmienna liczba)
cp <- suppressWarnings(chisq.test(pil, correct = FALSE))
round(cp$expected, 2); c(komorki_E_ponizej_5 = sum(cp$expected < 5), min_E = round(min(cp$expected), 2))
# Rozkład dokładny: wszystkie tabele 3 × 3 o tych samych sumach brzegowych (prawdop. hipergeometryczne)
rs <- rowSums(pil); cs <- colSums(pil); n <- sum(pil)
lp <- function(m) sum(lfactorial(rs)) + sum(lfactorial(cs)) - lfactorial(n) - sum(lfactorial(m))
x2 <- function(m) { e <- outer(rs, cs) / n; sum((m - e)^2 / e) }
wyn <- NULL
for (a in 0:min(rs[1], cs[1])) for (b in 0:min(rs[1] - a, cs[2])) {
  c13 <- rs[1] - a - b; if (c13 > cs[3]) next
  for (d in 0:min(rs[2], cs[1] - a)) for (e in 0:min(rs[2] - d, cs[2] - b)) {
    c23 <- rs[2] - d - e; if (c23 > cs[3] - c13) next
    m <- rbind(c(a, b, c13), c(d, e, c23), cs - c(a, b, c13) - c(d, e, c23))
    if (any(m < 0)) next
    wyn <- rbind(wyn, c(lp = lp(m), x2 = x2(m)))
  }
}
P <- exp(wyn[, "lp"]); eps <- 1e-7
c(liczba_tabel = nrow(wyn), suma_P = round(sum(P), 6))
round(c(chi2 = unname(cp$statistic), df = unname(cp$parameter), p_asymptotyczne = cp$p.value,
        p_dokladne_Pearson = sum(P[wyn[, "x2"] >= unname(cp$statistic) - eps]),
        p_dokladne_Fisher = sum(P[wyn[, "lp"] <= lp(pil) + eps])), 4)
round(fisher.test(pil)$p.value, 4)               # kontrola: test Fishera–Freemana–Haltona
set.seed(2026)
p_mc <- chisq.test(pil, simulate.p.value = TRUE, B = 10000)$p.value      # Monte Carlo, 10 000 tabel
round(c(p_MC = p_mc, dolna_99 = p_mc - qnorm(.995) * sqrt(p_mc * (1 - p_mc) / 10000),
        gorna_99 = p_mc + qnorm(.995) * sqrt(p_mc * (1 - p_mc) / 10000)), 4)
round(sqrt(unname(cp$statistic) / (n * 2)), 3)  # V Craméra w pilotażu

  Valid Missing   Total 
    260       4     264 
  Valid Missing 
   98.5     1.5 
             
              stacjonarne hybrydowe zdalne Sum
  z rodzicami          33        32     22  87
  akademik             47        21      7  75
  wynajem              40        28     30  98
  Sum                 120        81     59 260
             
              stacjonarne hybrydowe zdalne Sum
  z rodzicami        40.2      27.1   19.7  87
  akademik           34.6      23.4   17.0  75
  wynajem            45.2      30.5   22.2  98
  Sum               120.0      81.0   59.0 260
             
              stacjonarne hybrydowe zdalne
  z rodzicami        37.9      36.8   25.3
  akademik           62.7      28.0    9.3
  wynajem            40.8      28.6   30.6
             
              stacjonarne hybrydowe zdalne
  z rodzicami        -1.9       1.4    0.7
  akademik            3.4      -0.7   -3.3
  wynajem            -1.3      -0.7    2.4
                  Value df     p
Pearson          16.509  4 0.002
Likelihood_Ratio 17.556  4 0.002
Linear_by_Linear  0.109  1 0.741
[1] "0.00241"
            N_valid komorki_E_ponizej_5               min_E 
             260.00                0.00               17.02 
       Phi  Cramers_V Approx_Sig 
     0.252      0.178      0.002 
[1] 2.77
         row col
akademik   2   1
akademik   2   3
  zamieszkanie forma liczba
1            1     1      3
2            1     2      4
3            1     3      4
4            2     1      7
5            2     2      1
6            2     3      1
7            3     1      3
8            3     2      4
9            3     3      3
             
              stacjonarne hybrydowe zdalne
  z rodzicami        4.77       3.3   2.93
  akademik           3.90       2.7   2.40
  wynajem            4.33       3.0   2.67
komorki_E_ponizej_5               min_E 
                9.0                 2.4 
liczba_tabel       suma_P 
        1809            1 
              chi2                 df    p_asymptotyczne p_dokladne_Pearson  p_dokladne_Fisher 
            6.3275             4.0000             0.1760             0.1891             0.2037 
[1] 0.2037
    p_MC dolna_99 gorna_99 
  0.1924   0.1822   0.2025 
[1] 0.325

Typowe błędy

• Odsetki w złym kierunku. „% within forma” odpowiada na pytanie, kto wybiera daną formę, a nie czym różnią się grupy.
• Przepisany wiersz Linear-by-Linear Association dla zmiennych nominalnych.
• Pominięta stopka o liczebnościach oczekiwanych poniżej 5.
• Phi zamiast V Craméra w tabeli większej niż 2 × 2.
• Interpretacja jednej komórki bez reszt, np. „osoby z rodzicami wolą zajęcia hybrydowe”, choć reszta wynosi tylko 1.4.
• Chi-kwadrat na odsetkach albo na pomiarach powtarzanych. Test wymaga liczebności i niezależnych obserwacji. Dla dwóch pomiarów tych samych osób użyj testu McNemara.
• Kod braku liczony jako kategoria albo zapomniane WEIGHT OFF po pracy z tabelą zagregowaną.

Jeśli nie wiesz, czy chi-kwadrat pasuje do hipotezy, skorzystaj z kreatora doboru testu. Dwie proporcje porównasz też jako różnicę odsetków z przedziałem ufności – zob. jak porównać odsetki w dwóch grupach. Pozostałe wpisy z serii o SPSS to test t w SPSS, ANOVA w SPSS, korelacja i regresja w SPSS oraz testy nieparametryczne w SPSS.

Najczęstsze pytania

Gdzie w SPSS jest test chi-kwadrat dla dwóch zmiennych jakościowych?

W menu Analyze → Descriptive Statistics → Crosstabs (w polskiej dokumentacji IBM: Analiza → Statystyka opisowa → Tabele krzyżowe). Test nie uruchomi się sam: w oknie Statistics trzeba zaznaczyć Chi-square, a dla siły związku – Phi and Cramer’s V. Test zgodności dla jednej zmiennej to inna procedura, z grupy testów nieparametrycznych.

Jak policzyć chi-kwadrat w SPSS, gdy mam tylko gotową tabelę liczebności?

Wpisz każdą komórkę jako osobny wiersz: kod kategorii pierwszej zmiennej, kod drugiej i liczbę osób. Potem Data → Weight Cases, Weight cases by i zmienna z liczbą osób. Crosstabs policzy wtedy test tak, jakby każda osoba była osobnym wierszem. Po analizie wyłącz ważenie, bo zapisuje się ono razem z plikiem.

Czy test dokładny Fishera dla tabeli 3 × 3 wymaga dodatkowego modułu SPSS?

Tak. Dla tabel 2 × 2 SPSS podaje test Fishera w zwykłym wydruku, ale dokładne p i metoda Monte Carlo dla większych tabel wymagają podkomendy METHOD, a według dokumentacji IBM ta działa tylko z opcją Exact Tests albo w SPSS Statistics Premium Edition. Bez modułu dostaniesz wyłącznie p asymptotyczne.

Którą resztę z tabeli Crosstabs podać w pracy?

Resztę skorygowaną standaryzowaną (Adjusted Residual), bo przy niezależności ma w przybliżeniu rozkład normalny standardowy i łatwo ją porównać z progiem 1.96. Przy wielu komórkach zaostrz próg poprawką Bonferroniego – w tabeli 3 × 3 to 2.77 – i napisz w pracy, jaki próg przyjąłeś.

Czy trzeba raportować wiersz Linear-by-Linear Association z wydruku SPSS?

Przy zmiennych nominalnych nie. Ten test traktuje kody kategorii jak liczby i sprawdza związek liniowy, więc ma sens tylko wtedy, gdy obie zmienne mają uporządkowane kategorie. W przykładzie dał p = .741 przy istotnym teście Pearsona, bo odpowiada na inne pytanie.

Powiązane hasła

Przeczytaj też

@article{haberman1973analysis, author={Haberman, Shelby J.}, title={{The analysis of residuals in cross-classified tables}}, journal={Biometrics}, year={1973}, volume={29}, number={1}, pages={205--220}, doi={10.2307/2529686}}

@misc{ibmndcrosstabscells, author={{IBM Corp.}}, title={{Crosstabs cell display}}, howpublished={IBM SPSS Statistics 31.0.0 documentation}, year={b.d.-a}, publisher={IBM}, url={https://www.ibm.com/docs/en/spss-statistics/31.0.0?topic=crosstabs-cell-display}}

@misc{ibmndcrosstabs, author={{IBM Corp.}}, title={{Crosstabs statistics}}, howpublished={IBM SPSS Statistics 31.0.0 documentation}, year={b.d.-b}, publisher={IBM}, url={https://www.ibm.com/docs/en/spss-statistics/31.0.0?topic=crosstabs-statistics}}

@misc{ibmndcrosstabs32, author={{IBM Corp.}}, title={{Crosstabs}}, howpublished={IBM SPSS Statistics 32.0.0 documentation}, year={b.d.-c}, publisher={IBM}, url={https://www.ibm.com/docs/en/spss-statistics/32.0.0?topic=features-crosstabs}}

@misc{ibmndcrosstabssyntax32, author={{IBM Corp.}}, title={{CROSSTABS}}, howpublished={IBM SPSS Statistics 32.0.0 Command Syntax Reference}, year={b.d.-d}, publisher={IBM}, url={https://www.ibm.com/docs/en/spss-statistics/32.0.0?topic=reference-crosstabs}}

@misc{ibmndweightcases32, author={{IBM Corp.}}, title={{Weight cases}}, howpublished={IBM SPSS Statistics 32.0.0 documentation}, year={b.d.-e}, publisher={IBM}, url={https://www.ibm.com/docs/en/SSLVMB_32.0.0/statistics_mainhelp_ddita/spss/base/idh_weig.html}}

@article{kim2017chi, author={Kim, Hae-Young}, title={{Statistical notes for clinical researchers: Chi-squared test and Fisher's exact test}}, journal={Restorative Dentistry \& Endodontics}, year={2017}, volume={42}, number={2}, pages={152--155}, doi={10.5395/rde.2017.42.2.152}}

@article{mehta1983network, author={Mehta, Cyrus R. and Patel, Nitin R.}, title={{A network algorithm for performing Fisher’s exact test in r × c contingency tables}}, journal={Journal of the American Statistical Association}, year={1983}, volume={78}, number={382}, pages={427--434}, doi={10.1080/01621459.1983.10477989}}

@article{sharpe2015chisquare, author={Sharpe, Donald}, title={{Chi-square test is statistically significant: Now what?}}, journal={Practical Assessment, Research, and Evaluation}, year={2015}, volume={20}, eid={8}, doi={10.7275/tbfa-x148}}