Słownik metodologiczny · Testy statystyczne

Test chi-kwadrat niezależności – jak go policzyć i zinterpretować dla tabeli r × c?

Test chi-kwadrat niezależności sprawdza, czy dwie zmienne jakościowe są ze sobą powiązane. Pokazujemy liczebności oczekiwane i regułę „5”, skorygowane reszty standaryzowane, V Craméra oraz opis wyniku w APA – na przykładzie tabeli 4 × 3 policzonej w R.

Strona główna / Słownik / Test chi-kwadrat niezależności
W skrócie: Test chi-kwadrat niezależności porównuje liczebności obserwowane w tabeli krzyżowej z liczebnościami oczekiwanymi przy braku związku zmiennych: χ² = Σ(O − E)²/E, df = (r − 1)(c − 1). Sprawdź, czy liczebności oczekiwane nie są zbyt małe (zwykle najwyżej 20% komórek z E < 5). Po istotnym wyniku wskaż komórki odpowiedzialne za związek skorygowanymi resztami standaryzowanymi, a siłę związku opisz V Craméra.

Co to jest test chi-kwadrat niezależności?

Test chi-kwadrat niezależności (ang. Pearson's chi-squared test of independence) sprawdza, czy dwie zmienne jakościowe – mierzone na skali nominalnej lub porządkowej – są ze sobą powiązane. Porównuje liczebności obserwowane w tabeli krzyżowej z liczebnościami oczekiwanymi, czyli takimi, jakie pojawiłyby się, gdyby zmienne były niezależne. Typowe pytania z badań ankietowych: czy preferowana strategia radzenia sobie ze stresem zależy od roku studiów? Czy wybór formy pomocy psychologicznej różni się między mieszkańcami wsi i miast?

Test należy do rodziny testów χ² Pearsona, która obejmuje testy niezależności, jednorodności i zgodności. Franke, Ho i Christie (2012) podkreślają, że mimo niemal identycznego wzoru odpowiadają one na różne pytania, a ich wyniki często bywają nadinterpretowane. Test niezależności dotyczy jednej próby, w której mierzymy obie zmienne. Test jednorodności porównuje rozkład jednej zmiennej w kilku próbach o z góry ustalonych liczebnościach – liczy się go tak samo. Gdy porównujesz rozkład jednej zmiennej z rozkładem teoretycznym, potrzebujesz testu chi-kwadrat zgodności.

To hasło dotyczy tabel większych niż 2 × 2, oznaczanych r × c (wiersze × kolumny): liczebności oczekiwanych, reszt i wielkości efektu. Tabelę 2 × 2 z poprawką Yatesa, testem Fishera, współczynnikiem φ i ilorazem szans omawiamy w haśle tabela krzyżowa.

Wzór: liczebności oczekiwane i statystyka χ²

Hipoteza zerowa mówi, że zmienne są niezależne – np. że rozkład strategii jest taki sam na każdym roku studiów. Hipoteza alternatywna – że zmienne są powiązane (zob. hipoteza zerowa i alternatywna). Najpierw dla każdej komórki liczy się liczebność oczekiwaną przy niezależności:

Eij = (suma wiersza i × suma kolumny j) / N

Wynika to z reguły mnożenia prawdopodobieństw zdarzeń niezależnych: odsetek osób w komórce powinien być iloczynem odsetka w wierszu i odsetka w kolumnie. Następnie sumuje się znormalizowane odchylenia liczebności obserwowanych od oczekiwanych:

χ² = Σ (Oij − Eij)² / Eij, df = (r − 1)(c − 1)
  • Oij – liczebność obserwowana w komórce (wiersz i, kolumna j),
  • Eij – liczebność oczekiwana przy niezależności,
  • r, c – liczba wierszy i kolumn, N – liczebność próby.

Każda komórka wnosi do sumy tym więcej, im bardziej liczebność obserwowana odbiega od oczekiwanej – w relacji do wielkości tej oczekiwanej. Wynik porównuje się z rozkładem χ² o (r − 1)(c − 1) stopniach swobody i odczytuje wartość p.

Założenia i reguła liczebności oczekiwanych

  • Liczebności, nie procenty. Test liczy się na surowych liczbach osób w komórkach.
  • Niezależne obserwacje. Każda osoba trafia do dokładnie jednej komórki. Pytanie z kafeterią wielokrotnego wyboru albo pomiar tych samych osób dwa razy łamią to założenie (dla par pomiarów w tabeli 2 × 2 służy test McNemara).
  • Kategorie rozłączne i wyczerpujące – każda odpowiedź pasuje do jednej kategorii.
  • Wystarczające liczebności oczekiwane. Często stosowana reguła mówi, że najwyżej 20% komórek może mieć liczebność oczekiwaną mniejszą niż 5 i żadna nie może mieć mniejszej niż 1 (Kim, 2017).

Reguła „5” bywa zbyt ostrożna. Dla tabel 2 × 2 Campbell (2007) porównał siedem testów i wykazał, że optymalny jest wariant chi-kwadrat „N − 1”, gdy najmniejsza liczebność oczekiwana wynosi co najmniej 1, a poniżej tej wartości – test Fishera–Irwina; takie postępowanie daje większą moc niż tradycyjne zalecenia Cochrana. Gdy w tabeli r × c liczebności oczekiwane są za małe:

  • połącz kategorie, jeśli ma to sens merytoryczny (np. rok IV i V studiów) – i zdecyduj o tym przed analizą wyników;
  • policz wartość p metodą Monte Carlo (chisq.test(tab, simulate.p.value = TRUE)) albo test dokładny Fishera–Freemana–Haltona (fisher.test(tab));
  • zaplanuj większą próbę – wymagania co do liczebności to jedno z ograniczeń testu (McHugh, 2013).

Przykład: rok studiów a strategia radzenia sobie ze stresem

W ankiecie 320 studentów psychologii wskazało strategię, po którą najczęściej sięgają w stresie: zadaniową (planowanie, rozwiązywanie problemu), emocjonalną (skupienie na przeżywanych emocjach) lub unikową (odwracanie uwagi, szukanie towarzystwa). Lata IV i V połączono, bo studentów piątego roku było niewielu (dane symulowane). Tabela pokazuje liczebności i procenty w wierszach:

Liczebności i procenty w wierszach: rok studiów a preferowana strategia
Rok studiówZadaniowaEmocjonalnaUnikowaRazem
I35 (36.8%)41 (43.2%)19 (20.0%)95
II32 (40.0%)28 (35.0%)20 (25.0%)80
III40 (53.3%)19 (25.3%)16 (21.3%)75
IV–V46 (65.7%)13 (18.6%)11 (15.7%)70
Razem153 (47.8%)101 (31.6%)66 (20.6%)320

Krok 1. Liczebności oczekiwane. Dla pierwszego roku i strategii emocjonalnej: E = 95 × 101 / 320 = 29.98, a zaobserwowano 41 osób. Najmniejsza liczebność oczekiwana wynosi 14.4 (lata IV–V, strategia unikowa), więc żadna komórka nie ma E < 5 i klasyczny test jest odpowiedni.

Krok 2. Statystyka i istotność. χ²(6) = 19.19, p = .004, gdzie df = (4 − 1)(3 − 1) = 6. Wartość p z symulacji Monte Carlo (10 000 powtórzeń) wyniosła .005, czyli prawie tyle samo. Rysunek 1 pokazuje, jak wygląda ten związek.

Poziome słupki 100% dla lat studiów: strategia zadaniowa rośnie od 36.8% na pierwszym roku do 65.7% na latach IV–V, emocjonalna maleje od 43.2% do 18.6%; dolny słupek Razem: 47.8%, 31.6% i 20.6%
Rysunek 1. Procenty w wierszach dla każdego roku studiów i rozkład w całej próbie (Razem). Czerwone linie przerywane wyznaczają granice słupka „Razem” – przy niezależności zmiennych słupek każdego roku dzieliłby się mniej więcej w tych samych miejscach. Obliczenia: R (dane symulowane).

Odsetek osób wybierających strategię zadaniową rośnie od 36.8% na pierwszym roku do 65.7% na latach IV–V, a odsetek wybierających strategię emocjonalną maleje od 43.2% do 18.6%. To jednak badanie przekrojowe: różnice między rocznikami nie dowodzą, że ci sami studenci zmieniają strategie w trakcie studiów (mogą to być np. efekty selekcji – część osób rezygnuje ze studiów).

Gdzie leży związek? Skorygowane reszty standaryzowane

Istotny wynik dla tabeli 4 × 3 mówi tylko, że rozkład strategii nie jest taki sam we wszystkich latach – nie mówi, gdzie leży różnica. Sharpe (2015) omawia cztery sposoby ustalania źródła istotnego wyniku: analizę reszt, porównywanie komórek, „przeszukiwanie” tabeli (ransacking) i jej podział na mniejsze tabele. Pierwszym krokiem jest zwykle analiza skorygowanych reszt standaryzowanych:

zij = (Oij − Eij) / √[Eij × (1 − suma wiersza / N) × (1 − suma kolumny / N)]

Przy niezależności zmiennych taka reszta ma w przybliżeniu standardowy rozkład normalny, więc |z| > 1.96 sygnalizuje komórkę, w której liczebność istotnie odbiega od oczekiwanej (α = .05). Przy 12 komórkach wykonujemy jednak 12 porównań, dlatego ostrożniej jest użyć progu z korektą Bonferroniego: |z| > 2.87.

Mapa skorygowanych reszt standaryzowanych dla tabeli 4 × 3: rok I – strategia emocjonalna +2.90 i zadaniowa −2.55; lata IV–V – strategia zadaniowa +3.39 i emocjonalna −2.65; pozostałe reszty między −1.62 a +1.12
Rysunek 2. Skorygowane reszty standaryzowane z liczebnościami obserwowanymi (O) i oczekiwanymi (E). Kolor czerwony oznacza „częściej niż przy niezależności”, niebieski – „rzadziej”. Pogrubione są reszty o |z| > 1.96, a ciemną ramką oznaczono komórki powyżej progu z korektą Bonferroniego (|z| > 2.87). Obliczenia: R (dane symulowane).

Studenci pierwszego roku częściej, niż wynikałoby z niezależności, wybierali strategię emocjonalną (41 zamiast 30.0 osób, z = 2.90), a rzadziej zadaniową (z = −2.55). Na latach IV–V było odwrotnie: więcej wyborów zadaniowych (z = 3.39) i mniej emocjonalnych (z = −2.65). Próg z korektą Bonferroniego przekraczają tylko reszty 2.90 i 3.39. W kolumnie strategii unikowej żadna reszta nie przekracza |1.96| – tę strategię wybierano podobnie często na każdym roku. Te cztery komórki z lat I i IV–V odpowiadają łącznie za 77.5% wartości χ².

Wielkość efektu: V Craméra

Przy stałych odsetkach χ² rośnie proporcjonalnie do liczebności próby. Gdyby te same procenty uzyskać na 640 osobach, χ² wyniósłby 38.38, a p < .001 – choć związek byłby tak samo silny. Dlatego McHugh (2013) podkreśla, że test χ² jest testem istotności, który trzeba uzupełnić miarą siły związku – najczęściej V Craméra. Kim (2017) przypomina, że φ i iloraz szans stosuje się tylko do tabel 2 × 2, a dla większych tabel – V Craméra:

V = √[χ² / (N(k − 1))] = √[19.19 / (320 × 2)] = .17

gdzie k to mniejsza z liczb wierszy i kolumn (tu 3). V przyjmuje wartości od 0 do 1 i nie zmienia się, gdy próbę zwiększymy przy tych samych odsetkach. Związek roku studiów ze strategią jest więc istotny, ale słaby do umiarkowanego. Jak interpretować V w zależności od wielkości tabeli i dlaczego w małych próbach bywa zawyżone, wyjaśniamy w haśle V Craméra. Dla tabel 2 × 2 bardziej intuicyjny bywa iloraz szans; ogólnie o miarach efektu – w haśle wielkość efektu.

Jak opisać wynik w pracy (APA)

Zapis wyniku obejmuje liczbę stopni swobody, liczebność próby, wartość χ², p i wielkość efektu, a przy tabelach r × c – także opis kierunku związku na podstawie procentów i reszt:

Preferowana strategia radzenia sobie ze stresem była związana z rokiem studiów, χ²(6, N = 320) = 19.19, p = .004, V = .17. Odsetek osób wybierających strategię zadaniową rósł od 36.8% na pierwszym roku do 65.7% na latach IV–V, a odsetek wybierających strategię emocjonalną malał od 43.2% do 18.6%. Analiza skorygowanych reszt standaryzowanych wykazała, że studenci pierwszego roku częściej, niż wynikałoby z niezależności zmiennych, wybierali strategię emocjonalną (z = 2.90), a studenci lat IV–V – strategię zadaniową (z = 3.39); obie reszty przekraczały próg z korektą Bonferroniego (|z| > 2.87).

Pełną tabelę liczebności przedstaw w formacie APA, z kierunkiem istotnych reszt zaznaczonym w notce:

Tabela 1

Preferowana strategia radzenia sobie ze stresem w zależności od roku studiów

Rok studiówZadaniowaEmocjonalnaUnikowaRazem
n%n%n%
I35−36.841+43.21920.095
II3240.02835.02025.080
III4053.31925.31621.375
IV–V46+65.713−18.61115.770
Razem15347.810131.66620.6320

Uwaga. N = 320. Procenty obliczono w wierszach. χ²(6, N = 320) = 19.19, p = .004, V = .17. Znak + (−) oznacza liczebność wyższą (niższą) od oczekiwanej przy niezależności zmiennych; skorygowana reszta standaryzowana |z| > 1.96.

Jeśli dane pochodzą z formularza online, przed analizą sprawdź kodowanie odpowiedzi (zob. dane z Google Forms i LimeSurvey w SPSS i R). Więcej przykładów zapisu znajdziesz w poradniku jak opisać wyniki w stylu APA.

Przykład reprodukowalny

Test chi-kwadrat niezależności w R

Kod wprowadza tabelę 4 × 3 z przykładu, liczy procenty w wierszach, test χ², liczebności oczekiwane, skorygowane reszty standaryzowane, próg Bonferroniego i V Craméra. W SPSS: Analiza → Opis statystyczny → Tabele krzyżowe; w oknie Statystyki zaznacz Chi-kwadrat oraz Phi i V Craméra, a w oknie Komórki – liczebności oczekiwane, procenty w wierszach i skorygowane reszty standaryzowane.

Tabela r × c: test, reszty i V Craméra

Dane wejściowe: liczebności 12 komórek tabeli rok studiów × strategia (N = 320, dane symulowane).

Co odczytać: X-squared, df i p-value, najmniejsze liczebności oczekiwane, reszty o |z| > 1.96 (lub > 2.87 po korekcie) oraz V.

R
tab <- matrix(c(35, 41, 19,
                32, 28, 20,
                40, 19, 16,
                46, 13, 11), nrow = 4, byrow = TRUE,
              dimnames = list(rok = c("I", "II", "III", "IV-V"),
                              strategia = c("zadaniowa", "emocjonalna", "unikowa")))
round(100 * prop.table(tab, 1), 1)      # procenty w wierszach
test <- chisq.test(tab)                 # test chi-kwadrat Pearsona
test
round(test$expected, 1)                 # liczebności oczekiwane
mean(test$expected < 5)                 # odsetek komórek z E < 5
round(test$stdres, 2)                   # skorygowane reszty standaryzowane
qnorm(1 - 0.05 / (2 * length(tab)))     # próg Bonferroniego dla 12 reszt
unname(sqrt(test$statistic / (sum(tab) * (min(dim(tab)) - 1))))   # V Craméra
Wynik w R
      strategia
rok    zadaniowa emocjonalna unikowa
  I         36.8        43.2    20.0
  II        40.0        35.0    25.0
  III       53.3        25.3    21.3
  IV-V      65.7        18.6    15.7

	Pearson's Chi-squared test

data:  tab
X-squared = 19.191, df = 6, p-value = 0.003853

      strategia
rok    zadaniowa emocjonalna unikowa
  I         45.4        30.0    19.6
  II        38.2        25.2    16.5
  III       35.9        23.7    15.5
  IV-V      33.5        22.1    14.4
[1] 0
      strategia
rok    zadaniowa emocjonalna unikowa
  I        -2.55        2.90   -0.18
  II       -1.62        0.76    1.12
  III       1.09       -1.33    0.17
  IV-V      3.39       -2.65   -1.15
[1] 2.86526
[1] 0.1731647

Wartość p metodą Monte Carlo daje chisq.test(tab, simulate.p.value = TRUE, B = 10000) – przy set.seed(2026) otrzymaliśmy p = .005.

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiet stats); rysunki przygotowano w pakiecie ggplot2. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • Test na procentach albo średnich zamiast na liczebnościach – wynik χ² jest wtedy bezwartościowy.
  • Ta sama osoba w kilku komórkach (pytania wielokrotnego wyboru, pomiary powtarzane) – narusza niezależność obserwacji.
  • „Wynik jest wysoce istotny, więc związek jest silny” – przy dużej próbie nawet słaby związek daje małe p; zawsze podaj V (McHugh, 2013).
  • Opis pojedynczych komórek „na oko” – zamiast analizy reszt lub innej metody omawianej przez Sharpe’a (2015), z uwzględnieniem liczby porównań.
  • Łączenie kategorii po obejrzeniu wyników, aż test stanie się istotny – to odmiana p-hackingu. O łączeniu decyduj z góry i z powodów merytorycznych.
  • Wniosek przyczynowy z danych korelacyjnych – test pokazuje związek zmiennych, a nie to, że jedna wpływa na drugą.

Najczęstsze pytania

Co to jest test chi-kwadrat niezależności?

To test, który sprawdza, czy dwie zmienne jakościowe – np. rok studiów i preferowana strategia radzenia sobie ze stresem – są ze sobą powiązane. Porównuje liczebności obserwowane w tabeli krzyżowej z liczebnościami, jakich należałoby się spodziewać, gdyby zmienne były niezależne. Duże rozbieżności dają duże χ² i małą wartość p.

Jak obliczyć liczebności oczekiwane w teście chi-kwadrat?

Dla każdej komórki pomnóż sumę jej wiersza przez sumę jej kolumny i podziel przez liczebność próby: E = (suma wiersza × suma kolumny) / N. Na przykład przy 95 studentach pierwszego roku, 101 osobach wybierających strategię emocjonalną i N = 320: E = 95 × 101 / 320 = 29.98. W R: chisq.test(tab)$expected.

Co zrobić, gdy liczebności oczekiwane są mniejsze niż 5?

Sprawdź, ile komórek ma E < 5 – zwykle dopuszcza się najwyżej 20% takich komórek i żadnej z E < 1. Jeśli warunek nie jest spełniony, połącz kategorie (gdy ma to sens merytoryczny) albo policz wartość p metodą Monte Carlo lub testem dokładnym Fishera. Dla tabel 2 × 2 dobrym wyborem jest wariant chi-kwadrat „N − 1”, gdy najmniejsza liczebność oczekiwana wynosi co najmniej 1.

Jak sprawdzić, które kategorie różnią się po teście chi-kwadrat?

Przeanalizuj skorygowane reszty standaryzowane (w R: chisq.test(tab)$stdres, w SPSS: reszty standaryzowane skorygowane). Reszta powyżej 1.96 oznacza, że w komórce jest istotnie więcej obserwacji, niż wynikałoby z niezależności, a poniżej −1.96 – że mniej. Przy wielu komórkach zastosuj próg z korektą Bonferroniego, np. 2.87 dla 12 komórek.

Jaka wielkość efektu dla testu chi-kwadrat?

Dla tabel większych niż 2 × 2 podaje się V Craméra: V = √[χ² / (N(k − 1))], gdzie k to mniejsza z liczb wierszy i kolumn. Dla tabel 2 × 2 stosuje się też φ i iloraz szans. Sama wartość χ² nie jest miarą siły związku, bo rośnie razem z liczebnością próby.

Jak zapisać wynik testu chi-kwadrat w APA?

Podaj stopnie swobody, liczebność próby, wartość statystyki, p i wielkość efektu, np. χ²(6, N = 320) = 19.19, p = .004, V = .17. Dodaj kierunek związku – procenty w grupach i komórki z istotnymi resztami – oraz tabelę liczebności z procentami.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Poradnik

Tabela krzyżowa na wykresie

Słupki 100% w wierszach i kolumnach, mozaika, mapa reszt χ² z korektą i odsetki z CI – jedna tabela 3 × 4, pięć rysunków z R, podpisy APA.

Czytaj →
Poradnik

Pytanie wielokrotnego wyboru: porównanie grup

Dlaczego chi-kwadrat na tabeli zaznaczeń to błąd i co zamiast: testy dla opcji z korektą Holma, test łączny z permutacjami, GEE i Q Cochrana – z kodem R.

Czytaj →
Poradnik

Chi-kwadrat i tabele krzyżowe – zadania z rozwiązaniami

Dziesięć zadań z testu χ²: zgodność, tabele krzyżowe, reszty skorygowane, φ i V, Yates, małe liczności, test trendu i paradoks Simpsona – krok po kroku.

Czytaj →
Poradnik

Test chi-kwadrat krok po kroku

Test zgodności i niezależności na jednym badaniu: odsetki, liczebności oczekiwane, reszty, V Craméra, test Fishera i gotowy opis APA.

Czytaj →
Poradnik

Analiza ankiety do pracy dyplomowej

Od surowego eksportu do wyników hipotez: czyszczenie danych, wyniki skal, alfa i omega, opis próby, testy i opis APA – z danymi i kodem R.

Czytaj →
Poradnik

Jak opisać wyniki w stylu APA – gotowe zdania

18 gotowych zdań APA – od testu t po mediację i moderację – z liczbami z jednego badania i kodem R, który pozwala sprawdzić każdą wartość.

Czytaj →
Poradnik

Dane z Google Forms i LimeSurvey: kodowanie do SPSS i R

Eksport, nazwy zmiennych, rekodowanie Likerta, pozycje odwrócone, wielokrotny wybór i braki – krok po kroku, z kodem R i wzorem książki kodowej.

Czytaj →
Poradnik

Chi-kwadrat czy test Fishera?

Reguła Cochrana, test Fishera i Fishera–Freemana–Haltona, chi-kwadrat z symulowanym p, łączenie kategorii i spór o poprawkę Yatesa – z przykładem w R.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. 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. https://doi.org/10.1002/sim.2832
  2. Franke, T. M., Ho, T., & Christie, C. A. (2012). The chi-square test: Often used and more often misinterpreted. American Journal of Evaluation, 33(3), 448–458. https://doi.org/10.1177/1098214011426594
  3. Kim, H.-Y. (2017). Statistical notes for clinical researchers: Chi-squared test and Fisher's exact test. Restorative Dentistry & Endodontics, 42(2), 152–155. https://doi.org/10.5395/rde.2017.42.2.152 ● Otwarty dostęp
  4. McHugh, M. L. (2013). The chi-square test of independence. Biochemia Medica, 23(2), 143–149. https://doi.org/10.11613/BM.2013.018 ● Otwarty dostęp
  5. Sharpe, D. (2015). Chi-square test is statistically significant: Now what? Practical Assessment, Research, and Evaluation, 20, Article 8. https://doi.org/10.7275/tbfa-x148 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@article{campbell2007chisquared, author={Campbell, Ian}, title={{Chi-squared and Fisher–Irwin tests of two-by-two tables with small sample recommendations}}, journal={Statistics in Medicine}, year={2007}, volume={26}, number={19}, pages={3661--3675}, doi={10.1002/sim.2832}}
@article{franke2012chi, author={Franke, Todd Michael and Ho, Timothy and Christie, Christina A.}, title={{The chi-square test: Often used and more often misinterpreted}}, journal={American Journal of Evaluation}, year={2012}, volume={33}, number={3}, pages={448--458}, doi={10.1177/1098214011426594}}
@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{mchugh2013chi, author={McHugh, Mary L.}, title={{The chi-square test of independence}}, journal={Biochemia Medica}, year={2013}, volume={23}, number={2}, pages={143--149}, doi={10.11613/bm.2013.018}}
@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}}
R