Słownik metodologiczny · Testy statystyczne

Test Fishera–Freemana–Haltona – test dokładny dla tabel r × c

Test Fishera–Freemana–Haltona to test dokładny Fishera rozszerzony na tabele większe niż 2 × 2. Wyjaśniamy, kiedy zastąpić nim test chi-kwadrat, jak liczy się wartość p i jak wykonać go w R.

Strona główna / Słownik / Test Fishera–Freemana–Haltona
W skrócie: Test Fishera–Freemana–Haltona to test dokładny niezależności dla tabeli krzyżowej r × c. Uogólnia test Fishera dla 2 × 2: przy stałych sumach brzegowych sumuje prawdopodobieństwa tabel nie bardziej prawdopodobnych niż obserwowana. Stosuje się go przy małych liczebnościach oczekiwanych.

Co to jest test Fishera–Freemana–Haltona?

Test Fishera–Freemana–Haltona (ang. Fisher–Freeman–Halton test, FFH) to uogólnienie testu dokładnego Fishera z tabeli 2 × 2 na dowolną tabelę krzyżową r × c (Freeman i Halton, 1951). Sprawdza niezależność dwóch zmiennych kategorialnych bez przybliżenia rozkładem χ², z którego korzysta test chi-kwadrat niezależności. Stosuje się go, gdy wiele komórek ma małe liczebności oczekiwane.

Jak działa

Test traktuje sumy wierszy i kolumn jako stałe. Każda tabela o tych sumach ma przy hipotezie niezależności prawdopodobieństwo z wielowymiarowego rozkładu hipergeometrycznego. Wartość p to suma prawdopodobieństw wszystkich tabel nie bardziej prawdopodobnych niż obserwowana (Mehta i Patel, 1983). Liczba takich tabel szybko rośnie, dlatego potrzebne są wydajne algorytmy, np. sieciowy algorytm Mehty i Patela. Agresti (1992) opisuje, jak takie algorytmy i moc obliczeniowa upowszechniły metody dokładne. Przy dużych tabelach p można oszacować symulacją Monte Carlo.

Przykład w R

30 studentów trzech kierunków wybrało metodę badania do pracy (ankieta, wywiad, eksperyment; dane przykładowe). Wszystkie dziewięć liczebności oczekiwanych mieści się w przedziale 2.79–3.45. Test χ² daje χ²(4) = 11.97, p = .018, z ostrzeżeniem o przybliżeniu. Test Fishera–Freemana–Haltona: p = .031, a z 100 000 symulacji p = .031. Mehta i Patel (1983) zauważają, że w tabelach rzadkich oba testy często prowadzą do sprzecznych wniosków; tu wniosek jest ten sam, ale p z przybliżenia jest wyraźnie mniejsze.

Na rysunku

Dwa histogramy dla 100 000 losowych tabel 3 × 3 o sumach brzegowych z przykładu. A: rozkład statystyki χ² od 0 do około 25, nieregularny, z wysokimi i niskimi słupkami obok siebie, na tle przerywanej krzywej gęstości χ²(4). Pionowa linia przy obserwowanej wartości 11.97; słupki na prawo od niej są pomarańczowe, podpis: na prawo 1.6% tabel. B: rozkład prawdopodobieństwa tabeli na skali logarytmicznej od około 10 do minus 6 do około 10 do minus 2, z większością tabel między 10 do minus 3 a 10 do minus 2. Pionowa linia przy obserwowanej tabeli P = 0.000124; słupki na lewo są pomarańczowe, podpis: na lewo 3.1% tabel.
Rysunek 1. Statystyka χ² (A) i prawdopodobieństwo tabeli przy H0 (B) w 100 000 losowych tabel 3 × 3 o sumach brzegowych z przykładu. Obliczenia: R, pakiety ggplot2 i patchwork (symulacja, set.seed(626)).

Co widać. Funkcja r2dtable() wylosowała 100 000 tabel o tych samych sumach wierszy i kolumn co tabela z przykładu, każdą z prawdopodobieństwem, jakie ma przy niezależności. Panel B pokazuje to, co liczy test Fishera–Freemana–Haltona: prawdopodobieństwo każdej tabeli. Obserwowana tabela ma prawdopodobieństwo 0.000124. Tabele co najmniej tak mało prawdopodobne stanowią 3.1% próby, czyli p = .0308 (błąd Monte Carlo .0005), zgodnie z dokładnym p = .031. Panel A pokazuje dla tych samych tabel statystykę χ². Jej rozkład jest schodkowy – przy 30 osobach wystąpiło tylko 215 różnych wartości – i nie pokrywa się dokładnie z krzywą χ²(4). Na prawo od obserwowanej wartości 11.97 leży 1.6% tabel (błąd Monte Carlo .0004), a krzywa χ²(4) daje .018.

Na co uważać. Panele A i B porządkują te same tabele według różnych kryteriów, więc dają różne p: .016 według χ², .031 według prawdopodobieństwa tabeli. Oba są poprawnymi testami dokładnymi przy ustalonych brzegach. Kryterium wybierz przed analizą i podaj w pracy, a test FFH oznacza kryterium z panelu B. Wykres nie pokazuje, które komórki odpowiadają za związek. Do tego służą skorygowane reszty standaryzowane, opisane we wpisie tabela krzyżowa na wykresie. Skąd się bierze krzywa χ², wyjaśnia wpis skąd się biorą rozkłady t, χ² i F. Ziarno 626 ustalono raz, przed uruchomieniem kodu.

Podpis do pracy:

Rysunek 1. Rozkład statystyki χ² (A) i prawdopodobieństwa tabeli przy hipotezie niezależności (B) w 100 000 losowych tabel o sumach brzegowych tabeli obserwowanej (N = 30). Uwaga. Pionowa linia oznacza tabelę obserwowaną, a pomarańczowe słupki – tabele co najmniej tak skrajne. Odsetek takich tabel wynosi .016 według χ² i .031 według prawdopodobieństwa tabeli (test Fishera–Freemana–Haltona). Linia przerywana w panelu A to gęstość rozkładu χ² z 4 stopniami swobody.

Kod losuje tabele raz, z ziarnem 626, i liczy oba odsetki z błędem Monte Carlo. Rysunek na stronie powstał z tego kodu po podmianie motywu na motyw serwisu (krój czcionki, siatka). Dane, geometrie i skale są identyczne.

Kod R rysunku 1
# Rysunek 1. Rozkład permutacyjny tabel 3 × 3 o sumach brzegowych z przykładu
library(ggplot2)
library(patchwork)

# Paleta Okabe–Ito i prosty motyw
kol <- c("co najmniej tak skrajne jak obserwowana" = "#D55E00", "pozostałe" = "#BBBBBB")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA))

tab <- matrix(c(6, 2, 1,
                3, 5, 2,
                1, 2, 7), nrow = 3, byrow = TRUE)          # dane przykładowe z hasła, N = 30
r <- rowSums(tab); k <- colSums(tab); N <- sum(tab); E <- outer(r, k) / N
log_P <- function(t) sum(lfactorial(r)) + sum(lfactorial(k)) - lfactorial(N) - sum(lfactorial(t))
chi2 <- function(t) sum((t - E)^2 / E)

# 100 000 losowych tabel o tych samych sumach brzegowych (losowanie z rozkładu przy H0)
set.seed(626)
B <- 1e5
tabele <- r2dtable(B, r, k)
sym <- data.frame(chi2 = vapply(tabele, chi2, 0), logP = vapply(tabele, log_P, 0))
obs <- c(chi2 = chi2(tab), logP = log_P(tab))

# p z permutacji: odsetek tabel co najmniej tak skrajnych jak obserwowana (z błędem Monte Carlo)
p_mc <- function(x) c(p = mean(x), blad_MC = sqrt(mean(x) * (1 - mean(x)) / B))
round(rbind(FFH_P_tabeli = p_mc(sym$logP <= obs[["logP"]] + 1e-7),
            chi2_permutacyjny = p_mc(sym$chi2 >= obs[["chi2"]] - 1e-7)), 4)
round(c(chi2_obs = obs[["chi2"]], p_chi2_przyblizenie = pchisq(obs[["chi2"]], 4, lower.tail = FALSE),
        p_FFH_dokladne = fisher.test(tab)$p.value), 4)
length(unique(round(sym$chi2, 6)))               # liczba różnych wartości chi2 w próbie tabel

# A: rozkład chi2 w tabelach z permutacji na tle krzywej chi2(4)
sym$skrajna_chi2 <- ifelse(sym$chi2 >= obs[["chi2"]] - 1e-7, names(kol)[1], names(kol)[2])
krzywa <- data.frame(x = seq(0.05, 30, by = 0.05))
krzywa$y <- dchisq(krzywa$x, 4)
pA <- ggplot(sym, aes(chi2)) +
  geom_histogram(aes(y = after_stat(count) / (B * 0.5), fill = skrajna_chi2), binwidth = 0.5, boundary = 0,
                 colour = "white", linewidth = 0.1) +
  geom_line(aes(x, y), data = krzywa, linewidth = 1, linetype = "dashed", colour = "grey15") +
  geom_vline(xintercept = obs[["chi2"]], linewidth = 0.8) +
  annotate("text", x = obs[["chi2"]] + 0.4, y = 0.2, hjust = 0, size = 3.4,
           label = sprintf("obserwowana\nχ² = %.2f\n\nna prawo: %.1f%% tabel", obs[["chi2"]],
                           100 * mean(sym$chi2 >= obs[["chi2"]] - 1e-7))) +
  annotate("text", x = 20, y = 0.07, hjust = 0, size = 3.4, label = "linia przerywana:\nkrzywa χ²(4)") +
  scale_fill_manual(values = kol, name = NULL) +
  coord_cartesian(xlim = c(0, 30)) +
  labs(title = "A. Statystyka χ² w tabelach z permutacji", x = "χ²", y = "Gęstość") +
  motyw

# B: prawdopodobieństwo tabel (skala log10) – test FFH sumuje tabele nie bardziej prawdopodobne
sym$log10P <- sym$logP / log(10)
sym$skrajna_P <- ifelse(sym$logP <= obs[["logP"]] + 1e-7, names(kol)[1], names(kol)[2])
pB <- ggplot(sym, aes(log10P, fill = skrajna_P)) +
  geom_histogram(binwidth = 0.1, boundary = 0, colour = "white", linewidth = 0.1) +
  geom_vline(xintercept = obs[["logP"]] / log(10), linewidth = 0.8) +
  annotate("text", x = obs[["logP"]] / log(10) - 0.1, y = 6200, hjust = 1, size = 3.4,
           label = sprintf("obserwowana\nP = %.6f\n\nna lewo: %.1f%% tabel", exp(obs[["logP"]]),
                           100 * mean(sym$logP <= obs[["logP"]] + 1e-7))) +
  scale_fill_manual(values = kol, name = NULL) +
  scale_x_continuous(labels = function(x) parse(text = paste0("10^", x))) +
  labs(title = "B. Prawdopodobieństwo tabeli przy H0", x = "P(tabela), skala logarytmiczna",
       y = "Liczba tabel (ze 100 000)") +
  motyw

p <- pA + pB + plot_layout(guides = "collect") & theme(legend.position = "bottom")
p
Wynik w R
                       p blad_MC
FFH_P_tabeli      0.0308   5e-04
chi2_permutacyjny 0.0160   4e-04
           chi2_obs p_chi2_przyblizenie      p_FFH_dokladne 
            11.9688              0.0176              0.0311 
[1] 215

Jak opisać w pracy

Ze względu na małe liczebności oczekiwane (wszystkie poniżej 5) związek kierunku studiów z wybraną metodą badania sprawdzono testem dokładnym Fishera–Freemana–Haltona. Związek był istotny statystycznie, p = .031.

Na co uważać

  • Brak statystyki i df. Test podaje samo p. Siłę związku opisz osobno, np. V Craméra, i pokaż odsetki w tabeli.
  • Kategorie uporządkowane. Test pomija kolejność kategorii. Gdy jedna zmienna jest porządkowa, rozważ test trendu Cochrana–Armitage’a.
  • Brak pamięci. Przy dużych tabelach fisher.test() może zgłosić błąd przekroczenia przestrzeni roboczej; zwiększ argument workspace albo użyj simulate.p.value = TRUE.
Przykład reprodukowalny

Test Fishera–Freemana–Haltona w R

Kod tworzy tabelę 3 × 3, pokazuje liczebności oczekiwane i test χ², a potem test Fishera–Freemana–Haltona funkcją fisher.test() – dokładnie i z p z symulacji Monte Carlo. Na końcu liczy prawdopodobieństwo zaobserwowanej tabeli z wielowymiarowego rozkładu hipergeometrycznego. Liczby w tekście pochodzą z tego kodu.

Test dokładny dla tabeli 3 × 3

Dane wejściowe: tabela 3 × 3 (kierunek studiów × metoda badania, N = 30; dane przykładowe); set.seed(626) dla symulacji.

Co odczytać: liczebności oczekiwane 2.79–3.45; χ²(4) = 11.97, p = .018; p dokładne = .031; p z symulacji = .031; prawdopodobieństwo obserwowanej tabeli 0.000124.

R
# Test Fishera-Freemana-Haltona: tabela 3 x 3 z małymi liczebnościami
tab <- matrix(c(6, 2, 1,
                3, 5, 2,
                1, 2, 7), nrow = 3, byrow = TRUE,
              dimnames = list(kierunek = c("psychologia", "pedagogika", "socjologia"),
                              metoda = c("ankieta", "wywiad", "eksperyment")))
round(chisq.test(tab)$expected, 2)            # liczebności oczekiwane
suppressWarnings(chisq.test(tab))             # przybliżenie chi-kwadrat
fisher.test(tab)                              # test Fishera-Freemana-Haltona (dokładny)
set.seed(626)
fisher.test(tab, simulate.p.value = TRUE, B = 1e5)  # p z symulacji Monte Carlo
# Prawdopodobieństwo zaobserwowanej tabeli przy H0 (wielowymiarowy rozkład hipergeometryczny)
P_obs <- exp(sum(lfactorial(rowSums(tab))) + sum(lfactorial(colSums(tab))) -
             lfactorial(sum(tab)) - sum(lfactorial(tab)))
signif(P_obs, 3)
Wynik w R
             metoda
kierunek      ankieta wywiad eksperyment
  psychologia    3.10   2.79        3.10
  pedagogika     3.45   3.10        3.45
  socjologia     3.45   3.10        3.45
Warning message:
In chisq.test(tab) : Chi-squared approximation may be incorrect

	Pearson's Chi-squared test

data:  tab
X-squared = 11.969, df = 4, p-value = 0.01759


	Fisher's Exact Test for Count Data

data:  tab
p-value = 0.03106
alternative hypothesis: two.sided


	Fisher's Exact Test for Count Data with simulated p-value (based on
	1e+05 replicates)

data:  tab
p-value = 0.03078
alternative hypothesis: two.sided

[1] 0.000124

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (tylko funkcje bazowe). Rysunek 1 wykonano w pakiecie ggplot2, panele złożono pakietem patchwork, a plik SVG zapisano pakietem svglite. W pracy podaj wersję R i 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
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  4. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze pytania

Kiedy zamiast testu chi-kwadrat użyć testu Fishera–Freemana–Haltona?

Gdy tabela jest większa niż 2 × 2, a wiele komórek ma małe liczebności oczekiwane, zwłaszcza poniżej 5 lub 1. Wtedy przybliżenie rozkładem χ² bywa niedokładne, a test dokładny podaje p bez tego przybliżenia.

Jak wykonać test Fishera–Freemana–Haltona w R?

Wystarczy fisher.test(tabela) dla tabeli większej niż 2 × 2. Przy dużych tabelach dodaj simulate.p.value = TRUE i liczbę replikacji B albo zwiększ argument workspace.

Czym test Fishera–Freemana–Haltona różni się od testu Barnarda?

Test Fishera–Freemana–Haltona warunkuje na obu sumach brzegowych i działa dla tabel r × c. Test Barnarda jest testem bezwarunkowym, zwykle stosowanym do tabel 2 × 2 i często o większej mocy.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

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. Agresti, A. (1992). A survey of exact inference for contingency tables. Statistical Science, 7(1), 131–153. https://doi.org/10.1214/ss/1177011454 ● Otwarty dostęp
  2. Freeman, G. H., & Halton, J. H. (1951). Note on an exact treatment of contingency, goodness of fit and other problems of significance. Biometrika, 38(1–2), 141–149. https://doi.org/10.1093/biomet/38.1-2.141
  3. Mehta, C. R., & Patel, N. R. (1983). A network algorithm for performing Fisher’s exact test in r × c contingency tables. Journal of the American Statistical Association, 78(382), 427–434. https://doi.org/10.1080/01621459.1983.10477989

Cytowania BibTeX

@article{agresti1992survey, author={Agresti, Alan}, title={{A survey of exact inference for contingency tables}}, journal={Statistical Science}, year={1992}, volume={7}, number={1}, pages={131--153}, doi={10.1214/ss/1177011454}}
@article{freeman1951note, author={Freeman, G. H. and Halton, J. H.}, title={{Note on an exact treatment of contingency, goodness of fit and other problems of significance}}, journal={Biometrika}, year={1951}, volume={38}, number={1–2}, pages={141--149}, doi={10.1093/biomet/38.1-2.141}}
@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}}
R