كيفية حساب cramer's v في بايثون

Cramer’s V هو مقياس لقوة الارتباط بين متغيرين اسميين.

وينتقل من 0 إلى 1 حيث:

• يشير 0 إلى عدم وجود ارتباط بين المتغيرين.
• 1 يشير إلى وجود علاقة قوية بين المتغيرين.

يتم حسابه على النحو التالي:

V كريمر = √ (X ² /n) / دقيقة(c-1, r-1)

ذهب:

• × ² : إحصائية مربع تشي
• ن: حجم العينة الإجمالي
• ص: عدد الأسطر
• ج: عدد الأعمدة

يقدم هذا البرنامج التعليمي بعض الأمثلة لحساب Cramer’s V لجدول الطوارئ في بايثون.

مثال 1: Cramer’s V لجدول 2×2

يوضح التعليمة البرمجية التالية كيفية حساب Cramer’s V لجدول 2×2:

 #load necessary packages and functions
import scipy. stats as stats
import numpy as np

#create 2x2 table
data = np. array ([[7,12], [9,8]])

#Chi-squared test statistic, sample size, and minimum of rows and columns
X2 = stats. chi2_contingency (data, correction= False )[0]
n = np. sum (data)
minDim = min( data.shape )-1

#calculate Cramer's V
V = np. sqrt ((X2/n) / minDim)

#display Cramer's V
print(V)

0.1617

تبين أن قيمة Cramer’s V هي 0.1617 ، مما يشير إلى وجود ارتباط ضعيف إلى حد ما بين المتغيرين في الجدول.

مثال 2: Cramer’s V للجداول الكبيرة

لاحظ أنه يمكننا استخدام دالة CramerV لحساب Cramer’s V لمصفوفة من أي حجم.

يوضح التعليمة البرمجية التالية كيفية حساب Cramer’s V لجدول مكون من صفين و3 أعمدة:

 #load necessary packages and functions
import scipy. stats as stats
import numpy as np

#create 2x2 table
data = np. array ([[6,9], [8, 5], [12, 9]])

#Chi-squared test statistic, sample size, and minimum of rows and columns
X2 = stats. chi2_contingency (data, correction= False )[0]
n = np. sum (data)
minDim = min( data.shape )-1

#calculate Cramer's V
V = np. sqrt ((X2/n) / minDim)

#display Cramer's V
print(V)

0.1775

تبين أن قيمة Cramer’s V هي 0.1775 .

لاحظ أن هذا المثال استخدم جدولاً يحتوي على صفين و3 أعمدة، ولكن نفس الرمز بالضبط يعمل مع جدول بأي أبعاد.

مصادر إضافية

اختبار استقلال مربع تشي في بايثون
اختبار جودة مربع كاي في بايثون
اختبار فيشر الدقيق في بايثون