如何解释 cramer 的 v（附示例）

Cramer 的 V是两个名义变量之间关联强度的度量。

它从 0 到 1，其中：

• 0表示两个变量之间没有关联。
• 1表示两个变量之间完美关联。

计算方法如下：

克莱默的 V = √ (X ² /n) / min(c-1, r-1)

金子：

• X ² ：卡方统计量
• n：总样本量
• r：行数
• c:列数

如何解释克莱默的 V

下表显示了如何根据自由度解释 Cramer V：

以下示例展示了如何在不同情况下解释 Cramer 的 V。

示例 1：解释 2×3 数组的 Cramer V

假设我们想知道眼睛颜色和性别之间是否存在关联。因此，我们询问了 50 个人并得到以下结果：

我们可以在 R 中使用以下代码来计算这两个变量的 Cramer’s V：

 library (rcompanion)

#create table
data = matrix(c(6, 9, 8, 5, 12, 10), nrow= 2 )

#view table
data

     [,1] [,2] [,3]
[1,] 6 8 12
[2,] 9 5 10

#calculate Cramer's V
cramerV(data)

Cramer V 
  0.1671

Cramer 的 V 结果为0.1671 。

自由度计算如下：

• df = min(#rows-1, #columns-1)
• df = 分钟(1, 2)
• df = 1

参考上表，我们可以看到 Cramer’s V 为0.1671且自由度 = 1表明眼睛颜色和性别之间的关联较小（或“弱”）。

示例 2：解释 3×3 表的 Cramer V

假设我们想知道眼睛颜色和对政党的偏好之间是否存在关联。因此，我们询问了 50 个人并得到以下结果：

我们可以在 R 中使用以下代码来计算这两个变量的 Cramer’s V：

 library (rcompanion)

#create table
data = matrix(c(8, 2, 4, 5, 8, 6, 6, 3, 8), nrow= 3 )

#view table
data

     [,1] [,2] [,3]
[1,] 8 5 6
[2,] 2 8 3
[3,] 4 6 8

#calculate Cramer's V
cramerV(data)

Cramer V 
  0.246

Cramer 的 V 结果为0.246 。

自由度计算如下：

• df = min(#rows-1, #columns-1)
• df = 分钟(2, 2)
• df = 2

参考上表，我们可以看到 Cramer’s V 为0.246且自由度 = 2表明眼睛颜色和政党偏好之间存在中等（或“中等”）关联。

其他资源

以下教程解释了如何在不同的统计软件中计算 Cramer’s V：

如何在 Excel 中计算 Cramer 的 V
如何在 R 中计算 Cramer 的 V
如何用 Python 计算 Cramer 的 V