{"id":1129,"date":"2023-07-27T13:39:32","date_gmt":"2023-07-27T13:39:32","guid":{"rendered":"https:\/\/statorials.org\/de\/chi-quadrat-unabhangigkeitstest-in-r\/"},"modified":"2023-07-27T13:39:32","modified_gmt":"2023-07-27T13:39:32","slug":"chi-quadrat-unabhangigkeitstest-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/chi-quadrat-unabhangigkeitstest-in-r\/","title":{"rendered":"Chi-quadrat-unabh\u00e4ngigkeitstest in r (mit beispielen)"},"content":{"rendered":"

<\/p>\n

\n

Ein Chi-Quadrat-Unabh\u00e4ngigkeitstest<\/a> wird verwendet, um zu bestimmen, ob zwischen zwei kategorialen Variablen<\/a> ein signifikanter Zusammenhang besteht oder nicht.<\/span><\/p>\n

In diesem Tutorial wird erkl\u00e4rt, wie man einen Chi-Quadrat-Unabh\u00e4ngigkeitstest in R durchf\u00fchrt.<\/span><\/p>\n

Beispiel: Chi-Quadrat-Test f\u00fcr Unabh\u00e4ngigkeit in R<\/strong><\/span><\/h3>\n

Angenommen, wir m\u00f6chten wissen, ob das Geschlecht mit der Pr\u00e4ferenz f\u00fcr eine politische Partei zusammenh\u00e4ngt oder nicht. Wir nehmen eine einfache Zufallsstichprobe von 500 W\u00e4hlern und befragen sie zu ihrer politischen Parteipr\u00e4ferenz. Die folgende Tabelle stellt die Ergebnisse der Umfrage dar:<\/span><\/p>\n\n\n\n\n\n\n
<\/td>\n Republikaner<\/strong><\/span><\/td>\n Demokrat<\/strong><\/span><\/td>\n Unabh\u00e4ngig<\/strong><\/span><\/td>\n Gesamt<\/strong><\/span><\/td>\n<\/tr>\n
M\u00e4nnlich<\/strong><\/span><\/td>\n 120<\/span><\/td>\n 90<\/span><\/td>\n 40<\/span><\/td>\n 250<\/span><\/td>\n<\/tr>\n
Weiblich<\/strong><\/span><\/td>\n 110<\/span><\/td>\n 95<\/span><\/td>\n 45<\/span><\/td>\n 250<\/span><\/td>\n<\/tr>\n
Gesamt<\/strong><\/span><\/td>\n 230<\/span><\/td>\n 185<\/span><\/td>\n 85<\/span><\/td>\n 500<\/span><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

F\u00fchren Sie die folgenden Schritte aus, um einen Chi-Quadrat-Test der Unabh\u00e4ngigkeit in R durchzuf\u00fchren und festzustellen, ob das Geschlecht mit der Pr\u00e4ferenz f\u00fcr eine politische Partei zusammenh\u00e4ngt.<\/span><\/p>\n

Schritt 1: Erstellen Sie die Daten.<\/strong><\/span><\/p>\n

Zuerst erstellen wir eine Tabelle<\/a> zur Speicherung unserer Daten:<\/span><\/p>\n

 #create table<\/span>\ndata <- matrix(c(120, 90, 40, 110, 95, 45), ncol= 3<\/span> , byrow= TRUE<\/span> )\ncolnames(data) <- c(\" Rep<\/span> \",\" Dem<\/span> \",\" Ind<\/span> \")\nrownames(data) <- c(\" Male<\/span> \",\" Female<\/span> \")\ndata <- as.table<\/span> (data)\n\n#view table<\/span>\ndata\n\n       Rep Dem Ind\nMale 120 90 40\nFemale 110 95 45\n<\/strong><\/pre>\n
 Schritt 2: F\u00fchren Sie den Chi-Quadrat-Unabh\u00e4ngigkeitstest durch.<\/strong><\/span><\/p>\n
 Als n\u00e4chstes k\u00f6nnen wir den Chi-Quadrat-Unabh\u00e4ngigkeitstest mit der Funktion chisq.test()<\/strong> durchf\u00fchren:<\/span><\/p>\n
 #Perform Chi-Square Test of Independence<\/span>\nchisq.test(data)\n\n\tPearson's Chi-squared test\n\ndata:data\nX-squared = 0.86404, df = 2, p-value = 0.6492\n<\/strong><\/pre>\n
 Das Ergebnis l\u00e4sst sich wie folgt interpretieren:<\/span><\/p>\n