Cara melakukan uji kesesuaian chi-kuadrat di r

Uji kesesuaian chi-kuadrat digunakan untuk menentukan apakah suatu variabel kategori mengikuti distribusi hipotetis atau tidak.

Tutorial ini menjelaskan cara melakukan uji kecocokan chi-kuadrat di R.

Contoh: Uji kesesuaian chi-kuadrat di R

Seorang pemilik toko mengatakan bahwa jumlah pelanggan yang datang ke tokonya sama setiap hari dalam seminggu. Untuk menguji hipotesis ini, peneliti mencatat jumlah pelanggan yang datang ke toko pada minggu tertentu dan menemukan hal berikut:

• Senin: 50 pelanggan
• Selasa: 60 pelanggan
• Rabu: 40 pelanggan
• Kamis: 47 pelanggan
• Jumat: 53 pelanggan

Ikuti langkah-langkah berikut untuk melakukan uji kesesuaian chi-kuadrat di R untuk menentukan apakah data konsisten dengan klaim pemilik toko.

Langkah 1: Buat datanya.

Pertama, kami akan membuat dua tabel untuk memuat frekuensi pengamatan dan perkiraan proporsi pelanggan setiap hari:

 observed <- c(50, 60, 40, 47, 53) 
expected <- c(.2, .2, .2, .2, .2) #must add up to 1

Langkah 2: Lakukan uji kecocokan chi-kuadrat.

Selanjutnya, kita dapat melakukan uji kecocokan chi-kuadrat menggunakan fungsi chisq.test() , yang menggunakan sintaks berikut:

chisq.test(x, p)

Emas:

• x: Vektor numerik dari frekuensi yang diamati.
• p: Vektor numerik dengan proporsi yang diharapkan.

Kode berikut menunjukkan cara menggunakan fungsi ini dalam contoh kita:

 #perform Chi-Square Goodness of Fit Test
chisq.test(x=observed, p=expected)

	Chi-squared test for given probabilities

data: observed
X-squared = 4.36, df = 4, p-value = 0.3595

Statistik uji Chi-kuadrat adalah 4,36 dan nilai p yang sesuai adalah 0,3595 .

Perhatikan bahwa nilai p sesuai dengan nilai Chi-kuadrat dengan n-1 derajat kebebasan (dof), di mana n adalah jumlah kategori yang berbeda. Dalam hal ini, df = 5-1 = 4.

Anda dapat menggunakan kalkulator chi-kuadrat ke nilai P untuk memastikan bahwa nilai p yang sesuai dengan X ² = 4,36 dengan df = 4 adalah 0,35947 .

Ingatlah bahwa uji kesesuaian chi-kuadrat menggunakan hipotesis nol dan hipotesis alternatif berikut:

• H ₀ : (hipotesis nol) Suatu variabel mengikuti distribusi hipotetis.
• H ₁ : (hipotesis alternatif) Suatu variabel tidak mengikuti distribusi hipotetis.

Karena nilai p (0,35947) tidak kurang dari 0,05, kami gagal menolak hipotesis nol. Artinya, kami tidak memiliki cukup bukti untuk mengatakan bahwa sebaran pelanggan sebenarnya berbeda dengan yang dilaporkan oleh pemilik toko.

Sumber daya tambahan

Cara melakukan uji independensi chi-kuadrat di R
Cara menghitung nilai P dari statistik chi-kuadrat di R
Cara mencari nilai chi kuadrat kritis di R