<\/p>\n
Cramer’s V<\/strong> is een maatstaf voor de sterkte van het verband tussen twee nominale variabelen.<\/span><\/p>\n Het gaat van 0 naar 1 waarbij:<\/span><\/p>\n Het wordt als volgt berekend:<\/span><\/p>\n Cramer’s V = \u221a (X 2<\/sup> \/n) \/ min(c-1, r-1)<\/span><\/span><\/strong><\/p>\n Goud:<\/span><\/p>\n Deze tutorial geeft enkele voorbeelden van het berekenen van Cramer’s V voor een kruistabel in Python.<\/span><\/p>\n De volgende code laat zien hoe je Cramer’s V berekent voor een 2×2-tabel:<\/span><\/p>\n Cramer’s V blijkt 0,1617<\/strong> te zijn, wat duidt op een vrij zwak verband tussen de twee variabelen in de tabel.<\/span><\/p>\n Merk op dat we de CramerV-<\/strong> functie kunnen gebruiken om Cramer’s V te berekenen voor een array van elke grootte.<\/span><\/p>\n De volgende code laat zien hoe je Cramer’s V berekent voor een tabel met twee rijen en drie kolommen:<\/span><\/p>\n Cramer’s V blijkt 0,1775<\/strong> te zijn.<\/span><\/p>\n Merk op dat dit voorbeeld een tabel met 2 rijen en 3 kolommen gebruikte, maar exact dezelfde code werkt voor een tabel van welke dimensie dan ook.<\/span><\/p>\n Chi Square-onafhankelijkheidstest in Python<\/a> Cramer’s V is een maatstaf voor de sterkte van het verband tussen twee nominale variabelen. Het gaat van 0 naar 1 waarbij: 0 geeft aan dat er geen verband bestaat tussen de twee variabelen. 1 geeft een sterke associatie aan tussen de twee variabelen. Het wordt als volgt berekend: Cramer’s V = \u221a (X 2 […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1288","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
\n
Voorbeeld 1: Cramer’s V voor een 2\u00d72 tafel<\/strong><\/span><\/h3>\n
#load necessary packages and functions\nimport<\/span> scipy. stats<\/span> as<\/span> stats<\/span>\nimport<\/span> numpy as<\/span> np<\/span>\n\n#create 2x2 table\n<\/span>data = np. array<\/span> ([[7,12], [9,8]])\n\n#Chi-squared test statistic, sample size, and minimum of rows and columns\n<\/span>X2 = stats. chi2_contingency<\/span> (data, correction= False<\/span> )[0]\nn = np. sum<\/span> (data)\nminDim = min( data.shape<\/span> )-1\n\n#calculate Cramer's V<\/span>\nV = np. sqrt<\/span> ((X2\/n) \/ minDim)\n\n#display Cramer's V\n<\/span>print(V)\n\n0.1617<\/strong><\/pre>\n Voorbeeld 2: Cramer’s V voor grotere tafels<\/strong><\/span><\/h3>\n
#load necessary packages and functions\nimport<\/span> scipy. stats<\/span> as<\/span> stats<\/span>\nimport<\/span> numpy as<\/span> np<\/span>\n\n#create 2x2 table\n<\/span>data = np. array<\/span> ([[6,9], [8, 5], [12, 9]])\n\n#Chi-squared test statistic, sample size, and minimum of rows and columns\n<\/span>X2 = stats. chi2_contingency<\/span> (data, correction= False<\/span> )[0]\nn = np. sum<\/span> (data)\nminDim = min( data.shape<\/span> )-1\n\n#calculate Cramer's V<\/span>\nV = np. sqrt<\/span> ((X2\/n) \/ minDim)\n\n#display Cramer's V\n<\/span>print(V)\n\n0.1775<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Chi-kwadraat goodness-of-fit-test in Python<\/a>
Fisher’s exacte test in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"