วิธีการคำนวณ v ของ cramer ใน python

V ของแครเมอร์ คือการวัดความแข็งแกร่งของความสัมพันธ์ระหว่างตัวแปรระบุสองตัว

มันไปจาก 0 ถึง 1 โดยที่:

• 0 หมายถึงไม่มีการเชื่อมโยงระหว่างตัวแปรทั้งสอง
• 1 แสดงถึงความสัมพันธ์ที่แน่นแฟ้นระหว่างตัวแปรทั้งสอง

มีการคำนวณดังนี้:

V ของแครเมอร์ = √ (X ² /n) / นาที(c-1, r-1)

ทอง:

• X ² : สถิติจี้สแควร์
• n: ขนาดตัวอย่างทั้งหมด
• r: จำนวนบรรทัด
• c: จำนวนคอลัมน์

บทช่วยสอนนี้ให้ตัวอย่างการคำนวณ V ของ Cramer สำหรับตารางฉุกเฉินใน Python

ตัวอย่างที่ 1: V ของ Cramer สำหรับตาราง 2×2

รหัสต่อไปนี้แสดงวิธีคำนวณ Cramer’s V สำหรับตาราง 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

V ของ Cramer กลายเป็น 0.1617 ซึ่งบ่งชี้ถึงความสัมพันธ์ที่ค่อนข้างอ่อนระหว่างตัวแปรทั้งสองในตาราง

ตัวอย่างที่ 2: Cramer’s V สำหรับโต๊ะขนาดใหญ่

โปรดทราบว่าเราสามารถใช้ฟังก์ชัน CramerV เพื่อคำนวณ V ของ Cramer สำหรับอาร์เรย์ทุกขนาด

รหัสต่อไปนี้แสดงวิธีคำนวณ Cramer’s V สำหรับตารางที่มี 2 แถวและ 3 คอลัมน์:

 #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

V ของแครเมอร์กลายเป็น 0.1775

โปรดทราบว่าตัวอย่างนี้ใช้ตารางที่มี 2 แถวและ 3 คอลัมน์ แต่โค้ดเดียวกันนั้นใช้ได้กับตารางทุกมิติ

แหล่งข้อมูลเพิ่มเติม

การทดสอบอิสรภาพของ Chi Square ใน Python
การทดสอบความพอดีของไคสแควร์ใน Python
การทดสอบที่แน่นอนของฟิชเชอร์ใน Python