MerQuR+İstatistik Sözlüğü

İstatistik Sözlüğü → Çapraz Tablo

Çapraz Tabloanaliz

İki kategorik değişkenin birlikte nasıl dağıldığını sayı ve yüzdelerle gösteren, aralarındaki ilişkiyi testler ve ilişki ölçüleriyle özetleyen tablo.

Kavram

Çapraz tablo (kontenjans tablosu), iki kategorik değişkenin her düzey bileşiminde kaç gözlem bulunduğunu gösterir. Kategorik verinin en temel özetidir: satır ve sütun yüzdeleri, bir değişkenin dağılımının diğerinin düzeylerine göre nasıl değiştiğini doğrudan gösterir.

Tablonun ardından gelen soru, görülen farkların şansla açıklanıp açıklanamayacağıdır. Bunun için Pearson ki-kare (χ² = Σ (O − E)² / E), olabilirlik oranı G² ya da küçük örneklemlerde Fisher testi kullanılır; beklenen sayılar E = satır toplamı × sütun toplamı / n ile hesaplanır. Düzeyler sıralıysa doğrusal-doğrusal test, düzenli bir artış ya da azalış eğilimini arar. İlişkinin gücü Cramér V, gamma, Kendall tau, Somers d ya da lambda gibi ölçülerle; 2x2 tablolarda yönü ve büyüklüğü odds oranı, göreli risk ve risk farkıyla ifade edilir.

Yorumlarken yüzdelerin hangi yönde hesaplandığına dikkat edilmelidir: açıklayıcı değişken satırdaysa satır yüzdeleri karşılaştırılır. Testler gözlemlerin bağımsız olmasını ve beklenen sayıların çok küçük olmamasını gerektirir. Çapraz tablo bir ilişkiyi gösterir, nedensellik göstermez; üçüncü bir değişken ilişkiyi yaratıyor ya da gizliyor olabilir, bu yüzden gerekirse katmanlı tablolar incelenmelidir.

Ne zaman kullanılır?

  • İki kategorik değişkenin ortak dağılımını betimlemek ve aralarında ilişki olup olmadığını tek bir yerde görmek istendiğinde.
  • Beklenen sayılar küçükse Fisher kesin testi ya da Monte Carlo p; aynı kişilerin iki ölçümü karşılaştırılıyorsa McNemar testi kullanılır.
  • Üçüncü bir değişken karıştırıcı olarak kontrol edilecekse Cochran-Mantel-Haenszel testi; üç ya da daha fazla değişkenin ilişki yapısı modellenecekse log-doğrusal model; ilişkiyi görsel bir haritada özetlemek için uyum analizi uygundur.

Gündelik bir örnek

Bir market zinciri 900 müşterinin yaş grubunu (18-34, 35-54, 55 ve üzeri) ve ödeme yöntemini (nakit, kart, mobil) kaydediyor. Çapraz tablo, ör. gençlerin %45'inin mobil ödeme kullandığını, 55 yaş üzerinde ise bu oranın %8'de kaldığını ve nakit kullanımının yaşla arttığını gösteriyor. Ki-kare testi bu farkların şansla açıklanamayacak kadar büyük olup olmadığını, Cramér V ise ilişkinin gücünü söyler. Ödeme yönteminin doğal bir sırası olmadığı için burada gamma gibi sıralı ölçüler değil, Cramér V ve lambda gibi nominal ölçüler kullanılır.

MerQur'da parametreler

Sütun 1 ve Sütun 2 (satır ve sütun değişkenleri)

Kavram: Tablonun satır ve sütunlarını oluşturan iki kategorik değişkendir. Genel kural açıklayıcı değişkeni satıra, sonuç değişkenini sütuna koymaktır; böylece satır yüzdeleri 'her grupta sonucun dağılımı' diye okunur. Ki-kare testleri bu seçimden etkilenmez, yönlü ölçüler ve göreli risk ise etkilenir.

Gündelik örnek: Market örneğinde yaş grubu satıra, ödeme yöntemi sütuna konur. Satır yüzdeleri 'her yaş grubunun yüzde kaçı mobil ödüyor?' sorusunu yanıtlar; değişkenler ters konsaydı yüzdeler 'mobil ödeyenlerin yüzde kaçı genç?' sorusuna karşılık gelirdi.

Ne işe yarar: Çapraz tablonun satır ve sütun değişkenleridir; açıklayıcı değişken satıra, sonuç değişkeni sütuna konur.

Sonuca etkisi: Sayımlar, beklenen, artıklar, Pearson/G²/doğrusal-doğrusal/Fisher ve Cramér V rol değişiminden etkilenmez. Yönlü ölçüler (Somers d, lambda, belirsizlik katsayısı), göreli risk yönü ve sütun oranı testleri rol değişimiyle değişir.

Doğrulama verisinde: female x ses ile ses x female için χ² = 4.5765, V = 0.1513 aynıdır. FatComp'ta rol değişimi RR/RD ve yön bağımlı 22 çıktıyı değiştirir; simetrik istatistikler aynı kalır.

Sütun oranlarını karşılaştır (z testi, Bonferroni)

Kavram: Genel test yalnız 'bir yerde fark var' der; bu seçenek her satır kategorisinde sütun gruplarının oranlarını ikişer ikişer karşılaştırır. Birden çok karşılaştırma yapıldığı için Bonferroni düzeltmesi yanlış alarm riskini sınırlar; birbirinden farklı olmayan sütunlar aynı harfi paylaşır.

Gündelik örnek: Market örneğinde nakit satırında üç yaş grubunun oranları karşılaştırılır: 55 yaş üstü diğer iki gruptan farklı, 18-34 ile 35-54 ise birbirinden farklı değilse, ilk iki grup aynı harfi alır.

Ne işe yarar: Her satır kategorisinde sütun yüzdelerini ikili havuzlanmış z testiyle karşılaştırır; p değerleri satır içindeki çift sayısıyla Bonferroni düzeltilir ve harf gösterimi verilir.

Sonuca etkisi: Ek tablo (z, p, p_Bonf, harfler); diğer çıktılar değişmez.

Doğrulama verisinde: 129 ikili karşılaştırmada z, p ve p_Bonf (p x çift sayısı) süreklilik düzeltmesiz iki oran z testiyle hesaplanır; kararlar sütun harfleriyle gösterilir (46 anlamlı, 83 anlamsız). hsb2 ses = 3, prog 1-2: p_Bonf = 0.0534.

→ Sütun oranları z-testi

Güven Düzeyi (%90, %95, %99, Diğer (özel))

Kavram: Odds oranı, göreli risk, risk farkı, oranlar ve ilişki ölçüleri için verilen güven aralıklarının genişliğini ve karar eşiğini (α) belirler. Kestirimlerin kendisi değişmez.

Gündelik örnek: Gençlerde mobil ödeme oranı %45 ise %95 güven aralığı bunun ör. %40 ile %50 arasında olabileceğini söyler; %99 güvende aralık genişler.

Ne işe yarar: OR, Wilson, RR/RD ve ilişki ölçülerinin güven aralığı düzeyini belirler; alfa = 1 - güven düzeyi ayrıca H₀ kararı ve Bonferroni eşiğidir.

Sonuca etkisi: Aralık sınırları ve karar satırları değişir; kestirimler değişmez.

Doğrulama verisinde: FatComp OR aralığı %90 [1.5827, 43.0037], %95 [1.1535, 59.0029], %99 [0.6217, 109.4843]; gamma üst sınırı %90'da 1.0'a kırpılır.

→ Güven düzeyi ve güven aralığı

Katman (kontrol)

Kavram: Üçüncü bir değişkenin her düzeyi için ayrı bir çapraz tablo oluşturur. İki değişken arasındaki ilişkinin bu üçüncü değişkenin düzeylerinde aynı kalıp kalmadığını, hatta yön değiştirip değiştirmediğini (Simpson paradoksu) görmeyi sağlar.

Gündelik örnek: Market şube türünü (şehir merkezi / kırsal) katman olarak seçerse, yaş ile ödeme yöntemi ilişkisinin her iki şube türünde de görülüp görülmediğine bakabilir. Kırsal şubelerde mobil ödeme hemen hiç yoksa ilişkinin büyük kısmı şehir şubelerinden geliyor olabilir.

Ne işe yarar: Üçüncü değişkenin her düzeyinde ayrı çapraz tablo ve Pearson χ², G² p, V ve 2x2'de Fisher p verir; Simpson paradoksu türü durumları görmek için kullanılır (ortak OR için CMH analizi ayrıca gerekir).

Sonuca etkisi: Ek katman bloğu; genel tablo çıktıları değişmez. Ölçüler, risk, Monte Carlo ve sütun oranı testleri yalnız genel tabloya uygulanır.

Doğrulama verisinde: hsb2 female x ses, katman schtyp: katman 1 χ² = 4.1060, katman 2 χ² = 2.4084. Çin sigara verisi (8 merkez) ve UCBAdmissions (6 bölüm) için her katmanda χ², G², Fisher, V ve sayımlar ayrı ayrı verilir.

→ Tabakalı analiz (tabaka değişkeni)

Ek çıktılar: İlişki ölçüleri

Kavram: İlişkinin gücünü tek bir sayıyla özetleyen katsayılardır. Her iki değişken sıralıysa gamma, Kendall tau ve Somers d ilişkinin yönünü de gösterir (−1 ile 1 arası); değişkenler nominalse lambda ve belirsizlik katsayısı, bir değişkeni bilmenin diğerini tahmin etmedeki hatayı ne oranda azalttığını gösterir.

Gündelik örnek: Ödeme yöntemi nominal olduğu için market lambda'ya bakar: lambda = 0,15 ise müşterinin yaş grubunu bilmek ödeme yöntemini tahmin ederken yapılan hataları %15 azaltır. Yaş grubu ile sıralı bir değişken (ör. aylık alışveriş sıklığı: az, orta, çok) çaprazlansaydı gamma da yorumlanabilirdi.

Ne işe yarar: Gamma, Kendall tau-b/tau-c, Somers d, lambda, belirsizlik katsayısı ve kontenjans katsayısı C; ASE1 ile aralık, ASE0 ile T ve p. Sıralı değişkenlerde sıralı ölçüler, nominalde lambda ve belirsizlik katsayısı kullanılır.

Sonuca etkisi: Ek tablo; diğer çıktılar değişmez. Sıralı ölçüler düzey sırasına bağlıdır.

Doğrulama verisinde: Pain gamma 0.5313, ASE 0.0935, %95 GA [0.3480, 0.7146], T = 5.151. JobSat doğal sırayla gamma 0.2211, ASE 0.1172; dize düzeyler kod noktası sırasında 0.1303.

→ Sıralı ilişki ölçüleri (gamma, tau-b, tau-c, Somers d)

Ek çıktılar: Risk (2×2)

Kavram: 2x2 tablolarda iki grubun bir sonucu yaşama riskini karşılaştırır: göreli risk bir grubun riskinin diğerinin kaç katı olduğunu, risk farkı ise yüzde puanı olarak farkı verir. Grupların izlenerek sonucun kaydedildiği (kohort) tasarımlarda anlamlıdır; vaka-kontrol tasarımında odds oranı yorumlanır.

Gündelik örnek: Market yalnız 'sadakat kartı var / yok' ve 'ay içinde tekrar geldi / gelmedi' değişkenleriyle bir 2x2 tablo kursaydı, kart sahiplerinin tekrar gelme oranı %80, diğerlerinin %50 ise göreli risk 1,6, risk farkı 30 yüzde puanı olurdu.

Ne işe yarar: 2x2 tabloda her iki sütun düzeyi için kohort göreli riski (Katz log aralığı) ve risk farkını (Wald aralığı, [-1, 1] kırpmalı) verir. Kohort tasarımlar içindir; vaka-kontrolde OR yorumlanır.

Sonuca etkisi: 2x2'de ek blok; RxC tablolarda risk ölçüleri hesaplanmaz ve "Risk istatistikleri yalnız 2×2 tabloda tanımlıdır" notu yazılır.

Doğrulama verisinde: FatComp RR(0) = 2.8125 [1.1100, 7.1261], RR(1) = 0.3409 [0.0988, 1.1762], RD = 0.4833 [0.1090, 0.8577]. Aspirin RR 1.8178 [1.4330, 2.3059].

→ Göreli risk (RR) ve risk farkı (RD)

Ek çıktılar: Monte Carlo p

Kavram: Beklenen sayılar küçükken ki-kare yaklaşımı yerine, satır ve sütun toplamları aynı olan binlerce rastgele tablo üretip bunların ne kadarının gözlenen kadar uç olduğunu sayarak p-değeri hesaplar. Kesin hesaplamanın çok uzun sürdüğü büyük tablolarda da kullanılır.

Gündelik örnek: Market yeni açılan küçük bir şubede yalnız 40 müşteriyle aynı tabloyu kurarsa bazı hücrelerde beklenen sayı 5'in altına düşer. Monte Carlo p, bu küçük örneklemde ki-kare yaklaşımından daha güvenilir bir karar verir.

Ne işe yarar: Beklenen frekansı düşük tablolarda sabit marjinli 10 000 rastgele tablodan Pearson χ² ve Fisher için Monte Carlo p değeri hesaplar (tohum 42); kesin p hesaplanamadığında kullanılır.

Sonuca etkisi: Ek satır; asimptotik p ve karar değişmez.

Doğrulama verisinde: Eyes x Hair (n = 762): asimptotik p = 0.0073, Monte Carlo Pearson χ² p = 0.0075, Fisher p = 0.0026 (B = 10000, tohum 42). Kesin p çay verisinde (n = 8) 0.4857, FatComp'ta 0.0393'tür; Monte Carlo p bu değerlere Monte Carlo hata payı içinde yaklaşır.

→ Monte Carlo p-değeri

Ağırlık (frekans) sütunu

Kavram: Veri her satırı bir kişi olan ham veri değil de her satırı bir hücre olan özet tablo ise, o hücrenin kaç gözlem içerdiğini veren sütundur. Seçilmezse her satır tek bir gözlem sayılır; özet tabloda bu, tüm sonuçları yanlış yapar.

Gündelik örnek: Market 900 müşteriyi tek tek girmek yerine 9 satırlık bir özet tablo yazabilir: '18-34, mobil, 135' gibi. Sayı sütunu ağırlık seçilmezse program yalnız 9 müşteri varmış gibi hesap yapar.

Ne işe yarar: Veri özet (sayım) tablosu biçimindeyse her satırın frekansını veren sütundur. Boşsa her satır bir gözlemdir.

Sonuca etkisi: Tüm sayım tabanlı çıktılar. Ağırlık seçilmeden sayım tablosu verilirse her satır 1 gözlem sayılır; bu kullanıcı seçimidir ve künyede gözlem sayısı (ör. 4) yazar.

Doğrulama verisinde: FatComp (ağırlık = Count): χ² = 4.9597, OR = 8.25 [1.1535, 59.0029]; ağırlıksız aynı veri χ² = 0, OR = 1.0 verir. Color sayım + Region katmanı ham satır koşusuyla 162 çıktıda aynıdır.

→ Frekans ağırlığı (özet tablo verisi)

Sütun 1 / Sütun 2 düzey sırası

Kavram: Sıralı ilişki ölçüleri ve doğrusal-doğrusal test kategorilerin sırasına dayandığı için düzeylerin düşükten yükseğe doğru sırasının açıkça belirtilmesini sağlar. Metinle etiketlenmiş kategorilerde alfabetik sıra çoğu zaman anlamlı sırayla örtüşmez.

Gündelik örnek: Alışveriş sıklığı 'seyrek', 'ara sıra', 'sık' diye etiketlenmişse harf sırasıyla 'ara sıra, seyrek, sık' biçiminde dizilir, 'seyrek' ortaya düşer ve gamma yanlış hesaplanır. Sıra 'seyrek, ara sıra, sık' diye verildiğinde sıralı ölçüler doğru eğilimi yakalar.

Ne işe yarar: Sıralı ölçüler (γ, τ, Somers d) ve doğrusal-doğrusal test için düzeylerin düşükten yükseğe sırasını virgülle ayrılmış olarak verir; boşsa sayısal düzeyler sayısal, dize düzeyler kod noktası sırasında dizilir.

Sonuca etkisi: Yalnız sıra bağımlı ölçüler ve doğrusal-doğrusal test değişir.

Doğrulama verisinde: JobSat'ta doğal sıra verildiğinde gamma 0.2211009. Sıra verilmezse kod noktası sıralamasıyla 0.1303 olur.

Gerçek veride örnek

Veri: SAS/STAT PROC FREQ örneği (Color: göz ve saç rengi), SAS/STAT 15.1 Örnek 44.6 (FREQEX2)

Değişkenler: satır Eyes (göz rengi), sütun Hair (saç rengi), ağırlık (frekans) sütunu Count

  • Soru: Göz rengi (mavi, kahverengi, yeşil) ile saç rengi (siyah, koyu, açık, orta, kızıl) birbirinden bağımsız mı?
  • Varsayım: Hiçbir hücrede beklenen frekans 5'in altında değildir (en küçük 5.75); Pearson χ² yaklaşımı güvenilirdir. Veri sayım tablosu olduğundan Count sütunu ağırlık olarak kullanılmıştır (N = 762).
  • Sonuç: χ²(8, N = 762) = 20.92, p = .007; olabilirlik oranı G²(8) = 25.97, p = .001. Bağımsızlık hipotezi reddedilir: göz ve saç rengi ilişkilidir.
  • Etki büyüklüğü: Cramér V = .12; ilişki istatistiksel olarak anlamlı ama zayıftır (büyük örneklem küçük ilişkiyi yakalar).
  • Hücre düzeyi: Düzeltilmiş artıklara göre kahverengi göz x siyah saç (+2.68), kahverengi göz x koyu saç (+2.15) ve yeşil göz x kızıl saç (+1.97) beklenenden sık, yeşil göz x siyah saç (-2.83) ve yeşil göz x koyu saç (-2.04) beklenenden seyrektir.
  • APA: χ²(8, N = 762) = 20.92, p = .007, V = .12.

İlgili kavramlar

Monte Carlo p-değeriSıralı ilişki ölçüleri (gamma, tau-b, tau-c, Somers d)Göreli risk (RR) ve risk farkı (RD)Sütun oranları z-testiG testi (olabilirlik oranı ki-karesi, G²)Frekans ağırlığı (özet tablo verisi)Odds oranı (OR)Cramér V ve Cohen w

Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.