{
  "id": "contingency-table",
  "title": "列联表",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "列联表按分类变量的类别组合汇总频数，为描述分布、度量关联和检验独立性提供依据。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "交叉表",
    "交叉列联表"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/contingency-table/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/contingency-table/",
      "json": "https://aiwiki.page/en/contingency-table.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "列联表是按两个或多个分类变量对观测值进行分类的频数表。每个单元格记录属于某一特定类别组合的观测数量。在统计学中，列联表用于汇总数据、比较条件分布，以及研究变量之间是否存在关联。两个变量的列联表通常以行和列的形式展示；涉及更多变量的列联表则可以表示为一组二维表或多维数组。"
    },
    {
      "heading": "结构与记号",
      "text": "对于分别具有 \\(r\\) 个行类别和 \\(c\\) 个列类别的两个变量，\\(r\\times c\\) 列联表中各单元格的观测频数记为 \\(n_{ij}\\)，其中 \\(i=1,\\ldots,r\\)，\\(j=1,\\ldots,c\\)。\n\n行合计、列合计和总计分别为\n\n\\[n_{i+}=\\sum_{j=1}^{c}n_{ij}, \\qquad n_{+j}=\\sum_{i=1}^{r}n_{ij}, \\qquad N=\\sum_{i=1}^{r}\\sum_{j=1}^{c}n_{ij}.\\]\n\n加号表示对相应的下标求和。行合计和列合计称为边际合计，\\(N\\) 则为总计。\n\n例如，一项调查可能按工作方式和偏好的会议形式，将100名受访者分类如下：\n\n工作方式 | 偏好线上会议 | 偏好线下会议 | 合计\n远程办公 | 30 | 20 | 50\n现场办公 | 20 | 30 | 50\n合计 | 50 | 50 | 100\n\n单元格中的频数30表示既远程办公又偏好线上会议的受访者人数。边际合计分别描述各个变量，不保留两个变量之间关联的信息。\n\n在通常的频数表中，每个变量的各类别相互排斥，每个观测值恰好计入一个单元格。对于允许受访者选择多个类别的多选题，需要采用不同的解释：表中的数值可能统计的是选择次数，而非不同的受访者人数。"
    },
    {
      "heading": "频数、比例与条件分布",
      "text": "将每个频数除以总计，即得到相对频率：\n\n\\[\\widehat p_{ij}=\\frac{n_{ij}}{N},\\]\n\n这些相对频率构成两个变量的经验联合概率分布。\n\n三种百分比展示方式回答不同的问题：\n\n- 总体百分比：\\(100n_{ij}/N\\)，即某单元格中的观测数占全部观测数的百分比。\n- 行百分比：\\(100n_{ij}/n_{i+}\\)，即某一行内各列类别的分布。\n- 列百分比：\\(100n_{ij}/n_{+j}\\)，即某一列内各行类别的分布。\n\n行百分比和列百分比估计的是不同的条件概率，因此必须明确说明各自的分母。\n\n在上述例子中，远程办公者有60%偏好线上会议，而现场办公者的这一比例为40%。反过来看，偏好线上会议的人中有60%远程办公。这两个百分比恰好相等，是由该表特定的边际合计决定的；一般情况下，它们不一定相等。\n\n当各组规模不同时，仅看原始频数可能产生误导。规模较大的组可能在每个结果类别中都有更多观测，即使该组某一结果的组内比例更低。"
    },
    {
      "heading": "独立性与期望频数",
      "text": "如果对于每一对类别都有\n\n\\[P(X=i,Y=j)=P(X=i)P(Y=j)\\]\n\n成立，则称两个变量 \\(X\\) 和 \\(Y\\) 具有统计独立性。等价地，在作为条件的事件概率为正时，任一变量的条件分布都不随另一变量的类别而改变。\n\n在拟合的独立性模型下，各单元格的期望频数为\n\n\\[E_{ij} =N\\left(\\frac{n_{i+}}{N}\\right) \\left(\\frac{n_{+j}}{N}\\right) =\\frac{n_{i+}n_{+j}}{N}.\\]\n\n这些是拟合得到的期望值，并非额外的观测值，也不一定是整数。\n\n在上述例子中，每个单元格的期望频数均为 \\(50\\times50/100=25\\)。观测频数偏离了这一模式：“远程办公—偏好线上会议”和“现场办公—偏好线下会议”两个单元格的频数都高于独立性模型的预测。\n\n即使总体中的变量相互独立，样本比例也很少恰好满足独立性。统计推断所评估的是，观测到的偏离是否可以用抽样变异来解释。"
    },
    {
      "heading": "统计检验",
      "text": "皮尔逊卡方检验\n\n标准的独立性皮尔逊卡方检验采用以下检验统计量：\n\n\\[X^2=\\sum_{i=1}^{r}\\sum_{j=1}^{c} \\frac{(n_{ij}-E_{ij})^2}{E_{ij}}.\\]\n\n在独立性原假设成立且抽样条件适当时，该统计量的大样本分布近似为卡方分布，其自由度为\n\n\\[(r-1)(c-1)\\]\n\n这一公式假定使用的是没有结构性限制的普通列联表，且总体的各边际概率均为正。\n\n对于上述例子，\n\n\\[X^2=4, \\qquad \\mathrm{df}=1.\\]\n\n由此得到的P值描述了在原假设模型下，出现至少如此大的统计量有多罕见。它并不是独立性成立的概率，也不衡量关联的强度或实际重要性。\n\n同样的计算还可用于检验同质性，即从若干总体分别独立抽取样本，检验这些总体是否具有相同的分类分布。其数值计算过程相同，但抽样设计和解释不同于对单一总体样本进行的独立性检验。\n\n近似是否准确取决于期望频数和表的结构，而不只是总样本量。期望频数过小可能导致近似不准确。诸如期望频数应达到5之类的常见阈值只是经验法则，并非普遍适用的有效性条件。\n\n精确检验与基于模拟的检验\n\n费希尔精确检验广泛用于 \\(2\\times2\\) 列联表，尤其适合频数较小或稀疏的情形。在独立性成立时，以行、列边际合计均固定为条件，某一单元格的频数服从超几何分布，而该频数又决定其余单元格的频数。\n\n更大的列联表也有相应的精确检验方法，但计算量可能很大。当无法实际枚举所有可能的表时，可以使用条件蒙特卡洛方法近似计算检验概率。对于离散分布，双侧精确检验的不同定义可能产生不同的P值。\n\n似然比检验\n\n另一种统计量是似然比离差：\n\n\\[G^2=2\\sum_{i,j}n_{ij} \\log\\left(\\frac{n_{ij}}{E_{ij}}\\right),\\]\n\n其中，规定 \\(n_{ij}=0\\) 的项对总和的贡献为零。在标准正则条件下，\\(G^2\\) 与皮尔逊统计量具有相同的渐近卡方参照分布。\n\n这一统计量也可以从信息论角度解释：\n\n\\[G^2=2N\\widehat I(X;Y),\\]\n\n其中，\\(\\widehat I(X;Y)\\) 是用自然对数计算的经验互信息。"
    },
    {
      "heading": "关联的度量",
      "text": "显著性检验考察数据与原假设模型是否相容；效应量则描述关联的大小或模式。\n\n二乘二列联表\n\n对于如下列联表：\n\n | 结果出现 | 结果未出现\n第1组 | \\(a\\) | \\(b\\)\n第2组 | \\(c\\) | \\(d\\)\n\n在相关分母非零时，优势比为\n\n\\[\\mathrm{OR}=\\frac{a/b}{c/d}=\\frac{ad}{bc},\\]\n\n它比较第1组与第2组中该结果出现的优势，即出现与未出现的概率之比。\n\n另外两种比较方式是结果比例之差：\n\n\\[\\frac{a}{a+b}-\\frac{c}{c+d},\\]\n\n以及结果比例之比：\n\n\\[\\frac{a/(a+b)}{c/(c+d)}.\\]\n\n哪些量具有有意义的总体解释，取决于观测数据的抽样方式。例如，当抽样设计固定了结果阳性和结果阴性的观测数量时，观测到的结果比例通常不能直接估计总体中相应结果的概率。\n\n对于前面的示例表，以“偏好线上会议”为结果、以远程办公者为第1组，可得优势比为 \\(2.25\\)，比例差为 \\(0.20\\)，比例比为 \\(1.5\\)。这些量描述了同一关联的不同方面。\n\n更大的列联表\n\n一种常用的标准化关联度量是克拉默 V 系数：\n\n\\[V=\\sqrt{\\frac{X^2}{N\\min(r-1,c-1)}}.\\]\n\n对于非退化的列联表，其取值范围为0到1。在 \\(2\\times2\\) 列联表中，它等于φ系数的绝对值。它不表示关联的方向，而“小”或“大”等惯用判断取决于具体情境。\n\n对于有序类别，利用其顺序的方法可能比针对无序类别的度量提供更多信息。将类别视为无序类别，会丢失其顺序信息。"
    },
    {
      "heading": "抽样模型与假设",
      "text": "同一张观测列联表可能来自不同的抽样方案：\n\n- **多项抽样：**总计 \\(N\\) 固定，各观测被归入相应单元格。\n- **乘积多项抽样：**行或列的一组边际合计固定，例如从多个组中分别抽取预定数量的样本。\n- **泊松抽样：**各单元格的频数被建模为相互独立的泊松分布随机变量，总计则是随机的。\n- **固定边际抽样或条件推断：**行、列边际合计均由设计固定，或在分析中以二者为给定条件。\n\n这些区别会影响似然、参数的解释和精确推断，尽管若干大样本方法的结果相同。\n\n普通卡方方法假定各观测单位相互独立。对同一个人的重复测量、配对数据、以家庭为单位的聚类数据以及复杂抽样调查设计，通常需要使用能够考虑相关性或抽样设计的方法。交叉表仍然是有效的描述性展示方式，但仅凭表的形式，并不能断定常规检验适用。"
    },
    {
      "heading": "多维列联表与统计模型",
      "text": "三维列联表增加了第三个分类变量，通常按第三个变量的各个类别，分别展示为一系列二维列联表。这类表可以区分边际关联与条件独立。\n\n分层后，关联可能发生变化。在辛普森悖论中，汇总表中的关联可能在数据按组拆分后发生反转。组间构成差异可能造成这种模式。是否应以某个变量为条件，取决于研究设计和因果结构，不能仅由列联表决定。\n\n对数线性模型通过主效应和交互作用项表示单元格的期望频数。对于二维独立性模型，\n\n\\[\\log \\mu_{ij} =\\lambda+\\lambda_i^{X}+\\lambda_j^{Y},\\]\n\n需要施加约束以保证参数可识别。增加交互作用项可表示对独立性的偏离。多维模型则可以描述更复杂的条件关联模式。\n\n当某个分类变量被指定为响应变量时，逻辑回归及相关模型提供了另一种分析数据的方法，尤其适用于解释变量中包含连续测量值的情形。"
    },
    {
      "heading": "应用与局限",
      "text": "列联表广泛用于调查、质量控制、人口研究等领域。分类模型的混淆矩阵是一种特殊的列联表，用于比较预测类别与实际观测类别。\n\n主要局限包括：\n\n- **关联不等于因果。**关联可能由混杂、选择过程或数据生成过程的其他特征造成。\n- **零频数有不同含义。**抽样零是可能出现但未被观测到的类别组合；结构零则是不可能出现的组合。结构零会改变模型，也可能改变自由度。\n- **稀疏表可能难以分析。**增加类别或变量会使单元格数量迅速增加，往往导致各单元格中的信息很少。\n- **分组会损失信息。**将连续测量值转换为类别后，虽然可以制成列联表，但会丢失类别内部的变异，也可能使结果对分界点的选择敏感。\n- **缺失观测会影响解释。**排除不完整记录，或将缺失单独视为一个类别，都会改变列联表所描述的内容，并可能引入偏倚。\n- **整体检验不能指出具体的偏离。**显著结果提供了反对整体独立性模型的证据，并不意味着每一行或每一个单元格都有差异。考察大量单元格或对比会引发多重检验问题。\n- **精确程度很重要。**在小型或稀疏列联表中，效应估计可能不稳定；恰当的置信区间能够反映仅凭频数和P值无法体现的不确定性。"
    }
  ],
  "links": [
    "statistics",
    "joint-probability-distribution",
    "conditional-probability",
    "statistical-independence",
    "test-statistic",
    "null-hypothesis",
    "chi-squared-distribution",
    "degrees-of-freedom",
    "p-value",
    "monte-carlo-method",
    "information-theory",
    "mutual-information",
    "effect-size",
    "odds-ratio",
    "poisson-distribution",
    "conditional-independence",
    "logistic-regression",
    "confounding",
    "multiple-testing",
    "confidence-interval"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}