CHAPTER 05
二項分布檢定與 2×2 表
Binomial Tests and 2×2 Tables
LEARNING PATH
本章主題
依照主題分篇閱讀；每篇保留原筆記中的完整段落、公式與表格。
- 01→
二項分布檢定
二項分布檢定（binomial test）用來推論母體中的事件比例。每個觀察單位只有兩種互斥結果，例如有病／沒病、成功／失敗或陽性／陰性；研究問題可以是單一母體比例是否等於指定值，也可以是兩個獨立母體的比例是否相同。
42 個內容區塊 - 02→
卡方適合度檢定
卡方適合度檢定（chi-square goodness-of-fit test）用來判斷一個類別變項的母體比例，是否符合事先指定的理論分布。資料可以分成兩類或更多類；我們比較各類實際觀察到的次數與 H₀ 下應該出現的次數，評估兩者的落差是否
40 個內容區塊 - 03→
2×2 列聯表
2×2 列聯表（2×2 contingency table）用來整理兩個二元類別變項的聯合分布。例如，一個變項表示是否暴露於某項因子，另一個變項表示是否發生疾病；四個儲存格記錄兩種分類交叉後的觀察次數。
54 個內容區塊 - 04→
卡方獨立性檢定
卡方獨立性檢定（chi-square test of independence）用來判斷兩個類別變項在母體中是否彼此獨立。資料先整理成 r×c 列聯表；若兩變項獨立，每一格應出現多少次可以由列、欄的邊際比例推算，再與實際觀察次數比較。
46 個內容區塊 - 05→
Yates 連續性校正
Yates 連續性校正（Yates continuity correction）是針對自由度為 1 的 2×2 Pearson 卡方檢定所提出的修正。它處理的問題是：2×2 表的計數只能取整數，但 Pearson 卡方檢定使用連續的卡方分布
27 個內容區塊 - 06→
Fisher 精確檢定
Fisher 精確檢定（Fisher’s exact test）用來檢定兩個二元類別變項是否獨立，特別適合樣本較小或 2×2 表中期望次數偏小的情況。它不以連續的卡方分布近似離散資料，而是在固定列、欄邊際總數後，直接計算目前表格及同樣或更極
31 個內容區塊 - 07→
McNemar 檢定
McNemar 檢定（McNemar’s test）用來分析成對二元資料，例如同一批受試者治療前後的陽性／陰性結果，或經過配對的兩個觀察單位。它不把四格都當成獨立樣本，而是專注於結果發生改變的兩種不一致配對。
32 個內容區塊