卡方检验（chi-squared test）是用于比较观察数据和期望数据之间的差异是否显著的一种统计方法。在进行卡方检验时，需要计算卡方统计量和p值，并将这些结果与显著性水平进行比较，来判断差异是否具有统计学意义。
卡方检验结果通常包括卡方统计量、自由度和显著性水平（P值）：
- 卡方统计量：卡方统计量（chi-square statistic）是用于衡量观察数据和期望数据之间差异的量。卡方统计量的计算方式为，将每个观察值与对应的期望值之间的差异平方后除以期望值，然后将这些值加总。卡方统计量越大，表示观察数据与期望数据之间的差异越大。在进行卡方检验时，一般会计算卡方统计量，并将其与自由度一起用于查找卡方分布表以获取p值。
- 自由度：自由度（degrees of freedom）指的是进行卡方检验时可以自由变化的参数个数。在卡方检验中，自由度的计算方法为，自由度 = (行数 – 1) x (列数 – 1)。例如，如果进行2×2的卡方检验，则自由度为1。
- p值：p值（p-value）是用于判断差异是否具有统计学意义的重要指标。一般来说，P 值小于预先设定的显著性水平（如 0.05 或 0.01），则认为观察到的差异是显著的，拒绝零假设，认为观察数据和期望数据之间的差异具有统计学意义。反之，如果 P 值大于显著性水平，无法拒绝零假设，即观察到的差异可能是偶然产生的，认为观察数据和期望数据之间的差异不具有统计学意义。
以医学统计助手（statsas.com）为例
卡方检验需要注意以下几点：
- 只适用于分类数据，不适用于连续数据。对于连续数据，可以考虑使用其他统计方法，如 t 检验、方差分析 或相关分析等。
- 不能提供关系的方向和强度。卡方检验只能判断变量之间是否存在关系，但不能提供关系的具体信息。要了解关系的方向和强度，可以使用其他统计方法，如列联表中的 Cramer’s V、Phi 系数或相关分析等。
- 对期望频数的要求。卡方检验的有效性依赖于期望频数的大小。一般来说，期望频数应至少为 5。如果部分单元格的期望频数过小，可以尝试合并类别或使用 Fisher 确切检验等其他方法。
卡方检验是一种常用的非参数统计方法，适用于分析分类数据。通过计算卡方统计量、自由度和 P 值，使用卡方检验方法可以判断分类变量之间是否存在显著关系。但卡方检验也有一定的局限性，需要结合实际问题和数据特点来选择合适的统计方法。