So führen Sie einen Chi-Quadrat-Anpassungstest in SPSS durch

Ein Chi-Quadrat-Anpassungstest wird verwendet, um zu bestimmen, ob eine kategoriale Variable einer hypothetischen Verteilung folgt oder nicht.

In diesem Tutorial wird erklärt, wie ein Chi-Quadrat-Anpassungstest in SPSS durchgeführt wird.

Beispiel: Chi-Quadrat-Anpassungstest in SPSS

Ein Ladenbesitzer behauptet, dass an jedem Wochentag eine gleiche Anzahl von Kunden in seinen Laden kommt. Um diese Hypothese zu testen, zeichnet ein Forscher die Anzahl der Kunden auf, die in einer bestimmten Woche in den Shop kommen, und stellt Folgendes fest:

• Montag: 50 Kunden
• Dienstag: 60 Kunden
• Mittwoch: 40 Kunden
• Donnerstag: 47 Kunden
• Freitag: 53 Kunden

Führen Sie die folgenden Schritte aus, um einen Chi-Quadrat-Anpassungstest in SPSS durchzuführen, um festzustellen, ob die Daten mit dem Anspruch des Ladenbesitzers übereinstimmen.

Schritt 1: Geben Sie die Daten ein.

Geben Sie zunächst die Daten im folgenden Format in SPSS ein:

Schritt 2: Verwenden Sie gewichtete Fälle.

Damit der Test korrekt funktioniert, müssen wir SPSS mitteilen, dass die Variable „Day“ mit der Variablen „Count“ gewichtet werden soll.

Klicken Sie auf die Registerkarte Data und dann auf Weight Cases…:

Ziehen Sie im neuen Fenster die Variable Count in das Feld Test Variable Liste. Klicken Sie dann auf OK.

Schritt 3: Führen Sie den Chi-Quadrat-Anpassungstest durch.

Klicken Sie auf die Registerkarte Analyze, dann auf Nonparametric Tests, dann auf Legacy Dialogs und dann auf Chi-Square…:

Ziehen Sie im neuen Fenster die Variable Count in das Feld Testvariablenliste.

Lassen Sie das Etikett neben All categories equal aktiviert, da jede unserer Kategorien (d.h. Wochentage) jeden Tag die gleiche erwartete Besucherzahl hat. Klicken Sie dann auf OK.

Schritt 4: Interpretieren Sie die Ergebnisse.

Sobald Sie auf OK klicken, werden die Ergebnisse des Chi-Quadrat-Anpassungstests angezeigt:

Die erste Tabelle zeigt die beobachtete und erwartete Anzahl von Kunden an jedem Wochentag zusammen mit dem Residuum (d.h. der Differenz) zwischen beobachtet und erwartet.

Die zweite Tabelle zeigt die folgenden Zahlen:

Chi-Square: Die Chi-Quadrat-Teststatistik wurde mit 4,36 ermittelt.

df: Die Freiheitsgrade, berechnet als # Kategorien-1 = 5-1 = 4.

Asymp. Sig: Der p-Wert, der einem Chi-Quadrat-Wert von 4,36 mit 4 Freiheitsgraden entspricht, beträgt 0,359.

Da der p-Wert (.359) nicht kleiner als 0,05 ist, können wir die Nullhypothese nicht ablehnen. Dies bedeutet, dass wir nicht genügend Beweise haben, um zu sagen, dass sich die tatsächliche Verteilung der Kunden von der Verteilung unterscheidet, die der Ladenbesitzer behauptet hat.