SPSS卡方分析

案例数据

300 行 × 5 列，1 个分组变量（性别）+ 4 个分类因变量，演示一次性对多个分类变量做卡方差异检验，并对比显著与非显著两种结果。

下载案例数据 查看数据文件

文件名	chisquare.xlsx
样本量	300 行（样本级，1 行 = 1 位受访者）
变量数	5 列（1 分组 + 4 因变量，均为分类）
数据用途	用户调研：性别对购买行为、推荐意愿、渠道偏好、价格敏感度的影响差异
变量说明	性别（分组）；是否购买本产品 / 推荐意愿 / 购买渠道偏好 / 价格敏感度（因变量）。

完整案例

1. 背景

某消费品调研团队回收 300 份问卷，希望回答："不同性别的受访者在购买行为、推荐意愿、渠道偏好、价格敏感度这 4 个方面是否存在显著差异？" 这是典型的卡方分析场景：分组变量与多个分类因变量逐一做交叉表检验，并通过 Cramer's V 比较关联强度。

2. 理论与公式

卡方分析比较交叉表中的实际频数与期望频数，判断两个分类变量是否存在显著关联。

3. 数据结构

每行代表 1 位受访者，所有变量都是分类（定类或有序定类）。本案例数据已用文字标签录入，无需再设值标签：

变量名	角色	选项
性别	分组变量（X）	男 / 女
是否购买本产品	因变量（Y₁）	是 / 否
推荐意愿	因变量（Y₂）	一定推荐 / 可能推荐 / 不推荐
购买渠道偏好	因变量（Y₃）	实体店 / 电商 / 直播 / 其他
价格敏感度	因变量（Y₄）	低 / 中 / 高

本案例数据为样本级（每行 1 位受访者），无需额外指定频数权重列；已汇总的频数表请参考"加权卡方"用法。

4. 操作步骤

1. 登录 SPSSzero，进入 工作台 → 点击 上传数据，选择 chisquare.xlsx
2. 左侧方法栏 → 通用方法 → 点击 交叉(卡方)
3. 把 性别 拖到 分组项 框，把 是否购买本产品 / 推荐意愿 / 购买渠道偏好 / 价格敏感度 4 个变量拖入 分析项 框
4. 点击 开始分析

5. 结果表格与结果阅读

结果区先输出效应量汇总表（一眼看哪几项显著），再按变量逐一给出交叉表明细。下面挑两张演示：①显著的「性别 × 是否购买本产品」②非显著的「性别 × 价格敏感度」，对照阅读最直观。

分析项	χ²	df	p	Cramer's V
是否购买本产品	12.233	1	0.000***	0.202
推荐意愿	18.245	2	0.000***	0.247
购买渠道偏好	22.184	3	0.000***	0.272
价格敏感度	0.267	2	0.875	0.030

Cramer's V：0.1 弱、0.3 中、0.5 强；本案例 3 项显著（V 在 0.20-0.27 之间，弱-中度关联），1 项非显著（价格敏感度）。

性别	否	是	合计
女	67 (41.10%)	96 (58.90%)	163
男	85 (62.04%)	52 (37.96%)	137
合计	152	148	300

女性购买率 58.90%，男性 37.96%，差值约 21 个百分点；显著（p<0.001）。

性别	低	中	高	合计
女	52 (31.90%)	74 (45.40%)	37 (22.70%)	163
男	40 (29.20%)	64 (46.72%)	33 (24.09%)	137
合计	92	138	70	300

三列百分比几乎一致，差值都在 2 个百分点内；不显著（p=0.875），可结论"性别对价格敏感度无明显影响"。

7. 文字分析

从上表可知，性别对 4 个因变量中的 3 项表现出显著差异（p<0.05），1 项无显著差异：

• 是否购买本产品：χ²=12.233, p<0.001, V=0.202 —— 女性购买率（58.90%）显著高于男性（37.96%）；
• 推荐意愿：χ²=18.245, p<0.001, V=0.247 —— 女性"一定推荐"占 41.10% 远高于男性 23.36%；
• 购买渠道偏好：χ²=22.184, p<0.001, V=0.272 —— 女性偏好电商（36.81%）/直播（31.29%），男性偏好实体店（37.23%）；
• 价格敏感度：χ²=0.267, p=0.875, V=0.030 —— 男女在三档价格敏感度上分布几乎一致，无显著差异。

结论：本样本中性别对购买决策（是否购买、推荐意愿、渠道偏好）有弱至中等影响（V 在 0.20-0.27 之间），但对价格敏感度无影响。后续可针对女性群体优化电商/直播渠道的推荐内容。

8. 剖析提醒

已汇总数据必须使用权重列；不要把二维汇总表直接当作原始数据。

方法定位

卡方分析用于研究两个分类变量之间是否存在关联，例如性别与购买意愿、地区与渠道偏好、是否使用产品与是否复购。它比较的是分类交叉表中的实际频数与理论频数是否存在明显差异。

卡方分析不能说明因果关系，也不用于比较定量变量均值。如果研究的是均值差异，应使用 t 检验或方差分析。

数据与变量准备

卡方分析需要两个分类变量。每一行代表一个样本，两个变量分别记录该样本所属类别。

变量角色	要求	示例
行变量	分类变量	性别、地区
列变量	分类变量	是否购买、满意等级
可选权重	已汇总数据的频数列	加权项

如果数据已经是汇总表，应整理为“行类别、列类别、频数”三列格式，并在分析中指定权重变量。

SPSSzero 操作建议

将两个分类变量分别放入分析位置。若系统提供交叉表、百分比和卡方检验结果，建议同时查看行百分比或列百分比，以便说明差异具体体现在哪些类别上。

当期望频数过低时，普通卡方检验可能不稳定。2x2 表或小样本场景可考虑 Fisher 精确检验。

结果解读

输出内容	解读重点
交叉表	各类别组合的频数和比例
Pearson 卡方	判断两个分类变量是否有关联
p 值	判断关联是否显著
期望频数	判断检验前提是否满足
效应量	判断关联强度

若 p 值小于 0.05，可认为两个分类变量之间存在显著关联。解释时应结合交叉表说明哪一类比例更高，而不是只写“存在差异”。

写作模板

可写为：“采用卡方检验分析 xx 与 yy 的关联。结果显示，Pearson 卡方值为 xx，p 值为 xx，说明二者存在或不存在显著关联。从交叉表看，A 类样本中选择 B 的比例更高，提示其分布具有明显差异。”

常见问题

卡方显著说明哪个类别不同吗

卡方显著只说明整体分布有关联。具体差异要结合行百分比、列百分比、标准化残差或分组比例描述。

期望频数过小怎么办

可以合并低频类别，或在适合场景下使用 Fisher 精确检验。不要在大量空格子的情况下强行解释普通卡方。

已经汇总好的数据如何分析

需要整理为类别组合加频数列，并使用权重变量。不能直接把二维汇总表原样上传后当作原始样本。

与相近方法区分

目标	推荐方法
两个分类变量关联	卡方分析
单个分类变量分布	频数分析
两组定量均值比较	t 检验
多组定量均值比较	方差分析