Fisher精确检验、卡方检验独立性检验时指定单侧/双侧的作用与必要性

两种检验的核心运行逻辑 #

二者都是针对分类变量的独立性检验，核心逻辑都是比较实际观测的频数分布和两个变量独立时的期望频数分布的差异，判断差异是否大到可以推翻原假设：

• 卡方检验是近似检验，通过构造卡方统计量拟合卡方分布来计算p值，样本量越大近似效果越好，当列联表期望频数小于5的单元格占比过高时不适用
• Fisher精确检验是精确检验，基于超几何分布计算所有极端排列出现的概率总和得到p值，不受样本量限制，小样本场景下优先使用

问题1解答：你的理解完全正确 #

针对2×2列联表的Fisher精确检验，原假设就是两个分类变量相互独立，对应到你的案例就是「学习状态和性别没有关联，男女群体的学习人数占比没有显著差异」，你对检验用途的理解是准确的。

你给出的列联表整理如下：

问题2解答：单双侧检验的适用场景要分情况判断 #

首先明确：常规卡方独立性检验不存在单侧选择的需求 #

卡方检验的统计量是基于实际频数和期望频数的偏差平方和计算的，本身只衡量偏差的大小，不区分偏差的方向，所以常规维度（包括2×2、R×C列联表）的卡方独立性检验默认都是双侧检验，不需要额外指定单双侧属性。

仅2×2列联表的Fisher精确检验（或等价的比例差异z检验）需要考虑单双侧 #

只有当你研究的是2×2列联表，并且预先有明确的方向假设时，才需要用到单侧检验：

• 如果你没有预先的方向假设，只是想验证「两个变量是否有关联/两个群体的比例是否有差异」，选双侧检验即可，这也是最常用的情况
• 如果你在做检验前就有明确的方向预判，比如你的研究假设是「女性的学习占比显著高于男性」，而不是模糊的「两性学习占比有差异」，就可以选择单侧检验，相比双侧检验统计效力更高，得到的p值也更小。

你提到的「独立性检验和单双侧没有关联」的认知，在R×C（行或列维度大于2）的列联表场景下是完全成立的：这种情况下差异的方向无法被单一定义，所以不存在单侧检验的说法，只有2×2列联表的特殊场景下才会涉及单双侧选择。

拿你给出的列联表实际计算验证：

• 双侧Fisher精确检验p值约为0.0027
• 假设预判女性学习占比更高的单侧Fisher精确检验p值约为0.0013，恰好是双侧p值的一半

内容的提问来源于stack exchange，提问作者JaFranke