Shrnutí na Interpretace Chí-kvadrát testu a měr asociace

## Úvod Tato učební pomůcka vysvětluje, jak analyzovat křížovou tabulku vztahu mezi **velikostí obce** a vnímanými **osobními problémy s bydlením** pomocí testu Chi‑square. Materiál je určen pro samostudium a krok po kroku ukazuje, jak číst tabulky, jak interpretovat výsledky testu a jak odvodit praktické závěry. ## Co je křížová tabulka a proč ji použít Křížová tabulka shrnuje četnosti respondentů rozdělené podle dvou kategorií (zde: velikost obce a odpověď na otázku o problému s bydlením). Je to základní nástroj pro zkoumání závislosti mezi kategoriálními proměnnými. > Definice: Křížová tabulka je tabulka, která uvádí počty nebo procenta pozorování rozdělených podle dvou (nebo více) kategoriálních proměnných. ### Hlavní kroky analýzy křížové tabulky 1. Zkontrolovat souhrnné četnosti a procenta v každé buňce. 2. Podívat se na upravené rezidua (Adju. Resid.) pro identifikaci buněk, které přispívají k odchylce od nezávislosti. 3. Použít statistický test (Chi‑square) k ověření, zda existuje celkově statisticky významná závislost. 4. Interpretovat výsledky v kontextu reálného problému. ## Základní pojmy > Definice: Pearsonův Chi‑square test je statistický test, který porovnává pozorované četnosti s očekávanými četnostmi za předpokladu nezávislosti dvou kategoriálních proměnných. > Definice: Upravené reziduum (adjusted residual) udává, kolik standardních odchylek se liší pozorovaná četnost od očekávané četnosti v jednotlivé buňce křížové tabulky. ## Výsledky z poskytnutých dat (shrnutí) - Výsledky Chi‑square testů: Pearson Chi‑Square $=77{,}682$, df $=28$, asymptotická významnost (2‑stranně) $=0{,}000$. - Likelihood Ratio $=72{,}422$, df $=28$, asymptotická významnost $=0{,}000$. - Počet validních případů: $926$. Interpretace: obě statistiky ukazují velmi nízkou p‑hodnotu ($p<0{,}001$). To znamená, že existuje statisticky významná asociace mezi velikostí obce a kategorií problému s bydlením. ## Jak číst buňky tabulky (příklad pro jednotlivé velikosti obce) Tabulka uvádí pro každou kategorii velikosti obce počet respondentů v jednotlivých kategoriích odpovědí (např. "žádné", "malé", "velké" atd.), jejich procenta z řádku (%obce) a procenta z celku (%bydlení) a upravené reziduum. Příklad interpretace pro obce do 799 obyvatel: - Počet respondentů, kteří uvedli "žádné" problémy: $68$, což je $61{,}8\%$ z této skupiny obcí a $14{,}8\%$ z celkového počtu, upravené reziduum $=2{,}8$. - Upravené reziduum $>2$ naznačuje, že v této buňce je pozorováno výrazně více případů než by odpovídalo nezávislosti. ### Význam upravených reziduí - Upravené reziduum větší než přibližně $2$ (nebo menší než $-2$) naznačuje, že daná buňka přispívá k celkovému signifikantnímu výsledku testu. - Pozitivní reziduum znamená více pozorovaných případů než očekávaných; negativní znamená méně. ## Praktické příklady a aplikace 1. Ve veřejné správě: Pokud větší města vykazují vyšší podíl respondentů uvádějících "velké, téměř neřešitelné" problémy s bydlením (např. upravené reziduum $2{,}5$ u velkých měst), může to podpořit rozhodnutí cílit sociální či bytovou politiku do velkých měst. 2. V marketingu nemovitostí: Developer může analyzovat, kde je největší poptávka po dostupném bydlení podle velikosti obce. 3. Ve výzkumu veřejného zdraví: Problémy s bydlením mohou korelovat s dalšími ukazateli kvality života; zkoumání jejich distribuce napříč obcemi pomůže plánovat intervence. > Definice: Upravené reziduum $r_{ij}$ lze obecně interpretovat jako $r_{ij}=\dfrac{O_{ij}-E_{ij}}{\sqrt{Var(O_{ij})}}$, kde $O_{ij}$ je pozorovaná četnost a $E_{ij}$ je očekávaná četnost. ## Tabulka — porovnání důležitých prvků analýzy | Prvek | Co ukazuje | Jak to interpretovat | |---|---:|---| | Pearson Chi‑Square | Celkové odchylky pozorovaných od očekávaných četností | Malá p‑hodnota $ ightarrow$ závislost mezi proměnnými | | Upravené reziduum | Které buňky přispívají k odchylce | $|r|>2$ signalizuje významný příspěvek | | Počet případů | Síla testu | Větší počet zvyšuje citliv