カイ二乗検定（χ²検定）完全ガイド｜クロス集計・期待度数・効果量・残差分析をやさしく解説

カイ二乗検定で何が分かるのか

カイ二乗検定が答えようとしている問いは、実はとてもシンプルです。

たとえば、次のようなケースを考えてみてください。

• 性別（男性・女性）と製品購入の有無
• 施策の実施有無と満足・不満の割合
• 学部別と進路選択の傾向

これらはいずれも、「平均値」ではなく人数や割合の分布を比較したい場面です。カイ二乗検定は、このような分布の違いそのものを対象とする検定手法です。

クロス集計との違い

カイ二乗検定を理解するうえで、必ず整理しておきたいのがクロス集計との役割の違いです。

実務や研究の現場では、クロス集計表を見て「差がありそうだ」と感じることが多いものです。その直感が統計的に支持されるかどうかを確認するために、カイ二乗検定が用いられます。

なお、SPSSでのクロス集計表の作成手順や画面操作については、別記事の「SPSSの使い方」連載で、図解付きで詳しく解説しています。ここでは操作には踏み込まず、「クロス集計の次に、なぜカイ二乗検定を行うのか」という判断の流れに集中してください。

カイ二乗検定を使えるデータ・使えないデータ

カイ二乗検定は便利な手法ですが、どんなデータにでも使えるわけではありません。判断のための基本条件を整理します。

① 変数はカテゴリ変数（名義尺度）であること

カイ二乗検定が扱うのは、カテゴリ（分類）として表現される変数です。

• 性別（男性／女性）
• 回答選択肢（はい／いいえ／どちらでもない）
• 施策の有無（実施／未実施）

数値が使われていても、それが量を表すのではなく単なるラベルであれば問題ありません。一方、平均値や合計値を比較したい場合は、t検定や分散分析など別の手法を用います。

② 各セルには「人数（度数）」が入っていること

クロス集計表の各セルには人数（度数）が入っている必要があります。割合（％）や比率のままでは検定は行えません。SPSSでは内部的に人数で計算されますが、集計段階で「何を数えているのか」を意識しておくことが重要です。

③ 観測値は互いに独立していること

もう一つ重要な条件が観測の独立性です。1つの観測が他の観測に影響を与えていないことを意味します。同じ人が複数回回答している場合や、前後比較などのペアデータをそのまま使うと、この前提が崩れます。

カイ二乗検定における期待度数の考え方

カイ二乗検定を本当に理解するために必ず押さえておきたい概念が「期待度数」です。ここが曖昧なままでも検定は実行できますが、結果の意味を正しく解釈することは難しくなります。

期待度数は「比較のための基準」

カイ二乗検定では、実際に観測された人数（観測度数）と、「関連がない世界」を仮定したときの人数（期待度数）を比較します。検定の本質は「現実のデータは"関連がない世界"からどれくらいズレているのか」を測ることにあります。

期待度数の計算式と意味

この式は機械的に見えますが、意味を分解すると非常に自然です。

• 行の合計：そのカテゴリが全体でどれくらい出現しているか
• 列の合計：もう一方のカテゴリの出現頻度
• 全体の合計：データ全体の規模

「もし両者が無関係であれば、それぞれの出現割合に応じて自然に人数が割り振られるはず」という考え方が、この計算式の背景にあります。

なぜ期待度数が小さいと問題になるのか

カイ二乗検定は理論的には近似に基づく検定です。そのため、期待度数が極端に小さいセルが多いと、近似の精度が十分に保たれなくなります。

一般に「期待度数が5未満のセルが多い場合」には注意が必要とされますが、これは絶対的なルールというより判断の目安として理解してください。このような場合に登場するのが、次章で説明するフィッシャーの正確確率検定です。

カイ二乗検定の計算式とχ²統計量の意味

ここでは中心となるχ²（カイ二乗）統計量を説明します。数式は出てきますが計算できる必要はありません。「何を数値化しているのか」を理解することが目的です。

χ²統計量は「ズレの大きさ」を表す指標

• 観測度数:実際に集計された人数
• 期待度数:関連がないと仮定したときの人数

この2つの差がどれだけ大きいかを各セルごとに計算し、全体として足し合わせたものがχ²統計量です。

なぜ「差の二乗」を使うのか

差をそのまま足し合わせると、プラスとマイナスが打ち消し合ってしまいます。そこで差を二乗することで、ズレの大きさだけを評価できるようにしています。これは、平均との差を評価する分散・標準偏差と考え方がよく似ています。

なぜ「期待度数で割る」のか

人数規模の違いによる影響を調整するためです。期待度数が大きいセルと小さいセルでは、同じ人数差でも意味合いが異なります。期待度数で割ることで「そのセルにとってどれくらい大きなズレなのか」を公平に評価できます。

自由度（df）の考え方

自由度とは「どれだけ自由に分布が動けるか」を表す指標で、制約が多いほど小さくなります。SPSSでは自動的に計算されますので、実務上は意味を理解しておくことが重要です。

カイ二乗検定とフィッシャーの正確確率検定の違い

SPSSではカイ二乗検定と同時にフィッシャーの正確確率検定の結果も出力されることがあります。両者の違いと使い分けをシンプルに整理します。

SPSSでは両方の結果が表示されることがありますが、どちらを採用するかは分析者の判断です。論文や報告書では「なぜその検定を用いたのか」を説明できるよう、使い分けの考え方を押さえておきましょう。

カイ二乗検定の効果量(Cramér's V)の考え方

カイ二乗検定の結果を見ると、まず目に入るのはp値です。しかしp値だけで結果を判断するのは危険です。そこで重要になるのが効果量という考え方で、「どれくらい強い関連があるのか」を示す指標です。

なぜ効果量を見る必要があるのか

サンプルサイズが大きい場合、ごくわずかな違いでもp値は小さくなり有意差が出やすくなります。その結果「統計的には有意だが、実務的にはほとんど意味がない」という状況が起こりえます。効果量はこうした誤解を防ぐための補助的な判断材料です。

Cramér's V とは何か

カイ二乗検定において最も一般的に用いられる効果量が、Cramér's V(クラメールのV)です。0から1の範囲の値を取り、0に近いほど関連が弱く、1に近いほど関連が強いと解釈されます。

Cramér's V の解釈目安

カイ二乗検定の残差分析:どこに差があるのか

カイ二乗検定で「有意な関連がある」と分かったとき、次に知りたくなるのは「どのカテゴリの組み合わせが違っているのか」という点です。その疑問に答えるのが残差分析です。

残差とは何か

残差とは、各セルにおいて「観測度数 − 期待度数」として計算される値です。「そのセルが、期待される人数からどれだけズレているか」を表しています。

調整済み残差の意味

実務や研究では、単なる残差ではなく調整済み残差を用いて解釈するのが一般的です。セルごとのばらつきを考慮したうえで標準化された値で、標準正規分布に近い性質を持ちます。

残差分析で注意すべき点

• 有意差が出ていない場合に、残差だけを解釈しない
• 多数のセルを同時に見る場合、多重比較の問題を意識する
• 探索的な結果を、過度に一般化しない

残差分析はカイ二乗検定の結果を「具体的に理解するための補助的手段」として位置づけると安心です。

SPSSによるカイ二乗検定の結果の読み方(理論編)

SPSSでカイ二乗検定を実行すると、複数の表が出力されます。初学者の方が戸惑いやすいのは、「どの表を、どの順番で見ればよいのか」が分かりにくい点です。ここでは、操作手順には踏み込まず、結果を読むときの基本的な流れを整理します。

① カイ2乗検定表

まず確認するのがカイ2乗検定と書かれた表です。通常はピアソンのカイ二乗(Pearson)の行を確認し、χ²値、自由度(df)、有意確率(p値)をセットで読み取ります。

② フィッシャーの正確確率検定の結果

2×2 表の場合、Fisherの直接法の結果が同時に出力されることがあります。期待度数が小さい場合には、こちらの p 値を採用するかどうかを検討します。

③ 効果量

次に確認したいのが効果量の表です。ここに Cramér's V とファイ係数が表示されます。p値と合わせて関連の強さを評価することが重要です。

④ 残差(Residuals)

有意差が認められた場合には、調整済み残差を確認し、「どこが違っているのか」を把握します。

これらの出力をどのように設定し、画面上で確認するかについては、「SPSSの使い方　第9回」で図解付きで解説しています。この完全ガイドでは、結果の意味をどう理解するかに集中してください。

カイ二乗検定の結果を論文・レポートでどう書くか

分析結果は、正しく実行できても、文章として適切に表現できなければ伝わりません。ここでは、カイ二乗検定の結果を、論文やレポートでどのように書けばよいかを整理します。

基本的な記載要素

• 検定手法(カイ二乗検定)
• カイ二乗値(χ²)
• 自由度(df)
• p 値
• 必要に応じて効果量(Cramér's V)

日本語論文での記述例

英語論文(APA形式)での記述例

数値は結果を簡潔に示し、本文では「何を検証し、何が分かったのか」を明確に述べることが重要です。

カイ二乗検定でよくある誤解と注意点

カイ二乗検定はシンプルで使いやすい一方、誤解されたまま使われやすい手法でもあります。研究・実務の現場で特に多い注意点を整理します。

① 有意差＝因果関係ではない

カイ二乗検定で有意差が出たとしても、それは「2つの変数に関連がある」ことを示すに過ぎません。「AがBの原因である」といった因果関係を主張するためには、研究デザインや理論的背景を含めた慎重な検討が必要です。

② 有意でない＝無関係とは限らない

有意差が得られなかった場合でも、「まったく関連がない」と断定できるわけではありません。サンプルサイズが小さい場合には、検出力が不足している可能性も考えられます。

③ サンプルサイズの影響を過小評価しない

サンプルサイズが大きいと、ごく小さな違いでも有意になりやすくなります。そのため、p値だけでなく、効果量(Cramér's V)と実務的意味を合わせて解釈することが重要です。

カイ二乗検定に関するよくある質問(FAQ)

Q1. カイ二乗検定でわかることは何ですか?

2つのカテゴリ変数(例：性別と購入の有無)の間に、統計的に意味のある関連があるかどうかを判定します。因果関係を示すものではなく、分布のズレが偶然か否かを評価する手法です。

Q2. カイ二乗検定とフィッシャーの正確確率検定はどう使い分けますか?

2×2 の表で期待度数が小さい(5未満のセルが多い)場合はフィッシャーの正確確率検定、それ以外はカイ二乗検定を用いるのが一般的な目安です。フィッシャー検定は近似ではなく、組み合わせの確率を直接計算します。

Q3. p値が有意でも効果量を見る必要はありますか?

あります。サンプルサイズが大きいとわずかな差でも有意になりやすいため、Cramér's V などの効果量で関連の強さを確認します。p値と効果量の両方を併記するのが推奨される報告方法です。

Q4. 期待度数が小さいセルがある場合はどうすればよいですか?

期待度数が5未満のセルが全体の20%を超える場合は、カイ二乗検定の近似精度が低下します。フィッシャーの正確確率検定への切り替え、カテゴリの統合、サンプルサイズの拡張などを検討します。

Q5. 残差分析はどう解釈しますか?

調整済み残差の絶対値が1.96を超えるセルは、期待度数からのズレが統計的に有意(5%水準)と判断されます。どのカテゴリの組み合わせが全体の有意差に寄与しているかを特定する補助的な手段です。

カイ二乗検定の次に学ぶべき分析手法

カイ二乗検定を理解できた方は、「カテゴリデータ分析の基礎」をしっかり押さえた状態にあります。次のステップとして、以下の分析手法を学ぶことで、研究・実務の幅が一気に広がります。

これらの手法についても、本サイトでは理論解説(完全ガイド)→ 製品選定 → 操作解説の流れで整理しています。