男 252、女 248，摘要能不能写「男生明显更多」？

不能当作检验结论。两人差距对应残差 ±2，χ²=0.032、P=0.858，完全落在均匀分布的抽样波动里。描述句可以写「男 252、女 248」，但「明显更多」需要先拒绝 1:1 的零假设；本例没有拒绝。

真正想问性别和年级有没有关联，还能用拟合优度吗？

不能。拟合优度没有第二列，无法构成交叉表。那种问题应把「学生性别」当分组、「就读年级」当分析变量，去跑卡方检验。本过程即使对年级单独再跑一次，回答的也只是「年级是否均匀」，不是「男女年级结构是否不同」。

两行 X² 都是 0.032、P 都是 0.858，系统是不是重复检验了两次？

没有。两类拟合优度只有 1 个自由度，统计量只有一个。表为了让每一类都能看见整次检验的结果，把 χ² 与 P 抄在每一行。写结果时引用一次 χ²(1)=0.032，P=0.858 即可，不要加总成 0.064，也不要分别给女、男各一个 P。

理论比例是本科:研究生=9:1，还能直接用本页 50% 的数字吗？

不能。本页事实表的期望比例是 0.5 / 0.5，检验的是「男女均匀」。9:1 必须把期望比例改成 0.9 与 0.1 再运行，期望频数会变成 450 与 50（若 N 仍为 500）。沿用均匀期望等于在检验一个你并不相信的零假设。产品只允许 1 个检验变量，改比例，不要再加一列。

卡方拟合优度检验

这篇能回答什么

拟合优度只盯住一个定类变量。它不问「性别和年级有没有关系」，只问「性别这列的人数，是否像我们事先声明的那样分配」。零假设是一套期望比例 π_i（教学示例为男女各 50%）；每个类别的期望人数是 N×π_i，再拿实际人数去减。卡方大、P 小，说明样本构成偏离了那套理论份额。

问卷回收后常拿它核对抽样：性别是否接近总体的男女比、年级是否按招生计划的 1:1:1、选项是否均匀。本页学生问卷把「学生性别」对上均匀分布：女 248 人、男 252 人，对照各 250 人的期望。

和独立性卡方不要用混

两列定类交叉、问「行变量与列变量是否独立」，那是卡方检验或列联表，不是本过程。只想报人数和百分比、不下推断，用频数分析。期望格子过小（经验上 <5）时，拟合优度的 χ² 近似会变差，应合并类别或改用精确方法。

如何选择方法

把「一列对理论」和「两列交叉」分开。手里只有学生性别，理论是「总体男女各半」→ 拟合优度。手里还有就读年级，问题是「男女的年级构成是否不同」→ 独立性卡方。还没到检验、只要构成图 → 频数。

卡方拟合优度：恰好 1 个定类检验变量；期望比例可按研究假设指定，本示例为均匀 50% / 50%。
Pearson 卡方（独立性）：1 个分组定类 × 1–10 个分析定类，看交叉表。
频数分析：同一列的人数与占比，没有期望频数，也没有 P 值。
列联交叉：侧重组内百分比与热力图，检验不是主输出。

输入、输出与限制

角色与期望比例

检验变量只允许 1 列，必须是定类。产品没有「再勾一列一起拟合」的入口——学生性别和就读年级要分开跑。期望比例来自你的零假设，不是从数据里估出来的；本页事实表按均匀分布写入，女、男的期望比例都是 0.5，期望频数都是 250。

结果表怎么长

每一类占一行：项、实际频数、期望频数、实际比例、期望比例、残差、X²、P 值。残差是实际减期望。X² 与 P 值在各类行上重复的是整次检验的统计量，不是把总卡方再切成两半；女行的 0.032 和男行的 0.032 是同一个 χ²(1)。

实现上限

检验变量最多 1 个；想同时看年级，请再运行一次或改用独立性卡方。
期望比例必须自己与假设对齐。沿用 50% / 50% 去检验「本科:研究生=9:1」会答错问题。
编号列、高基数连续列不能当作检验变量。
有效 N 是该列非缺失人数；本示例性别无缺失，N=500。

案例

研究问题。 学校声称抽样「男女各半」。回收学生问卷后，想用正式检验回答：观测到的性别构成，是否仍像从 1:1 总体里抽出的 500 人？

文件是学生问卷，工作表「有效样本数据」。检验变量用第 1 列「学生性别」。女实际 248（比例 0.496），男实际 252（比例 0.504），期望各 250。残差分别是 -2 与 2。χ²=0.032，P=0.858，N=500。下载后按同一列、同一均匀期望即可复现。

下载学生问卷示例（用「学生性别」做拟合优度）

在 StatsX 中操作

步骤 1 · 打开问卷簿的有效样本表

把学生问卷 xlsx 送进工作台，活动表选「有效样本数据」。旁边那张「无效样本数据」不要用来复现本页数字。
步骤 2 · 确认「学生性别」是定类、只有两水平

列画像里应看到男、女。若被识别成文本编号或出现第三种编码（如「未知」），先清洗再检验，否则期望比例会对不上 50% / 50%。
步骤 3 · 搜索「拟合优度」而不是「卡方检验」

目录里「卡方检验」是交叉表独立性。本方法的名称带「拟合优度」。点错会要求你再填一个分组变量。
步骤 4 · 检验变量只勾学生性别

角色槽只有检验变量，且上限 1 列。不要把就读年级或学校办学性质一起塞进来。期望按均匀分布（各类 50%）与本页事实表一致。运行。
步骤 5 · 对残差，再看那个重复出现的 P 值

女行残差 −2、男行 +2，说明相对 250 只偏了两人。X² 与 P 值两行相同，引用一次即可，不要写成「女生显著、男生也显著」。

目录中选中卡方拟合优度检验 — 选定「卡方拟合优度检验」，避开普通卡方检验条目。

如何阅读输出

从「女」这一行读起：实际频数 248，期望 250，实际比例 0.496，期望比例 0.5，残差 -2。男行对称：实际 252，期望 250，比例 0.504 对 0.5，残差 2。两类残差互为相反数，因为人数加总必须等于 500，一边多两人，另一边就少两人。

卡方拟合优度检验表

项	实际频数	期望频数	实际比例	期望比例	残差	X²	P值
女	248	250	0.496	0.5	-2	0.032	0.858
男	252	250	0.504	0.5	2	0.032	0.858

左右滑动可查看完整表格

X² 列两行都是 0.032，P 值都是 0.858。这不是「女、男各做了一次检验」，而是一次自由度为 1 的拟合优度：两类比例被「加总为 1」锁死，独立信息只有一份。按 α=0.05，不能拒绝「总体男女各半」。洞察里写「三组人数接近」是因为零假设本身就是均匀；差异小才会得到 0.858 这种大 P 值。

卡方拟合优度检验表显示女248男252 — 工作台结果表应出现女 248、男 252 以及重复的 X²=0.032。

学生性别实际频数与期望频数对照图 — 实际与期望几乎重叠；引用请用表中的 248 / 252 / 250，不要从图上估。

【检验结论】实际分布与均匀分布（各类别期望各 50.0%）无显著差异（χ²=0.032, p=0.858）。

报告时可写：对「学生性别」做拟合优度，零假设为 π_女=π_男=0.5，χ²(1)=0.032，P=0.858，N=500，未发现与均匀分布的显著差异。不要把 252 对 248 的两人差距写成「男生更多」的实质结论——那是描述，不是本检验拒绝零假设之后才能说的话。

理论与公式

设检验变量有 k 个互斥类别，零假设指定 π_1,…,π_k 且 Σπ_i=1。有效样本 N 下，第 i 类期望频数与 Pearson 统计量为：

在多项分布、N 不太小、各 E_i 足够大时，χ² 近似自由度为 k−1 的卡方分布（比例已被「加总为 1」用掉一维）：

本例 k=2，df=1，O_女=248，O_男=252，E=250。每个格子贡献 (2)²/250=0.016，两格相加得 0.032，与表中 X² 一致。残差 O_i−E_i 保留符号，便于看出哪一类过多；标准化残差 (O_i−E_i)/√E_i 本表未单列。P=0.858 是 χ²(1) 上侧尾概率。

注意事项

期望比例是假设，不是样本百分比；用样本自己的占比当「期望」会使 χ² 恒为 0。
X²、P 在每一类行重复出现，论文里只报告一次检验。
出现第三类（拒答、其它）时，均匀 50% / 50% 不再成立，必须重写 π 向量。
期望频数过小会让近似变差；两类且 N=500 的本例没有这个问题。
拟合优度显著只说明「与该套 π 不符」，不能指出应该改成哪一套比例。

常见问题

参考文献

Agresti, A. Categorical Data Analysis. Wiley.
Pearson, K. On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. Philosophical Magazine, 1900.
贾俊平. 统计学[M]. 中国人民大学出版社.