python和R中卡方检验的不同p值

作为一名普通的R用户，我正在学习使用python进行分析，我从卡方检验开始，做了以下工作：

R python 对于

test1

，我很满意，因为python和R的测试显示了类似的结果，但是

test2

不是这样，因为R有参数

correct

，所以我将其从默认值改为默认值，并且生成的p值不相同

我的代码有什么错误吗？我应该“相信”哪一个

更新01

---

谢谢你的反馈。我知道卡方检验不应该用于值小于5的单元格，我应该使用fisher精确检验，我关心的是为什么R和Python给出的p值相差如此之大。

除了单元格计数<5的问题，根据我的经验，统计测试的R和Python实现在默认情况下通常都会启用各种修正（这些修正应该会改进基本方法）。关闭校正功能似乎会使

scipy

p值与R匹配：

scipy.stats.chi2_contingency(np.array([[1, 2], [3, 4]]), correction=False)

Out[6]: 
# p-val = 0.778159
(0.079365079365079388, 0.77815968617616582, 1, array([[ 1.2,  1.8],
        [ 2.8,  4.2]]))

这同样适用于t检验等，其中默认值可能是或可能不是假设相等的方差。基本上，当您在统计数据之间匹配输出时遇到问题

---

软件，开始查看默认参数，看看您是否应该启用或禁用这些调整。

确实，您不应该相信这两个参数，因为卡方对如此小的样本无效。看，他们两个都不相信。从Python文档中可以看出：“对于此计算的有效性，经常引用的一条准则是，只有在每个单元格中观察到的和预期的频率至少为5时，才应使用测试。”您可以始终使用计算，并查看哪些匹配。在R中，您可以使用

m验证这些计算
In [31]:
temp = scipy.stats.chi2_contingency(np.array([[10, 20], [30, 40]]))  # test1
temp[1] # pvalue
Out[31]:
0.50403586645250464
In [30]:
temp = scipy.stats.chi2_contingency(np.array([[1, 2], [3, 4]]))      # test2
temp[1] # pvalue
Out[30]:
0.67260381744151676

scipy.stats.chi2_contingency(np.array([[1, 2], [3, 4]]), correction=False)

Out[6]: 
# p-val = 0.778159
(0.079365079365079388, 0.77815968617616582, 1, array([[ 1.2,  1.8],
        [ 2.8,  4.2]]))