列联表

列联表 (Contingency Table)

列联表（Contingency Table），也称交叉分类表（Cross-Tabulation）或交互分类表（Crosstab），是统计学中用于展示两个或多个分类变量（Categorical Variables）频率分布的一种表格形式。其核心功能是直观呈现变量不同类别之间的相互关系，并为检验这些变量是否独立提供基础数据。

列联表是描述性统计和推断性统计中的基本工具，广泛应用于社会科学、医学研究、市场分析和生物统计学等领域。它将观测数据按两个或多个分类变量的组合进行交叉分组，使研究者能一目了然地观察变量间的分布模式和潜在关联。无论是调查问卷中性别与投票倾向的关系、医学试验中药物与疗效的联系，还是市场研究中年龄与品牌偏好的交互，列联表都提供了简洁有力的数据组织方式。

列联表的结构

一个基本的列联表，即二维列联表（Two-way Table），由行和列构成。一个变量类别构成行，另一个变量类别构成列。表格的每个单元格（cell）显示同时满足特定行类别和列类别的观测频数（frequency）或计数（count）。一个具有 $R$ 个行类别和 $C$ 个列类别的列联表，通常被称为 $R \times C$ 列联表。

以一个 $R \times C$ 列联表为例，其结构包含以下核心要素：

联合频数（Joint Frequencies）：位于表格内部的单元格数值，记作 $O_{ij}$（或 $n_{ij}$），表示同时属于行变量第 $i$ 个类别和列变量第 $j$ 个类别的观测数。$O$ 代表观测值（Observed）。

边际频数（Marginal Frequencies）分为两类：行合计 $R_i = \sum_{j=1}^{C} O_{ij}$，表示行变量第 $i$ 个类别的总频数；列合计 $C_j = \sum_{i=1}^{R} O_{ij}$，表示列变量第 $j$ 个类别的总频数。

总计（Grand Total）：所有观测值的总数，记作 $N$，等于所有行合计之和，也等于所有列合计之和：

示例：一个研究吸烟状况与肺癌关系的 $2 \times 2$ 列联表：

\begin{tabular}{|c|c|c|c|} \hline \& 患有肺癌 \& 未患肺癌 \& 行合计 \\ \hline 吸烟者 \& $a$ \& $b$ \& $a+b$ \\ \hline 非吸烟者 \& $c$ \& $d$ \& $c+d$ \\ \hline 列合计 \& $a+c$ \& $b+d$ \& $N$ \\ \hline \end{tabular}

在此表中，$a, b, c, d$ 是联合频数；$a+b$ 和 $c+d$ 是行边际频数；$a+c$ 和 $b+d$ 是列边际频数；$N = a+b+c+d$ 是总样本量。

独立性卡方检验

列联表的主要分析目标是判断行变量和列变量之间是否存在统计学上的关联性（association）。最常用的方法是卡方检验中的独立性检验（Chi-squared Test of Independence）。

检验设定为：原假设 $H_0$ 认为两个变量独立；备择假设 $H_1$ 认为两个变量不独立（存在关联）。检验的核心是比较观测频数 $O_{ij}$ 与在原假设成立下的期望频数 $E_{ij}$。

第一步：计算期望频数。如果两变量独立，某单元格的频数应仅取决于其行合计、列合计与总计：

直觉含义：在独立性假设下，第 $i$ 行观测值在各列中的分布比例，应和整体样本在各列中的分布比例一致。期望频数代表了"如果没有关联，我们预期看到什么"。

第二步：计算卡方统计量。度量的核心是观测频数与期望频数之间的标准化差异：

分子 $(O_{ij} - E_{ij})^2$ 捕捉了每个单元格的偏离程度，分母 $E_{ij}$ 进行标准化——同样的绝对差异，在期望频数小的单元格中更值得关注。求和覆盖表中所有单元格。

第三步：确定自由度。对于 $R \times C$ 列联表，自由度为：

自由度代表在给定边际合计的约束下，表中可自由变化的单元格数量。例如 $2 \times 2$ 表的自由度为 1——一旦确定了 $a$，其余三个单元格在边际合计固定的情况下便随之确定。

第四步：做出统计决策。计算出的 $\chi^2$ 统计量在 $H_0$ 下服从卡方分布。通过比较 $\chi^2$ 值与特定显著性水平 $\alpha$（通常为 0.05）下的临界值，或直接计算p值来做出决策：若 $\text{p-value} < \alpha$，拒绝 $H_0$，认为存在显著统计关联；若 $\text{p-value} \ge \alpha$，不拒绝 $H_0$，认为无足够证据表明变量间有关联。

需注意，卡方检验要求期望频数不能过小——通常至少 80\% 单元格期望频数大于 5，且所有期望频数大于 1。当期望频数过小时，应使用Fisher精确检验替代。此外，统计显著不等于实际意义显著，大样本下微小关联也可能显著，需结合关联强度度量综合判断。

关联性强度度量

卡方检验只能告诉我们是否存在关联，不能说明关联的强度。大样本下微小的关联也可能统计显著。为此，需使用关联性度量指标。

Phi系数（$\phi$）专门用于 $2 \times 2$ 列联表：

其值通常在 0 到 1 之间，越接近 1 表示关联越强。对于 $2 \times 2$ 表，其值域实际为 $[-1, 1]$，符号可体现关联方向。

Cramér's V 是 Phi 系数的推广，适用于任意大小列联表：

值域为 $[0, 1]$，0 表示完全独立，1 表示完全关联。Cramér's V 是最常用的关联强度衡量标准之一，克服了 Phi 系数在大于 $2 \times 2$ 表时可能超过 1 的缺陷。

比值比（Odds Ratio, OR）在医学和流行病学中尤为重要。对于 $2 \times 2$ 表，以吸烟与肺癌为例：吸烟者中患肺癌的比值（odds）为 $a/b$，非吸烟者中患肺癌的比值为 $c/d$，则：

比值比的解释直观：$OR = 1$ 表示暴露与结果无关；$OR > 1$ 表示暴露增加结果发生的比值（风险因素）；$OR < 1$ 表示暴露降低结果发生的比值（保护因素）。比值比的一个重要性质是它与抽样设计无关——无论采用队列研究还是病例对照研究，只要数据整理为列联表形式，比值比的估计都是一致的，这使得它在回顾性研究中尤为珍贵。

高维列联表与辛普森悖论

当涉及三个或更多分类变量时，需构建高维列联表。例如研究吸烟、性别与肺癌的关系，可为男性和女性分别创建 $2 \times 2$ 的吸烟-肺癌列联表，这便是按性别分层的策略。

高维列联表是分析混杂变量（Confounding Variable）和交互作用的重要工具。最经典的警示是辛普森悖论（Simpson's Paradox）：在分组数据中观察到的关联趋势，在数据合并后可能消失甚至逆转。例如，某种治疗方案在男性和女性分组中均显示有效，但合并后反而显示无效——这可能是因为组分配比例不均（例如女性更倾向于接受治疗且女性本身康复率更高）造成的假象。

分析高维表通常需借助更复杂的统计模型。对数线性模型将单元格期望频数建模为各变量及其交互效应的对数线性函数，类似于方差分析中对数变换后的线性分解。另一种方法是逻辑回归，将某一分类变量视为响应变量、其余为预测变量。若有明确的因变量，逻辑回归更自然；若所有变量地位对等、仅探索关联结构，对数线性模型更合适。

列联表方法从 Pearson 1904 年提出卡方检验至今已逾百年，依然是统计数据分析中最基础也最实用的工具之一。它简洁的结构使复杂分类数据关系变得透明，背后的统计推断框架为严谨科学决策提供了依据。

实际应用中的注意事项

列联表的构建和解读需注意若干细节。分类变量的编码应满足互斥性（每个观测只归入一个单元格）和完备性（所有类别都应囊括）。样本量过小导致期望频数不足时，Fisher精确检验比卡方检验更可靠，它基于超几何分布直接计算精确 p 值而不依赖大样本渐近理论。对于 $2 \times 2$ 表，Yates连续性校正将卡方统计量修正为 $\chi^2 = \sum (|O_{ij} - E_{ij}| - 0.5)^2 / E_{ij}$，以减小离散数据对连续卡方分布的近似误差，但该校正因过于保守在现代实践中存在争议。

对于有序分类变量（如教育程度），标准卡方检验忽略顺序信息、效力较低，应使用Mantel-Haenszel卡方检验或秩相关方法（如Kendall's $\tau_b$）。对按第三变量分层的多个 $2 \times 2$ 表，Cochran-Mantel-Haenszel检验综合各层信息给出控制混杂后的总体判断，是流行病学的标准方法。

列联表分析虽古老，但在大数据语境下依然活跃——A/B测试中的转化率比较、文本挖掘中词频与情感的交叉分析、基因组学中变异与表型的关联研究，本质上都是列联表方法的延伸。掌握列联表是贯通经典统计与现代数据分析的关键纽带。