KNOWECON WIKI

ARTICLE

卡方随机变量

卡方随机变量 (Chi-Square Random Variable) 卡方随机变量，通常记为 ^2，是概率论与统计学中最重要的连续型随机变量之一。它由 自由度 (Degrees of Freedom) 参数 （或记为 k）唯一确定，记作 X ^2( ) 或 X ^2_k。卡方分布在统计推断——尤其是假设检验、置信区间构造以及方差分析中占据核心地位。其起源可

浏览 0 更新 2025-10-26

卡方随机变量 (Chi-Square Random Variable)

卡方随机变量，通常记为 χ2\chi^2，是概率论与统计学中最重要的连续型随机变量之一。它由 自由度 (Degrees of Freedom) 参数 ν\nu（或记为 kk）唯一确定，记作 X∼χ2(ν)X \sim \chi^2(\nu) 或 X∼χk2X \sim \chi^2_k。卡方分布在统计推断——尤其是假设检验、置信区间构造以及方差分析中占据核心地位。其起源可追溯至十九世纪末卡尔·皮尔逊 (Karl Pearson) 对拟合优度检验的研究。

定义与构造

从构造角度而言，若 Z1,Z2,…,ZνZ_1, Z_2, \dots, Z_\nu 是 ν\nu 个相互独立且服从标准正态分布 N(0,1)N(0, 1) 的随机变量，则卡方随机变量定义为其平方和：

X=∑i=1νZi2∼χ2(ν)X = \sum_{i=1}^{\nu} Z_i^2 \sim \chi^2(\nu)

这一构造方式直接揭示了卡方分布与正态分布的源流关系。在线性回归与计量经济学中，普通最小二乘法 (OLS) 残差的平方和经过适当标准化后即服从卡方分布，这构成了对模型方差进行统计推断的理论基础。

推导过程需明确两点：第一，每个 Zi2Z_i^2 均服从自由度为 1 的卡方分布 χ2(1)\chi^2(1)。可以证明，若 Z∼N(0,1)Z \sim N(0, 1)，令 Y=Z2Y = Z^2，则 YY 的概率密度函数为：

fY(y)=12πye−y/2,y>0f_Y(y) = \frac{1}{\sqrt{2\pi y}} e^{-y/2}, \quad y > 0

这恰是 χ2(1)\chi^2(1) 的密度函数。第二，利用伽马分布的性质可知，独立卡方变量的和仍服从卡方分布，其自由度为各分量自由度之和。由此，∑i=1νZi2\sum_{i=1}^{\nu} Z_i^2 服从 χ2(ν)\chi^2(\nu)。

概率密度函数

自由度为 ν\nu 的卡方随机变量的概率密度函数 (PDF) 为：

f(x;ν)=12ν/2 Γ(ν/2)xν/2−1e−x/2,x>0f(x; \nu) = \frac{1}{2^{\nu/2} \,\Gamma(\nu/2)} x^{\nu/2 - 1} e^{-x/2}, \quad x > 0

其中 Γ(⋅)\Gamma(\cdot) 是伽马函数，定义为 Γ(z)=∫0∞tz−1e−t dt\Gamma(z) = \int_0^\infty t^{z-1} e^{-t} \, dt。当 ν\nu 为正整数时，Γ(ν/2)\Gamma(\nu/2) 可简化为阶乘形式。密度函数的支撑集严格为正实数 (0,∞)(0, \infty)，这意味着卡方随机变量只能取正值——这是一个关键性质，因为它作为平方和的非负性约束。

从密度函数的形态看：

  • 当 ν=1\nu = 1 或 ν=2\nu = 2 时，密度函数在 x→0+x \to 0^+ 处趋于无穷大，呈单调递减形态；
  • 当 ν≥3\nu \ge 3 时，密度函数在 x=ν−2x = \nu - 2 处取得众数，呈右偏单峰形态；
  • 随着自由度 ν\nu 的增大，卡方分布的偏度逐渐减弱，形态趋近于正态分布——这是中心极限定理的直接推论。

数字特征

卡方随机变量的数字特征简洁而优美：

E[X]=ν,Var(X)=2νE[X] = \nu, \quad Var(X) = 2\nu

期望等于自由度，方差是自由度的两倍。这一性质来源于构造定义：E[Zi2]=Var(Zi)+[E(Zi)]2=1+0=1E[Z_i^2] = Var(Z_i) + [E(Z_i)]^2 = 1 + 0 = 1，故 E[X]=∑E[Zi2]=νE[X] = \sum E[Z_i^2] = \nu；而 Var(Zi2)=E[Zi4]−[E(Zi2)]2=3−1=2Var(Z_i^2) = E[Z_i^4] - [E(Z_i^2)]^2 = 3 - 1 = 2（标准正态的四阶矩为 3），又因独立性，Var(X)=∑Var(Zi2)=2νVar(X) = \sum Var(Z_i^2) = 2\nu。

进一步，卡方分布的矩母函数 (MGF) 为：

MX(t)=E[etX]=(1−2t)−ν/2,t<12M_X(t) = E[e^{tX}] = (1 - 2t)^{-\nu/2}, \quad t < \frac{1}{2}

矩母函数在推导卡方分布的可加性以及证明其与指数分布、伽马分布的关系时极为便利。事实上，χ2(ν)\chi^2(\nu) 是伽马分布的特殊情形：若令形状参数 α=ν/2\alpha = \nu/2，尺度参数 β=2\beta = 2，则 X∼Gamma(ν/2,2)X \sim \text{Gamma}(\nu/2, 2)，其与伽马分布族的隶属关系使得许多性质可以共享。

可加性

卡方分布具有可加性（或再生性）：若 X1∼χ2(ν1)X_1 \sim \chi^2(\nu_1) 与 X2∼χ2(ν2)X_2 \sim \chi^2(\nu_2) 相互独立，则其和服从自由度为 ν1+ν2\nu_1 + \nu_2 的卡方分布：

X1+X2∼χ2(ν1+ν2)X_1 + X_2 \sim \chi^2(\nu_1 + \nu_2)

可加性在统计推断中具有深远的应用价值。例如，在方差分析 (ANOVA) 中，总平方和被分解为组间平方和与组内平方和之和，每个分量在相应零假设下均服从卡方分布，且相互独立，从而总平方和的分布可由可加性直接导出。类似地，在似然比检验中，嵌套模型的对数似然比统计量渐近服从卡方分布，其自由度等于两模型参数个数之差，这一结论也是可加性在渐近框架下的体现。

与其他分布的关系

卡方分布与多个核心分布存在密切联系，构成了统计推断中的分布族网络：

  1. 标准正态分布： χ2(1)=Z2\chi^2(1) = Z^2，即单个标准正态变量的平方服从卡方分布。
  2. 指数分布： χ2(2)\chi^2(2) 等价于参数为 λ=1/2\lambda = 1/2 的指数分布，即其密度函数为 f(x)=12e−x/2,x>0f(x) = \frac{1}{2}e^{-x/2}, x > 0。
  3. 伽马分布： 如上所述，χ2(ν)≡Gamma(ν/2,2)\chi^2(\nu) \equiv \text{Gamma}(\nu/2, 2)。
  4. t分布： 若 Z∼N(0,1)Z \sim N(0, 1) 与 X∼χ2(ν)X \sim \chi^2(\nu) 独立，则 T=ZX/ν∼t(ν)T = \frac{Z}{\sqrt{X / \nu}} \sim t(\nu)。这一定义是学生t分布在单样本和双样本均值检验中的构造基础。
  5. F分布： 若 X1∼χ2(ν1)X_1 \sim \chi^2(\nu_1) 与 X2∼χ2(ν2)X_2 \sim \chi^2(\nu_2) 独立，则 F=X1/ν1X2/ν2∼F(ν1,ν2)F = \frac{X_1 / \nu_1}{X_2 / \nu_2} \sim F(\nu_1, \nu_2)。F分布是方差分析、回归模型整体显著性检验（F检验）以及邹检验 (Chow Test) 的核心分布。

这些关系揭示了一个清晰的理论层级：标准正态处于底层，卡方由其平方和构造，t分布和F分布则由正态与卡方的比值构造。理解这一层级对于掌握经典统计推断的逻辑至关重要。

在统计推断中的应用

方差估计与置信区间

设 X1,…,XnX_1, \dots, X_n 是从均值为 μ\mu、方差为 σ2\sigma^2 的正态总体中抽取的随机样本。样本方差 s2=1n−1∑i=1n(Xi−Xˉ)2s^2 = \frac{1}{n-1}\sum_{i=1}^n (X_i - \bar{X})^2 经标准化后服从卡方分布：

(n−1)s2σ2∼χ2(n−1)\frac{(n-1)s^2}{\sigma^2} \sim \chi^2(n-1)

这一结果——有时被称为 Cochran 定理的推论——构成了正态总体方差 σ2\sigma^2 的置信区间估计与假设检验的枢轴量。由此可构造 σ2\sigma^2 的 100(1−α)%100(1-\alpha)\% 置信区间：

((n−1)s2χα/2,n−12,(n−1)s2χ1−α/2,n−12)\left( \frac{(n-1)s^2}{\chi^2_{\alpha/2, n-1}}, \frac{(n-1)s^2}{\chi^2_{1-\alpha/2, n-1}} \right)

其中 χα,ν2\chi^2_{\alpha, \nu} 表示 χ2(ν)\chi^2(\nu) 的上侧 α\alpha 分位数。

拟合优度检验

皮尔逊卡方检验是分析分类数据最经典的方法。检验统计量：

χ2=∑i=1k(Oi−Ei)2Ei\chi^2 = \sum_{i=1}^{k} \frac{(O_i - E_i)^2}{E_i}

在零假设下近似服从 χ2(k−1−m)\chi^2(k-1-m) 分布，其中 OiO_i 为观测频数，EiE_i 为期望频数，mm 为从数据中估计的参数个数。该统计量的直觉在于：若零假设为真，观测值与期望值之间的差异应仅反映抽样变异性，标准化后的平方和不应过大。

独立性检验

在列联表分析中，卡方独立性检验用于判断两个分类变量是否关联。对于一个 r×cr \times c 的列联表，检验统计量在独立性零假设下近似服从 χ2((r−1)(c−1))\chi^2((r-1)(c-1)) 分布。该检验广泛应用于社会科学、医学和经济学中的调查数据分析。

非中心卡方分布

当构造卡方变量的正态分量均值不全为零时，得到的分布称为非中心卡方分布 (Noncentral Chi-Square Distribution)。具体地，若 Zi∼N(μi,1)Z_i \sim N(\mu_i, 1) 且相互独立，则 ∑Zi2∼χ2(ν,λ)\sum Z_i^2 \sim \chi^2(\nu, \lambda)，其中非中心参数 λ=∑μi2\lambda = \sum \mu_i^2。非中心卡方分布在计算检验的功效 (Power) 时不可或缺：当备择假设为真实时，许多检验统计量服从非中心卡方分布，其非中心参数刻画了偏离零假设的程度。在样本量计算与功效分析中，非中心卡方分布的分位数与累积分布函数的计算是标准工具。