01
G 檢定原理
在每個儲存格中，把觀察次數 O 與獨立假設下的期望次數 E = 列總和 × 欄總和 ÷ n 比較。G 是 O · ln(O ÷ E) 總和的兩倍，也就是飽和模型與獨立模型對數概似差的兩倍。
- G = 2 Σ O · ln(O ÷ E)；O = 0 的儲存格貢獻為 0。
- 自由度 =（列 − 1）（欄 − 1），與卡方檢定相同。
- G 值具可加性，可分解巢狀模型的比較。
02
範例
以開啟時的表格 [[20, 30], [30, 20]]（n = 100）計算，G = 4.03，自由度 1，P = .045。Pearson 卡方檢定為 χ² = 4.00，P = .046；在次數充足的表格中，兩者結果幾乎相同。
03
什麼時候使用，什麼時候不要用
G 與卡方回答同一個問題；G 常見於生物學與對數線性模型，卡方常見於市場研究。
- 檢定任何大小列聯表的獨立性。
- 讓結果與對數線性模型或邏輯斯迴歸一致。
- 期望次數很小時不要用：Fisher 精確檢定較合適。
- 不要用於同一批人的成對測量。