统计百科 ·
卡方拟合优度检验APA报告怎么写 — 单变量分布拟合、df与p、期望vs观测频数表全解
统计百科：专攻卡方拟合优度检验（Goodness-of-Fit）的APA 7th报告格式——χ²(df, N)完整句式、期望vs观测频数对比表、效应量w、四大应用场景报告模板，以及ChatSRS一句话生成论文级段落的完整指令。
论文里最容易被审稿人挑刺的卡方检验，往往不是独立性检验，而是拟合优度检验（Goodness-of-Fit Test）——因为它考察的是"单个变量的分布与理论分布是否一致"，自由度算法、期望频数报告方式和效应量选用都与独立性检验不同。本文专攻这一检验类型的 APA 7th 格式，给出可直接复制进论文的模板和 ChatSRS 指令。
你的卡方拟合优度报告有这些问题吗？
审稿人或导师对该检验最常见的反馈：
- "χ² 自由度写错了——拟合优度检验的 df = k - 1，不是 (r-1)(c-1)"
- "期望频数的来源没有说明，是均等分布还是理论比例？"
- "报告里只有 χ² 值和 p 值，缺少效应量（Cohen's w）"
- "期望频数有格子低于 5，未说明是否满足前提假设"
- "观测频数和期望频数表没有放入结果段或表格，读者无法核实"
- "p = .000 不规范，应写为 p < .001"
这些问题集中在 APA Publication Manual 第七版推断统计报告的若干细节。本文只讲一件事：卡方拟合优度检验的结果如何规范写进论文。
如果你的研究是两个变量的交叉列联表，那是卡方独立性检验，格式请参见 卡方检验怎么写进论文？APA 7th 报告完整写法（含效应量 Cramér's V / φ），本文不重复。
一、什么是卡方拟合优度检验？和独立性检验有什么区别？
核心问题
拟合优度检验（Chi-Square Goodness-of-Fit Test）回答的问题是：
一个分类变量的观测频率分布，是否与某个预期的理论分布相符？
| 检验类型 | 变量数 | 典型问题 | df |
|---|---|---|---|
| 拟合优度检验 | 1 个分类变量 | 这批数据符合均等分布吗？符合历史比例吗？ | k - 1 |
| 独立性检验 | 2 个分类变量 | 两变量之间有关联吗？ | (r-1)(c-1) |
典型应用场景
- 均等分布检验：某调查中，受访者在 5 个选项上的分布是否均匀？
- 历史/理论比例检验：今年的学历分布是否与5年前保持一致？
- 遗传学孟德尔比例：后代表型比例是否符合 3:1 的孟德尔遗传律？
- 市场份额验证：消费者对 4 个品牌的偏好是否与市场份额比例一致？
二、自由度的计算方式
卡方拟合优度检验的自由度公式极为简单：
$\chi^2(df)\ \text{其中}\ df = k - 1$
- k = 分类变量的类别数（格子数）
- 例：变量有 5 个选项 → df = 4；变量有 3 个选项 → df = 2
常见错误提示：拟合优度检验只有一行统计量，因此不需要像独立性检验那样写两个 df。只写一个数字：χ²(4, N = 200) = 12.36。
三、期望频数的来源与报告
两种期望频数设定方式
方式一：均等分布（等概率假设）
所有类别的期望概率相等，各格子期望频数 = N / k。
例：N = 200，k = 5 → 每格期望频数 = 40
方式二：指定理论比例（不等概率假设）
根据理论依据或历史数据设定每个类别的期望比例，期望频数 = N × p_i。
例：历史数据显示，四类用户占比分别为 40%、30%、20%、10%。N = 300 时，期望频数分别为 120、90、60、30。
期望频数 < 5 的前提假设检验
APA 7th 要求报告是否满足：每个类别的期望频数 >= 5（或至多 20% 的格子期望频数 < 5）。
若不满足，需在方法章节说明处理方式：
- 合并相邻类别（减少 k，提高各格期望频数）
- 改用 Exact 精确检验（小样本时推荐）
- 说明结果需谨慎解释
四、APA 7th 核心格式规范
必报要素清单
| 要素 | 格式 | 示例 |
|---|---|---|
| χ² 统计量（含一个 df 和 N） | χ²(df, N = XX) = X.XX | χ²(4, N = 200) = 12.36 |
| p 值（精确三位小数） | p = .XXX 或 p < .001 | p = .015 |
| 效应量 Cohen's w | w = .XX（小/中/大效应） | w = .25 |
| 期望频数说明 | 说明来源与最小值 | 均等分布，最小期望频数 = 40 |
| 观测频数与期望频数对比 | 放入表格或括号内报告 | 见表 1 |
精度要求
- χ² 值精确到两位小数：χ²= 12.36（不写 12.4 或 12.358）
- p 值精确到三位小数，不加前导零：p = .015（不写 p = 0.015）
- p = .000 → 改写为 p < .001
- Cohen's w 精确到两位小数：w = .25
五、效应量 Cohen's w
卡方拟合优度检验的效应量使用 Cohen's w（注意：不是 Cramér's V，那是独立性检验专用）。
$w = \sqrt{\frac{\chi^2}{N}}$
Cohen（1988）效应大小标准：
| 效应大小 | Cohen's w |
|---|---|
| 小效应 | .10 |
| 中效应 | .30 |
| 大效应 | .50 |
计算示例：χ²(4, N = 200) = 12.36 → w = sqrt(12.36 / 200) = sqrt(.0618) = .25（中效应）
六、观测频数 vs 期望频数对比表（APA 格式）
标准表格格式
表 1
受访者在购物平台偏好上的观测频率与期望频率分布（N = 200）
| 平台 | 观测频数 (O) | 期望频数 (E) | O - E | (O-E)^2/E |
|---|---|---|---|---|
| 平台 A | 52 | 40 | +12 | 3.60 |
| 平台 B | 48 | 40 | +8 | 1.60 |
| 平台 C | 38 | 40 | -2 | 0.10 |
| 平台 D | 36 | 40 | -4 | 0.40 |
| 平台 E | 26 | 40 | -14 | 4.90 |
| 合计 | 200 | 200 | — | 10.60 |
注. 期望频数基于均等分布假设（p_i = 0.20）。χ²(4, N = 200) = 10.60，p = .031，w = .23。
格式提示：表格标题用斜体，表格编号不斜体；列标题加粗；合计行加粗；表注用"注."开头，不加粗。
七、各场景完整 APA 报告模板
场景一：均等分布检验（最常见）
情形：200 名受访者对 5 个购物平台的偏好是否均匀分布？
完整报告段落模板：
卡方拟合优度检验结果显示，受访者对[k个]平台的偏好分布
显著[偏离/未偏离]均等分布，χ²([k-1], N = [N]) = X.XX，
p [= .XXX / < .001]，Cohen's w = .XX（[大小]效应）。
各平台期望频数均为 [N/k]，满足期望频数 >= 5 的前提假设。
观测频数分布显示，[描述最高/最低频数的类别]……
填入数值的示例：
卡方拟合优度检验结果显示，受访者对 5 个购物平台的偏好分布显著偏离均等分布，χ²(4, N = 200) = 10.60，p = .031，Cohen's w = .23，为小至中效应。各平台期望频数均为 40，满足期望频数 >= 5 的前提假设（见表 1）。观测频数显示，平台 A 偏好人数（n = 52）最多，高于均等期望 12 人；而平台 E 偏好人数（n = 26）最少，低于均等期望 14 人，说明受访者在平台选择上存在显著的非均匀偏好。
场景二：指定理论比例检验
情形：某公司调查当前 300 名客户的学历分布，是否符合行业参考比例（本科以下 20%、本科 45%、硕士 25%、博士及以上 10%）？
完整报告段落模板：
以[来源]的分布比例作为期望分布，对[变量]进行卡方拟合优度检验。
结果显示，观测分布与期望分布[显著/不显著]差异，
χ²([k-1], N = [N]) = X.XX，p [值]，Cohen's w = .XX（[大小]效应）。
各格子期望频数最小值为 [最小E值]（[类别名]），满足前提假设。
填入数值的示例：
以行业参考比例（本科以下 20%、本科 45%、硕士 25%、博士及以上 10%）作为期望分布，对当前客户学历构成进行卡方拟合优度检验。结果显示，观测分布与期望分布存在显著差异，χ²(3, N = 300) = 14.72，p = .002，Cohen's w = .22，为小至中效应。各格子最小期望频数为 30（博士及以上），满足期望频数 >= 5 的前提假设。观测结果显示硕士学历客户（n = 102，34.0%）显著多于期望（E = 75，25.0%），而本科以下学历客户（n = 38，12.7%）少于期望（E = 60，20.0%），表明当前客户群学历层次较行业参考整体偏高。
场景三：遗传学孟德尔比例检验
情形：豌豆杂交后代 400 株中，圆粒 305 株、皱粒 95 株，是否符合孟德尔 3:1 的分离比？
填入数值的示例：
以孟德尔遗传分离比（3:1）作为理论期望，对杂交后代表型分布进行卡方拟合优度检验。期望频数分别为：圆粒 300、皱粒 100。结果显示，观测分布与理论比例不存在显著差异，χ²(1, N = 400) = 0.33，p = .566，Cohen's w = .03，效应极小，表明后代表型分布符合孟德尔 3:1 分离比（见表 2）。
场景四：结果不显著时的规范报告
注意：p > .05 不代表"分布完全相同"，只能说明"未能拒绝零假设"。必须同时报告效应量，让读者判断检验功效。
填入数值的示例：
卡方拟合优度检验结果显示，受访者对 4 种支付方式的偏好分布未显著偏离均等分布，χ²(3, N = 120) = 3.47，p = .325，Cohen's w = .17（小效应）。尽管结果未达显著性水平，小效应量表明数据中存在一定程度的分布偏差，可能由于样本量不足（当前统计功效约为 0.42）导致未能检出，建议后续研究扩大样本量。
八、方法章节标准描述
在论文方法章节，需要预先说明使用了卡方拟合优度检验及其前提检查：
采用卡方拟合优度检验（Chi-Square Goodness-of-Fit Test）
检验[变量名]的观测分布是否符合[理论依据/均等分布]。
分析前检查各格子期望频数，确保均不低于 5（或期望频数 < 5 的格子不超过 20%）。
效应量采用 Cohen's w，参照 Cohen（1988）标准（.10 = 小，.30 = 中，.50 = 大）。
统计分析使用 ChatSRS（SPSS + R + Python 引擎），显著性水平设为 alpha = .05。
九、在 ChatSRS 一句话获得规范拟合优度报告
打开 chatsrs.com，上传数据后输入：
"对购物平台偏好变量（5个选项，N = 200）做卡方拟合优度检验，假设均等分布；输出χ²值（含df和N）、p值、Cohen's w效应量，检查所有格子期望频数是否 >= 5，并生成APA 7th格式的观测vs期望频数对比表和完整报告段落，指明哪个类别偏差最大。"
若是指定理论比例，可改为：
"对学历变量做卡方拟合优度检验，理论比例为本科以下20%、本科45%、硕士25%、博士及以上10%，N = 300；输出APA 7th报告段落，含期望频数来源说明、效应量Cohen's w及效应量大小判断。"
ChatSRS 的 SPSS、R 和 Python 引擎均可完成上述输出，结果段落格式与本文模板一致，数值自动填入，可直接复制进论文。
十、常见错误对照表
| 常见错误 | 正确写法 | 违反的规则 |
|---|---|---|
| χ²(4) = 12.36（无 N） | χ²(4, N = 200) = 12.36 | 拟合优度需在括号内报 N |
| df = (r-1)(c-1) | df = k - 1 | 拟合优度 df 公式不同于独立性检验 |
| p = .000 | p < .001 | .000 是舍入假值 |
| 效应量用 Cramér's V | 效应量用 Cohen's w | Cramér's V 用于独立性检验 |
| 未报告效应量 | w = .23（小至中效应） | APA 7th 要求所有检验报效应量 |
| 期望频数 < 5 未说明 | 说明合并类别或改用精确检验 | 前提假设必须验证并报告 |
| 未说明期望频数来源 | 明确写"均等分布"或"依据…比例" | 读者需知理论依据 |
| χ² = 12.4（一位小数） | χ² = 12.36（两位小数） | APA 统计量精确到两位小数 |
常见 FAQ
Q：卡方拟合优度检验和卡方独立性检验，哪个更常见？怎么区分？
A：论文中独立性检验（两变量关联）出现频率更高；拟合优度检验（单变量分布符合程度）常见于遗传学、市场研究、问卷分析的频率分布描述阶段。区分方法：只有一个分类变量，问"分布符不符合某预期"→ 拟合优度；两个分类变量，问"两者有无关联"→ 独立性检验。df 的计算公式不同（k-1 vs (r-1)(c-1)）是最直观的区别。
Q：p > .05 时，拟合优度检验的报告模板和 p < .05 有什么不同？
A：格式完全相同，都要报告 χ²(df, N) 值、p 值和 Cohen's w。区别在于结论表述：p < .05 时说"分布显著偏离期望"；p > .05 时说"未发现分布显著偏离期望，但仍需结合效应量（w = .XX）和统计功效（power = .XX）解释结果"。APA 7th 明确要求不因"不显著"而省略效应量。
Q：期望频数有格子小于 5，怎么报告？
A：首先在方法章节说明出现了期望频数 < 5 的格子，并说明处理方式：若合并了类别，说明合并依据（如"将'非常不同意'与'不同意'合并为'不同意'，以保证每格期望频数 >= 5"）；若改用精确检验，说明"由于最小期望频数为 2.4，改用 Freeman-Halton 精确检验"。不可在未说明的情况下直接报告卡方统计量。
Q：拟合优度检验需要报告残差（Residuals）吗？
A：APA 7th 不强制要求，但若研究者希望说明"哪个类别偏差最大"，可在表格中补充标准化残差（Standardized Residual）列，并在正文中描述超过 |2| 的格子（提示该类别贡献了主要的拟合不佳）。例如："标准化残差分析显示，平台 E 的偏差最为突出（调整后残差 = -2.84），为偏离均等分布的主要来源。"这一做法参照独立性检验事后分析的规范，在顶刊发表时较为常见。
快速参考：拟合优度检验格式速查卡
[基本格式]
χ²(df, N = XX) = X.XX, p [= .XXX / < .001], w = .XX
[df 计算]
df = k - 1（k = 类别数）
[效应量 Cohen's w]
w = sqrt(chi^2 / N)
小效应 .10 / 中效应 .30 / 大效应 .50
[期望频数]
均等分布：E_i = N / k
指定比例：E_i = N * p_i
前提：所有 E_i >= 5（或 < 5 的格子不超过 20%）
[完整示例句]
卡方拟合优度检验结果显示，[变量]的观测分布显著偏离[均等分布/理论比例]，
χ²(4, N = 200) = 12.36, p = .015, w = .25（中效应，Cohen, 1988）。
相关阅读
- 卡方检验怎么写进论文？APA 7th 报告完整写法（含效应量 Cramér's V / φ）
- 卡方检验用 AI 怎么做 — 期望频数/事后多重比较一键完成
- F 值的 APA 7th 报告写法 — F(df1,df2)格式、效应量 eta 平方、报告模板全解
- 统计显著性与 P 值完全指南
本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。