## 12.7 超出 2 x 2 表的分類分析 分類分析也可以應用于應急表，其中每個變量有兩個以上的類別。 例如，讓我們看一下 nhanes 的數據，比較變量 _depressed_，它表示“參與者感到沮喪、沮喪或絕望的自我報告天數”。此變量編碼為`None`、`Several`或`Most`。讓我們測試這個變量是否與 _sleeptrouble_ 變量相關，這個變量報告個人是否向醫生報告了睡眠問題。 ```r # summarize depression as a function of sleep trouble depressedSleepTrouble <- NHANES_adult %>% drop_na(SleepTrouble, Depressed) %>% count(SleepTrouble, Depressed) %>% arrange(SleepTrouble, Depressed) depressedSleepTroubleTable <- depressedSleepTrouble %>% spread(SleepTrouble, n) %>% rename( NoSleepTrouble = No, YesSleepTrouble = Yes ) pander(depressedSleepTroubleTable) ``` <colgroup><col style="width: 16%"> <col style="width: 23%"> <col style="width: 23%"></colgroup> | 沮喪的 | 無阻力 | 是的，可重復 | | --- | --- | --- | | 無 | 2614 個 | 676 個 | | 幾個 | 418 個 | 249 個 | | 大多數 | 138 個 | 145 個 | 簡單地看一下這些數據，我們就可以知道這兩個變量之間可能存在某種關系；特別是，盡管睡眠問題患者的總數比沒有睡眠問題的患者要少很多，但對于大多數時間都處于抑郁狀態的患者來說，睡眠問題患者的數量更大。比沒有的要水。我們可以直接使用卡方檢驗對其進行量化；如果我們的數據框只包含兩個變量，那么我們可以簡單地將數據框作為參數提供給`chisq.test()`函數： ```r # need to remove the column with the label names depressedSleepTroubleTable <- depressedSleepTroubleTable %>% dplyr::select(-Depressed) depressedSleepChisq <- chisq.test(depressedSleepTroubleTable) depressedSleepChisq ``` ```r ## ## Pearson's Chi-squared test ## ## data: depressedSleepTroubleTable ## X-squared = 200, df = 2, p-value <2e-16 ``` 這項測試表明，抑郁和睡眠問題之間有很強的關系。我們還可以計算貝葉斯因子來量化有利于替代假設的證據的強度： ```r # compute bayes factor, using a joint multinomial sampling plan bf <- contingencyTableBF( as.matrix(depressedSleepTroubleTable), sampleType = "jointMulti" ) bf ``` ```r ## Bayes factor analysis ## -------------- ## [1] Non-indep. (a=1) : 1.8e+35 ±0% ## ## Against denominator: ## Null, independence, a = 1 ## --- ## Bayes factor type: BFcontingencyTable, joint multinomial ``` 在這里，我們看到貝葉斯系數非常大，這表明支持抑郁和睡眠問題之間關系的證據非常有力。