精确检验

“精确检验”提供了另外两种计算方法，用于计算通过“交叉表”和“非参数检验”过程得到的统计的显著性水平。这两种方法分别是精确方法和 Monte Carlo 方法，当数据不能满足使用标准渐近法得出可靠结果所需的基础假设时，这两种方法为获得准确的结果提供了一种手段。仅当您购买了 SPSS® Statistics Premium Edition 或“精确检验”选项时才可用。

示例。从小数据集或者稀疏或失衡的表中得到的渐近结果可能会使人误解。精确检验可使您在不依赖于那些可能与您的数据不符的假设的情况下，获得准确的显著性水平。例如，某个小城镇中 20 名消防员参加的入职考试的结果显示所有五名白人考生均通过考试，但是黑人、亚洲人和西班牙人考生的结果是混合的。检验“结果独立于种族”的原假设的 Pearson 卡方检验产生 0.07 的渐进显著性水平。这个结果可得出考试结果独立于考生种族这一结论。但是，由于数据仅包含 20 个个案，单元格的期望频率小于 5，所以该结果不可信。Pearson 卡方的精确显著性为 0.04，将得出相反的结论。基于该精确显著性，您可得出考试结果和考生种族相关的结论。这说明了渐近法假设不成立时获得精确结果的重要性。无论数据的大小、分布、松散性或均衡情况如何，精确显著性总是可信的。

统计。渐进显著性。具有置信度或精确显著性的 Monte Carlo 近似值。

• 渐近。基于检验统计的渐近分布的显著性水平。通常小于 0.05 的值被认为是显著的。渐进显著性是基于数据集很大的假设。如果数据集较小或者分布较差，那么它可能不会很好地指示显著性。
• Monte Carlo 估计 (Monte Carlo Estimate). 精确显著性水平的无偏估计，其计算方法是从与观察到的表具有相同维数和行列界限的参考表集中重复地取样。Monte Carlo 法使您不依赖于渐近法所必需的假设就能估计精确的显著性。当数据集太大而无法计算精确的显著性，但数据又不满足渐近法的假设时，此方法最有用。
• 精确 (Exact). 精确地计算观察到的输出或更极端的输出的概率。通常，认为小于 0.05 的显著性水平是显著的，指示行变量和列变量之间存在某种关系。