研究背景
某手机品牌推出新配色后，市场部随机调查了200名消费者，记录性别（男/女）和对新配色的态度（喜欢/不喜欢），想判断产品偏好是否存在性别差异。
研究问题
消费者对新配色的偏好是否与性别有关？
数据说明
200名消费者的分类数据。每个单元格期望频数均≥5，满足卡方检验要求。
示例数据
男, 女
分析步骤
步骤 1：构建列联表
将数据整理为 2×2 列联表：行=态度（喜欢/不喜欢），列=性别（男/女）。计算每个单元格的观测频数和期望频数。
提示：期望频数 = 行合计×列合计/总合计。每个单元格期望频数应≥5。
步骤 2：计算卡方统计量
χ² = Σ(观测-期望)²/期望。本案例 χ²=10.49, df=1, p=0.0012 < 0.05，拒绝独立性假设。
步骤 3：解读关联强度
Cramér's V = 0.23，属于小到中等关联。男性喜欢新配色的比例（65%）显著高于女性（45%）。
结果解读
结论
卡方独立性检验显示，性别与产品偏好存在统计学显著关联，χ²(1)=10.49, p=0.001。男性中喜欢新配色的比例（65%）高于女性（45%），Cramér's V=0.23。
为什么这样解读？
具有统计学意义只说明"有关联"，不说明因果方向。也不能说"性别导致偏好差异"——可能是社会文化因素、审美差异等中介变量。实际决策时还需结合效应量判断关联强度是否有商业意义。
如何在论文中报告
采用卡方独立性检验分析性别与产品偏好的关系（α=0.05）。结果显示，性别与新配色偏好存在统计学显著关联，χ²(1, N=200)=10.49, p=0.001, Cramér's V=0.23。男性中喜欢新配色的比例（65%）高于女性（45%）。这表明新配色的市场策略可能需要考虑性别差异。
常见错误
期望频数<5仍用卡方检验
期望频数<5时卡方近似不可靠。应合并类别或使用 Fisher 精确检验。
把关联当因果
卡方检验只说明两变量有关联，不能推断因果方向。"性别导致偏好"和"偏好与性别有关"是完全不同的表述。
只看p值不看效应量
大样本下很小的关联也会显著。必须报告 Cramér's V 判断关联强度是否有实际意义。