卡方检验（Chi-Square Test）由Pearson提出，它通过比较在给定的可靠度和自由度下卡方统计量与卡方分布函数的概率值，来判断观察概率与期望概率是否一致，进而评估理论概率与实际概率是否一致。用户可以利用SPSS软件执行卡方检验，操作便捷。
在SPSS中进行卡方检验时，默认的零假设H0成立，即观察频数与期望频数无显著差异，意味着两组变量之间无影响，不相关。当检验的p值较高时，认为假设检验通过；而p值较低时，则认为假设检验不通过，表明观察频数与期望频数存在显著差异，两组变量之间存在相关性。
SPSS软件提供的卡方检验结果具有科学性和完整性，但解读较为复杂。下面是对SPSS卡方检验结果的解读示例。
例如，研究某地区疾病发病率与性别是否相关，样本数据如图1所示。在SPSS中，首先打开软件并输入数据，如图2所示。数据中，第一列代表男性，第二列代表女性，第三列代表发病情况，第四列代表未发病情况，第五列是各情况的频数。由于频数即频率，需要对第五列数据进行加权处理，具体操作请参考图3。
图3展示了如何对频数进行加权，选择“情况权重”，并在弹出对话框中设置VAR00003为频率变量。这是进行卡方检验所需的步骤。
加权完成后，进行卡方检验。操作步骤如图4，在分析过程中选择“描述统计”和“交叉表”，将第一列数据设为行，第二列数据设为列，统计时选择卡方，然后点击确定，软件将执行卡方检验。
卡方检验的结果如图5所示，其中案例处理摘要显示了有效和无效数据的数量。VAR00001*VAR00002交叉表显示了与各变量对应的频数，结构与图1相同，用户可在此表中核对数据输入是否正确。
卡方检验的结论是解读的重点。在本例中，两个分类变量形成四个组合，自由度为(2-1) * (2-1) = 1，皮尔逊卡方值为22.475，显著性水平小于0.000且大于0.05，表明存在显著性差异，因此不能接受无关假设。即疾病发病与性别显著相关。
读者可验证以下三个统计量：连续性校正、似然比和ggdhm。在卡方检验中，由于使用离散统计量代替连续统计量，可能导致度数较低时产生偏差，需要校正。但当数据量较多（n>40），且度数都大于5时，无需校正。连续性校正结果适用于4格表。在本例中，由于样本量较大，连续性校正结果与实际值差异不大。似然比的结果与卡方检验相差无几。费希尔精确检验适用于样本量n>40，且可能为期望度数1的情况。这是因为费希尔精确检验源自超几何分布，在样本量较少时，对期望值的估计比皮尔逊卡方检验更优，因此在样本量较少时应参考该值。
温馨提示：答案为网友推荐，仅供参考