如果您输入的数据有两行和两列，则您必须选择 卡方检验 （有时称为 “同质性卡方检验”） 或“Fisher精确检验”。

卡方和Yates修正

在计算机推出之前的时期内，人们通过手动计算或计算器计算，使用卡方检验来分析列联表。如果相对风险（或优势比）为1.0，则该检验通过计算每个细胞的预期值来进行。然后，其将观察值与预期值之间的差异合并到一个卡方统计量中，从中计算出一个P值。

卡方检验仅仅是一个近似值。. Yates连续性修正 旨在使卡方近似更好，但其过度修正，因此给出的P值太大（过于“保守”）。在大样本量情况下，Yates修正区别很小，且卡方检验运行良好。在小样本量情况下，卡方并不准确，有或无Yates修正。统计学家似乎不同意是否使用Yates修正。Prism给予您选择。

如果观察值与预期值均非常接近（相差不足0.25），则稍微反向进行Yates修正，并在实际上增加卡方值，从而降低P值，而非减少卡方值和增加P值。这种一种罕见情况，仅当相对风险或优势比非常接近1.0时才会发生。如果您要求进行Yates修正，则Prism甚至在此情况下也会进行Yates修正。

Fisher检验。错误问题的完全正确答案是什么？

顾名思义，Fisher的精确检验总是可以给出一个精确P值，且在小样本量的情况下性能良好。Fisher检验（不同于卡方检验）非常难以通过手动方式进行计算，但依然采用计算机计算得到。大多数统计学书籍建议用该检验来代替卡方检验。如果您选择Fisher检验，但您的数值很大，则Prism将超控您的选择，并计算卡方检验作为代替，其中，卡方检验在数值很大的情况下非常准确。

顾名思义，不论您使用的样本量如何，Fisher的精确检验均会给出一个完全正确的答案。但某些统计学家得到结论，Fisher检验给出了错误问题的准确答案，因此其结果也近似于您的确想要的答案。问题是Fisher检验的依据是假设行和列总数均由实验确定。事实上，行总数（而非列总数）由前瞻性研究或实验设计确定，列总数（而非行总数）由回溯性病例对照研究设计确定，在实况实验中，只有总体N（而非行或列总数）是固定的。Ludbrook（1）指出，Fisher将其精确检验设计成能够分析独特的实验，而该实验设计极其罕见。

由于您的研究设计的设计与Fisher检验的约束相匹配的可能性极低，因此您可以质疑通过Fisher检验产生的确切P值是否已在实际上回答您所知道的问题。

如果您输入庞大的数字（总和大于1,000,000），即使您选择Fisher检验，Prism也将会执行卡方检验。

Fisher检验的一种替代方案是 Barnard检验。Fisher检验据说在行和列总数中是“有条件的”，而Barnard检验则不是。Mehta和Senchaudhuri解释了差异以及为什么Barnard检验的检验力更高（2）。Berger将该检验修改成一个更容易计算但检验力更高的检验。Ludbrook讨论了适用于普通实验设计的其他精确方法（1）。

此时，我们并不打算在Prism中实施Bernard或Berger的检验，或者Ludbrook（1）提到的精确检验。显然，似乎并无任何共识认为首选这些检验。但如果您想要在Prism的未来版本中看到这些检验，请告知我们。此处所示是一个用于执行Berger检验的在线计算器。

参考文献

1.Ludbrook，J.（2008）。2x2频率表分析：匹配检验与实验设计。《国际流行病学杂志》，37，1430 - 1435。

 

2.Mehta，C.R.和Senchaudhur，P.，比较两个二项式的有条件与无条件精确检验。http://www.cytel.com/Papers/twobinomials.pdf