G-test vs test chi-quadrato di Pearson

Sto testando l'indipendenza in una tabella di contingenzaNon so se il G-test o il test chi-quadrato di Pearson siano migliori. La dimensione del campione è in centinaia ma ci sono alcuni conteggi di celle bassi. Come indicato nella pagina di Wikipedia , l'approssimazione alla distribuzione chi-quadrata è migliore per il test G che per il test chi-quadrato di Pearson. Ma sto usando la simulazione Monte Carlo per calcolare il valore p, quindi c'è qualche differenza tra questi due test?$N \times M$

Sono asintoticamente uguali. Sono solo modi diversi di ottenere la stessa idea. Più specificamente, il test chi-quadrato di Pearson è un test del punteggio, mentre il G-test è un test del rapporto di verosimiglianza. Per avere un'idea più precisa di queste idee, può aiutarti a leggere la mia risposta qui: Perché i miei valori p differiscono tra l'output di regressione logistica, il test chi-quadrato e l'intervallo di confidenza per l'OR? Per rispondere alla tua domanda diretta, se stai calcolando il valore p con la simulazione Monte Carlo, non dovrebbe importare; potresti semplicemente usare quello che è più conveniente per te. Si noti che non vi è alcun problema con conteggi di celle basse, previsto solo (potenzialmente) bassoconta delle cellule; è possibile avere conteggi di cellule basse e conteggi previsti che vanno bene. Inoltre, né i conteggi effettivi bassi né i conteggi attesi bassi contano quando il valore p è determinato dalla simulazione.

(Per quello che vale, probabilmente userò il chi-quadrato di Pearson, perché R ha una funzione conveniente per ciò che include l'opzione di simulare il valore p.)

Dai un'occhiata a Rfast. https://cran.r-project.org/web/packages/Rfast/index.html I comandi rilevanti sono g2Test_univariate (data, dc) g2Test_univariate_perm (data, dc, nperm) I calcoli sono estremamente veloci. E in generale preferisce il test G ^ 2 in quanto il Chi-quadrato è un'approssimazione.

Il test chi-quadro e il test G di solito producono risultati simili. Ma la cosa più importante qui è che devi scegliere uno dei due test e seguirlo, non solo per il tuo test menzionato ma per i test futuri nel corso della tua ricerca. È consigliabile perché se si tenta di utilizzare entrambi i test in modo intercambiabile, è molto probabile che aumenti la possibilità di ottenere falsi positivi.