Test chi kvadrát (χ2 test)

Test, který se užívá k určení statistické významnosti kvantitativního rozdílu v datech. V rámci korpusové lingvistiky se využívá v analýze klíčových slov a také jako asociační míra pro identifikaci kolokací.

Principem χ2 testu je porovnání frekvence jednotky naměřené v jednom korpusu (observed) s hodnotou očekávanou na základě pravděpodobnosti zjištěné v druhém korpusu (expected). Pokud je rozdíl těchto hodnot velký, je značná pravděpodobnost, že zkoumaný rozdíl není náhodný a vyjadřuje skutečnou odlišnost mezi daty.

Test χ2 se ukazuje jako nespolehlivý v případě, že zkoumané jednotky nabývají malých frekvencí (menší než 5); z toho důvodu se užívá analogických testů log-likelihood nebo Fischerova exaktního testu.

χ2 test přitom neslouží k určení míry odlišnosti, relevance (effect size), měří pouze, zda je k dispozici dostatek dat, abychom významnost rozdílu mohli konstatovat s určitou mírou jistoty. V případě, že poměřované hodnoty jsou velmi vysoké (např. v řádu desetitisíců), vycházejí testy téměř vždy jako statisticky signifikantní, ačkoli relativní rozdíl mezi hodnotami není lingvisticky relevantní, uchopitelný nebo interpretovatelný.

Principiálně se užití χ2 testu pro identifikaci kolokací neliší od využití předchozího. Stejným vzorcem se v tomto případě nepoměřují dva různé texty/korpusy, ale frekvence kolokátů v okolí hledaného KWICu s frekvencí těchto slov v celém korpusu. Je-li relativní frekvence v okolí hledaného slova (node word) signifikantně větší než v celém korpusu, pak je takové slovo označeno jako kolokát.