카이제곱검정

범주형 변수

# 필요한 라이브러리 import
import pandas as pd
import scipy.stats as stats

# 허위매물여부에 따른 다른 범주형 변수들과의 카이제곱 검정 수행
categorical_features = ['제공플랫폼', '주차가능여부', '방향', '매물확인방식']

def perform_chi_square_test_with_false_listing(train, feature):
    """허위매물여부와 특정 범주형 변수 간의 관계를 카이제곱 검정을 통해 분석"""

    # 허위매물여부 vs 특정 컬럼의 분할표 생성
    contingency_table = pd.crosstab(train['허위매물여부'], train[feature])

    # 카이제곱 검정 수행
    chi2_stat, p_value, dof, expected = stats.chi2_contingency(contingency_table)

    print(f"\n📌 카이제곱 검정 결과: 허위매물여부 vs {feature}")
    print(f"Chi-square Statistic: {chi2_stat:.4f}")
    print(f"P-value: {p_value:.4f}")
    print(f"Degrees of Freedom: {dof}")

    # 유의성 해석
    alpha = 0.05
    if p_value < alpha:
        print(f"✅ 귀무가설 기각! '{feature}' 변수와 허위매물여부 간의 관계가 유의미함.")
    else:
        print(f"❌ 귀무가설 채택! '{feature}' 변수와 허위매물여부 간의 관계가 유의미하지 않음.")

# 🔹 허위매물 여부에 따른 카이제곱 검정 실행
for feature in categorical_features:
    perform_chi_square_test_with_false_listing(train, feature)

'''
📌 카이제곱 검정 결과: 허위매물여부 vs 제공플랫폼
Chi-square Statistic: 19.9206
P-value: 0.0686
Degrees of Freedom: 12
❌ 귀무가설 채택! '제공플랫폼' 변수와 허위매물여부 간의 관계가 유의미하지 않음.

📌 카이제곱 검정 결과: 허위매물여부 vs 주차가능여부
Chi-square Statistic: 37.9538
P-value: 0.0000
Degrees of Freedom: 1
✅ 귀무가설 기각! '주차가능여부' 변수와 허위매물여부 간의 관계가 유의미함.

📌 카이제곱 검정 결과: 허위매물여부 vs 방향
Chi-square Statistic: 125.7040
P-value: 0.0000
Degrees of Freedom: 7
✅ 귀무가설 기각! '방향' 변수와 허위매물여부 간의 관계가 유의미함.

📌 카이제곱 검정 결과: 허위매물여부 vs 매물확인방식
Chi-square Statistic: 5.2510
P-value: 0.0724
Degrees of Freedom: 2
❌ 귀무가설 채택! '매물확인방식' 변수와 허위매물여부 간의 관계가 유의미하지 않음.
'''

 

연속형 변수

import pandas as pd
import scipy.stats as stats
import numpy as np

# 🔹 연속형 변수를 범주형으로 변환 (qcut을 사용하여 자동 분할)
def bin_numerical_feature(df, feature, bins=5):
    """연속형 변수를 카이제곱 검정을 위한 범주형으로 변환"""
    df[feature + '_bin'] = pd.qcut(df[feature], bins, duplicates='drop')
    return df

# 🔹 허위매물 여부에 따른 카이제곱 검정 실행
def perform_chi_square_test_with_false_listing(train, feature):
    """허위매물여부와 특정 범주형 변수 간의 관계를 카이제곱 검정을 통해 분석"""

    # 연속형 변수는 binning 후 '_bin' 접미사를 붙여 처리
    if train[feature].dtype != 'object':  
        train = bin_numerical_feature(train, feature)
        feature = feature + '_bin'  # 변환된 범주형 변수를 사용

    # 허위매물여부 vs 특정 컬럼의 분할표 생성
    contingency_table = pd.crosstab(train['허위매물여부'], train[feature])

    # 카이제곱 검정 수행
    chi2_stat, p_value, dof, expected = stats.chi2_contingency(contingency_table)

    print(f"\n📌 카이제곱 검정 결과: 허위매물여부 vs {feature}")
    print(f"Chi-square Statistic: {chi2_stat:.4f}")
    print(f"P-value: {p_value:.10f}")  # 더 정밀한 p-value 출력
    print(f"Degrees of Freedom: {dof}")

    # 유의성 해석
    alpha = 0.05
    if p_value < alpha:
        print(f"✅ 귀무가설 기각! '{feature}' 변수와 허위매물여부 간의 관계가 유의미함.")
    else:
        print(f"❌ 귀무가설 채택! '{feature}' 변수와 허위매물여부 간의 관계가 유의미하지 않음.")

# 🔹 사용할 변수 목록 (연속형 변수는 자동 변환됨)
categorical_features = ['보증금', '월세', '전용면적', '총층']

# 🔹 검정 실행
for feature in categorical_features:
    perform_chi_square_test_with_false_listing(train, feature)

 

'''
📌 카이제곱 검정 결과: 허위매물여부 vs 보증금_bin
Chi-square Statistic: 5.1292
P-value: 0.2742944260
Degrees of Freedom: 4
❌ 귀무가설 채택! '보증금_bin' 변수와 허위매물여부 간의 관계가 유의미하지 않음.

📌 카이제곱 검정 결과: 허위매물여부 vs 월세_bin
Chi-square Statistic: 11.2643
P-value: 0.0237492058
Degrees of Freedom: 4
✅ 귀무가설 기각! '월세_bin' 변수와 허위매물여부 간의 관계가 유의미함.

📌 카이제곱 검정 결과: 허위매물여부 vs 전용면적_bin
Chi-square Statistic: 13.7645
P-value: 0.0080857787
Degrees of Freedom: 4
✅ 귀무가설 기각! '전용면적_bin' 변수와 허위매물여부 간의 관계가 유의미함.

📌 카이제곱 검정 결과: 허위매물여부 vs 총층_bin
Chi-square Statistic: 42.4263
P-value: 0.0000000136
Degrees of Freedom: 4
✅ 귀무가설 기각! '총층_bin' 변수와 허위매물여부 간의 관계가 유의미함.
'''