CHAID是卡方自动交互检测（CHi-squared Automatic InteractionDetection）的缩写，是一种基于调整后的显着性检验（邦费罗尼检验）决策树技术。CHAID可用于预测（类似回归分析，CHAID最初被称为XAID）以及分类，并用于检测变量之间的相互作用。CHAID基于1960和1970年代，一个US AID（自动交互效应检测）和THAID（THETA自动交互检测）程序的扩展。而后者又是早期1950英国研究的扩展。
在实践中，CHAID经常使用在直销的背景下，选择消费者群体，并预测他们的反应，一些变量如何影响其他变量，而其他早期应用是在医学和精神病学的研究领域。
和其他决策树一样，CHAID的优势是它的结果是非常直观的易于理解的。由于默认情况下CHAID采用多路分割，需要相当大的样本量，来有效地开展工作，而小样本??组受访者可以迅速分为太小了的组，而无法可靠的分析。
卡方自动交叉检验（CHAID）是由戈登V.卡斯在1980年创建的技术。CHAID是一个用来发现变量之间关系的工具。CHAID分析构建了一个预测模型，或树，以帮助确定给定因变量，变量如何最好地合来解释结果。CHAID分析，名义，有序和连续数据可以使用，在连续预测类别被分成大致相等的若干观测。CHAID对每个分类预测创建了交叉表，直到达到最好的结果，无法继续分类为止。在CHAID技术中，我们可以直观地看到在树的分割变量和相关因子之间的关系。决策树或分类树的展开，始于确定作为根节点的目标变量或因变量。CHAID分析将目标变量分割成两个或两个以上的类被称为根节点，或者父节点，然后使用统计算法将节点分为子节点。不同于回归分析，CHAID技术并不要求数据是正态分布。
合并：在CHAID分析，如果因变量是连续的，则用F检验，如果因变量是分类变量，使用卡方检验。每对预测分类的评估，以确定最显著差异的因变量。由于这些合并步骤，通过计算修正邦费罗尼p值来合并交叉表。
CHAID决策树的构成：
在CHAID分析中，以下是决策树的要素：
1．根节点：根节点包含因变量或目标变量。例如，CHAID使用于，银行根据年龄，收入，信用卡等，来预测信用卡风险。在这个例子中，信用卡风险是目标变量，其余变量是预测变量。
2．父节点：该算法将目标变量分割成两个或多个分类。这些分类被称为父节点或者初始节点。在银行的例子中，父节点是高，中，低三个分类。
3．子节点：CHAID分析树中独立变量分类低于父节点的分类被称为子节点。
4．终端节点：CHAID分析树最后一个分类被称为终端节点。CHAID分析树中，主要的影响变量排在前面，次要的排在后面。因此，它被称为终端节点。
联系客服
