简单来说,两者的值只是告诉看数据的人这个统计的可信度,而不是通过其统计结果计算出来的,相应的数据是在原有预测、之前统计等多种数据的基础上产生的.卡方是指和自己预期结果的相差度,P是指这个统计中偶然性的概率,因为样本不可能是无穷大的.详细见下：

　　1,P值指的是该统计的统计学意义,

　　结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法.专业上,p值为结果可信程度的一个递减指标,p值越大,我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标.p值是将观察结果认为有效即具有总体代表性的犯错概率.如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的.即假设总体中任意变量间均无关联,我们重复类似实验,会发现约20个实验中有一个实验,我们所研究的变量关联将等于或强于我们的实验结果.（这并不是说如果变量间存在关联,我们可得到5%或95%次数的相同结果,当总体中的变量存在关联,重复研究和发现关联的可能性与设计的统计学效力有关.）在许多研究领域,0.05的p值通常被认为是可接受错误的边界水平.

　　2,χ2方是卡方检验结果的最终结果,称卡方值,其表示观察值与理论值之问的偏离程度.计算这种偏离程度的基本思路如下.

　　(1)设A代表某个类别的观察频数,E代表基于H0计算出的期望频数,A与E之差称为残差.

　　(2)显然,残差可以表示某一个类别观察值和理论值的偏离程度,但如果将残差简单相加以表示各类别观察频数与期望频数的差别,则有一定的不足之处.因为残差有正有负,相加后会彼此抵消,总和仍然为0,为此可以将残差平方后求和.

　　(3)另一方面,残差大小是一个相对的概念,相对于期望频数为10时,期望频数为20的残差非常大,但相对于期望频数为1000时20的残差就很小了.考虑到这一点,人们又将残差平方除以期望频数再求和,以估计观察频数与期望频数的差别.

　　进行上述操作之后,就得到了常用的χ2统计量,由于它最初是由英国统计学家KarlPearson在1900年首次提出的,因此也称之为Pearsonχ2,其计算公式为(i=1,2,3,…,k)

　　其中,Ai为i水平的观察频数,Ei为i水平的期望频数,n为总频数,pi为i水平的期望频率.i水平的期望频数Ti等于总频数n×i水平的期望概率pi,k为单元格数.当n比较大时,χ2统计量近似服从k-1(计算Ei时用到的参数个数)个自由度的卡方分布.

　　由卡方的计算公式可知,当观察频数与期望频数完全一致时,χ2值为0；观察频数与期望频数越接近,两者之间的差异越小,χ2值越小；反之,观察频数与期望频数差别越大,两者之间的差异越大,χ2值越大.因此,χ2是观察频数与期望频数之间距离的一种度量指标,也是假设成立与否的度量指标.如果χ2值“小”,研究者就倾向于不拒绝H0；如果χ2值大,就倾向于拒绝H0.至于χ2在每个具体研究中究竟要大到什么程度才能拒绝H0,则要借助于卡方分布求出所对应的P值来确定.

　　那这个图里面的，卡方和p值是通过和原有期望值比较得出的？

　　卡方是和原有期望比较得出的差距，P值有一点武断性的推断，认为该研究是没有偶然性的。

　　那么它这个表格中原有的期望值是多少··怎么算的····