我不太确定您的数据是什么样的，或者您的确切问题是什么，但我假设您有一个包含以下标题和类型的表格：

病房（分类）、感染（整数）、病床天数（整数或连续）。

你想知道不同病房的感染率是否有统计学差异？

一种方法是使用泊松模型：

感染 ~ 泊松（病床天数 * 病房感染率）

这可以通过使用具有日志链接功能的 Poisson glm 和偏移量中的病床日日志来实现。在 R 中，代码如下所示：

glm(infections ~ ward + offset(log(patient-bed-days)), family=poisson())

对我来说，在这里使用卡方检验听起来一点也不合适。

我猜你想要做的是：你有不同的病房或治疗或任何其他类型的名义变量（即组）来划分你的数据。对于这些组中的每一个，您都收集了感染计数和患者卧床天数，以计算每个患者卧床天数的感染。知道你想检查组之间的差异，对吧？

如果是这样，根据 Srikant Vadali 帖子中的原因（如果假设方差同质性和也满足可比较的组大小）并且beginner应该添加标签。

如果您正在考虑对这些数据进行泊松或相关回归（以您的结果变量作为比率），请记住为病床天数包括一个偏移项，因为它在技术上成为您计数的“暴露”。

但是，在这种情况下，您可能还需要考虑仅使用感染计数（而不是感染率）作为因变量，并将患者卧床天数作为协变量。我正在研究一个具有类似计数与速率决策的数据集，似乎将因变量转换为速率会导致可变性降低、偏度增加和成比例的标准偏差增大。这使得检测任何显着影响变得更加困难。

还要注意您的数据是零截断还是零膨胀，并进行适当的调整。

从技术纯粹主义者的角度来看，您不能因为“每个病床日的感染率”不是一个连续变量。例如，一个不合理的值永远不会出现在您的数据集中。但是，您可以忽略此技术问题并进行可能适合您的上下文的任何测试。以此类推，收入水平是离散的，但几乎每个人都将它们视为连续的。

顺便说一句，你为什么要做卡方并不完全清楚，但我假设有一些背景背景为什么这对你有意义。