您可以使用 Fisher 精确检验，该检验输入列联表并输出 p 值，零假设为优势比为 1，备择假设为优势比不等于 1。

(tab <- matrix(c(38, 25, 162, 75), nrow=2))
#      [,1] [,2]
# [1,]   38  162
# [2,]   25   75
fisher.test(tab)
# 
#   Fisher's Exact Test for Count Data
# 
# data:  tab
# p-value = 0.2329
# alternative hypothesis: true odds ratio is not equal to 1
# 95 percent confidence interval:
#  0.3827433 1.3116294
# sample estimates:
# odds ratio 
#  0.7045301 

在这种情况下，p 值为 0.23。

另一种方法（Fisher 精确检验除外）是将值放入二项式 GLM：

d <- data.frame(g=factor(1:2),
                s=c(25,75),
                f=c(38,162))
g <- glm(s/(s+f)~g,weights=s+f,data=d,
    family="binomial")
coef(summary(g))["g2",c("Estimate","Pr(>|z|)")]
##   Estimate   Pr(>|z|) 
## -0.3513979  0.2303337 

值稍微准确一些），请执行$p$

anova(g,test="Chisq")

这使

##      Df Deviance Resid. Df Resid. Dev Pr(>Chi)
## NULL                     1     1.4178         
## g     1   1.4178         0     0.0000   0.2338

（在这种情况下，LRT Wald Fisher因为样本相当大）$p=0.2338 \approx$$p=0.2303337 \approx$$p=0.2329$

最好对解决方案进行泛化，并使用逻辑模型等统计模型中LR 检验提供了相当准确的值。这也可以处理需要测试多个参数的情况，例如 3 组问题、非线性的连续效应等。整个模型的 LR 测试（这是本示例中所需的全部，因为没有调整变量）可以很容易地在基础 R 中或使用包中获得，例如$\chi^2$$P$rms

f <- lrm(y ~ groups, weights=freqs)
f  # prints LR chi-sq, d.f., P, many other quantities

这里的嵌套模型是这个模型和一个仅拦截模型。