卡方检验的优点：
一、适用范围广
可用于多种类型的数据分析：
卡方检验适用于分析分类变量数据，可以处理两个或多个分类变量之间的关系。例如，可以用于比较不同治疗方法的效果（如有效 / 无效）、不同人群的特征分布（如性别、年龄组等）以及变量之间的关联性研究（如吸烟与患肺癌的关系）。
对于不同领域的研究，只要数据是分类变量形式，卡方检验都能提供有价值的分析结果。
对数据的分布要求相对较低：
与一些参数检验方法（如 t 检验、方差分析等）相比，卡方检验不要求数据服从特定的分布。这使得它在处理实际数据时更加灵活，尤其是当数据不满足正态分布等假设时，卡方检验仍然可以适用。
二、易于理解和解释
直观的结果表达：
卡方检验的结果通常以卡方值和 p 值的形式呈现。卡方值反映了实际观测值与理论期望值之间的差异程度，p 值则表示在原假设成立的情况下，出现当前差异或更极端差异的概率。
这种结果表达相对直观，即使对于非专业统计人员也比较容易理解。例如，当 p 值小于 0.05 时，可以明确地判断两个变量之间存在显著关联或差异。
能提供明确的关联方向判断：
虽然卡方检验不能像回归分析那样给出具体的关联强度指标（如回归系数），但它可以明确地判断两个分类变量之间是否存在关联，以及关联的方向。例如，通过交叉表分析，可以看出不同类别之间的频数分布情况，从而判断变量之间的关联是正相关还是负相关。
三、可操作性强
计算相对简单：
卡方检验的计算公式并不复杂，主要是通过比较实际观测频数与理论期望频数的差异来计算卡方值。即使手工计算，也可以在一定程度上完成。当然，在实际应用中，通常使用统计软件进行计算，更加方便快捷。
对于一些小型研究或初步分析，研究者可以快速地进行卡方检验，得到初步的结果。
数据收集相对容易：
由于卡方检验适用于分类变量数据，在数据收集过程中，只需要将观察对象按照不同的类别进行分类和计数即可。相比连续变量数据的收集，分类变量数据的收集通常更加容易和直观。
例如，在调查某种疾病的患病情况与危险因素的关系时，可以直接询问研究对象是否具有某些危险因素（如吸烟、饮酒等），并确定其患病状态（患病 / 未患病），然后进行分类计数，即可进行卡方检验。
卡方检验的缺点：
一、对样本量要求较高
小样本可能导致结果不准确：
卡方检验在小样本情况下的稳定性较差，可能会出现结果不准确的情况。当样本量较小时，卡方值容易受到抽样误差的影响，导致 p 值不稳定，从而可能错误地判断两个变量之间的关系。
例如，在一些小规模的研究中，如果使用卡方检验来分析两个变量的关联，可能会因为样本量不足而得出错误的结论。
期望频数的限制：
通常要求每个单元格的期望频数不宜过小，一般认为不能小于 5，最好也不要有太多单元格的期望频数小于 10。如果期望频数过小，可能需要进行数据合并或采用校正的卡方检验方法，但这可能会影响结果的准确性和可靠性。
二、只能判断关联，不能确定因果关系
无法确定变量之间的因果方向：
卡方检验只能判断两个分类变量之间是否存在关联，但不能确定这种关联的因果方向。例如，通过卡方检验发现吸烟与患肺癌之间存在关联，但不能确定是吸烟导致了肺癌，还是肺癌患者更容易吸烟，或者存在其他潜在的因素同时影响了吸烟和肺癌的发生。
要确定变量之间的因果关系，需要进行更深入的研究设计，如实验研究或采用因果推断方法。
不能控制混杂因素的影响：
卡方检验在分析两个变量的关系时，不能控制其他混杂因素的影响。如果存在混杂因素，可能会导致错误地判断两个变量之间的关联。
例如，在研究某种治疗方法与疾病治愈的关系时，如果没有考虑患者的年龄、病情严重程度等混杂因素，可能会得出错误的结论。
三、信息利用不充分
对于有序分类变量的局限性：
虽然卡方检验可以用于有序分类变量（如疾病的严重程度分为轻度、中度、重度），但它没有充分利用变量的有序性信息。卡方检验只是将有序分类变量视为普通的分类变量进行处理，丢失了变量之间的顺序关系。
对于有序分类变量，可能需要采用更适合的方法，如秩和检验、有序逻辑回归等，以充分利用变量的有序性信息，得到更准确的结果。
不能提供具体的关联强度指标：
卡方检验只能判断变量之间是否存在关联，不能提供具体的关联强度指标。例如，在研究两个变量的关系时，不能像相关分析那样给出相关系数，或者像回归分析那样给出回归系数，来表示变量之间的关联强度。
这使得在需要定量评估变量之间关联强度的情况下，卡方检验的作用有限。