P值(P value)就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值很小,说明原假设情况的发生的概率很小,而如果出现了,根据小概率原理,我们就有理由拒绝原假设,P值越小,我们拒绝原假设的理由越充分。
总之,P值越小,表明结果越显著。但是检验的结果究竟是“显著的”、“中度显著的”还是“高度显著的”需要我们自己根据P值的大小和实际问题来解决。
计算:
为理解P值的计算过程,用Z表示检验的统计量,ZC表示根据样本数据计算得到的检验统计量值。
1、左侧检验
P值是当
时,检验统计量小于或等于根据实际观测样本数据计算得到的检验统计量值的概率,即p值
2、右侧检验
P值是当μ=μ0时,检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量值的概率,即p值
3、双侧检验
P值是当μ=μ0时,检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量值的概率,即p值
扩展资料
美国统计协会公布了P值使用的几大准则:
准则1:P值可以表达的是数据与一个给定模型不匹配的程度
这条准则的意思是说,我们通常会设立一个假设的模型,称为“原假设”,然后在这个模型下观察数据在多大程度上与原假设背道而驰。P值越小,说明数据与模型之间越不匹配。
准则2:P值并不能衡量某条假设为真的概率,或是数据仅由随机因素产生的概率。
这条准则表明,尽管研究者们在很多情况下都希望计算出某假设为真的概率,但P值的作用并不是这个。P值只解释数据与假设之间的关系,它并不解释假设本身。
准则3:科学结论、商业决策或政策制定不应该仅依赖于P值是否超过一个给定的阈值。
这一条给出了对决策制定的建议:成功的决策取决于很多方面,包括实验的设计,测量的质量,外部的信息和证据,假设的合理性等等。仅仅看P值是否小于0.05是非常具有误导性的。
准则4:合理的推断过程需要完整的报告和透明度。
这条准则强调,在给出统计分析的结果时,不能有选择地给出P值和相关分析。举个例子来说,某项研究可能使用了好几种分析的方法。
而研究者只报告P值最小的那项,这就会使得P值无法进行解释。相应地,声明建议研究者应该给出研究过程中检验过的假设的数量,所有使用过的方法和相应的P值等。
准则5:P值或统计显著性并不衡量影响的大小或结果的重要性。
这句话说明,统计的显著性并不代表科学上的重要性。一个经常会看到的现象是,无论某个效应的影响有多小,当样本量足够大或测量精度足够高时,P值通常都会很小。反之,一些重大的影响如果样本量不够多或测量精度不够高,其P值也可能很大。
准则6:P值就其本身而言,并不是一个非常好的对模型或假设所含证据大小的衡量。
简而言之,数据分析不能仅仅计算P值,而应该探索其他更贴近数据的模型。
声明之后还列举出了一些其他的能对P值进行补充的分析方手段,比如置信区间,贝叶斯方法,似然比,FDR(False Discovery Rate)等等。这些方法都依赖于一些其他的假定,但在一些特定的问题中会比P值更为直接地回答诸如“哪个假定更为正确”这样的问题。
声明最后给出了对统计实践者的一些建议:好的科学实践包括方方面面,如好的设计和实施,数值上和图形上对数据进行汇总,对研究中现象的理解,对结果的解释,完整的报告等等——科学的世界里,不存在哪个单一的指标能替代科学的思维方式。
参考资料来源:百度百科-P值
显著性水平与P值的关系:
1、表示含义不同:
(1)显著性水平是假设检验中的一个概念,是指当原假设为正确时人们却把它拒绝了的概率或风险。
(2)P值即概率,反映某一事件发生的可能性大小,实际上,P值不能赋予数据任何重要性,只能说明某事件发生的几率。
2、取值含义不同:
(1)显著性水平是公认的小概率事件的概率值,必须在每一次统计检验之前确定,通常取α=0.05或α=0.01,这表明,当作出接受原假设的决定时,其正确的可能性(概率)为95%或99%。
(2)统计学根据显著性检验方法所得到的P 值,一般以P <0.05 为有统计学差异, P<0.01 为有显著统计学差异,P<0.001为有极其显著的统计学差异,其含义是样本间的差异由抽样误差所致的概率小于0.05 、0.01、0.001。
显著性分析的SPSS应用:
1、SPSS做相关分析显著性都为0,其实是小于0.001,就是非常小的数字,点击查看可以看出具体的数字,说明显著性较好。
2、显著性表示的两个变量之间的显著性差异,数值越大,表示显著性越大,反之,表示两者之间存在较强的交互作用。
统计学上的P值的含义通俗首先解释下“有统计学意义”和“显著差异” 两个概念:
”有统计学意义"和"差异显著"是两个不同的概念,"差异显著"易给人一种误导,
原来两概念在统计学中经常有点通用,现在明确地只能用“有统计学意义”。
P<0.05是指假设H0(即两总体没区别)成立的可能性概率在5%以下,
a就是允许犯Ⅰ类错误(拒绝了正确的无效假设H0)的概率,
一般在做假设检验之前先定好,
如果a=0.05,表示允许犯Ⅰ类错误的概率为0.05,所以当P<0.05时,
说明在a=0.05允许的范围内,认为两总体是有差异的,
即两总体差异有统计学意义(指在a=0.05的统计学参数情况下);
如果此时P=0.04,而先设定a=0.01,则认为两总体差异无统计学意义
(指在a=0.01的统计学参数情况下),虽然两总体没变,两总体差异也没变;
所以 ”有统计学意义"并不等同于"差异显著" ,举个例子:两组数:
A组:3, 3.05, 3.01, 3.04, 2.95
B组:3.2, 3.1, 3.15, 3.14, 3.12
两组数差异(均数)并不大,但P<0.001,设定a=0.01或0.05,则认为两总体差异统计学意义。这主要与两组数的标准差有关。
如果写成两总体差异显著,易认为两组数(均数)差别大。
第一类错误与第二类错误 通俗解释:
H0:一个真心爱你的男生
H1:一个不是真心爱你的男生
如果H0实际上成立,而你凭经验拒绝了H0,也就是说,
你拒绝了一个你认为不爱你而实际上真心爱你的男生,那么你就犯了第Ⅰ类错误;
如果H0实际上不成立,而你接受了H0,同样的道理,
你接受了一个你感觉爱你而实际上并不爱你的男生,那么你就犯了第Ⅱ类错误。
如果要同时减小犯第Ⅰ类错误和第Ⅱ类错误的概率,那就只能增加恋爱的次数n,
比如一个经历过n=100次恋爱的女生,第101次恋爱犯第Ⅰ类错误和第Ⅱ类错误的概率就会小很多了。
统计学上把保守的、传统的观点作为原假设H0, 新颖的、感兴趣的、想去论证的观点作为备择假设H1
统计学P值与显著性水平之间的比较:
就好比一个犯罪嫌疑人 在没有确凿的证据前都只能以他无罪为原假设
因为一个人无罪判他有罪 比 有罪判无罪 的后果严重的多 大家都不愿被冤枉
所以推广开来 你想证明一班的成绩比二班好 原假设就设为一班二班成绩相同,
其中出现的个别成绩有差异,是由于抽样误差所造成的,纯在偶然性;
备择假设就设为一班比二班成绩好,其中样本中出现的一班二班成绩差异不是偶然出现的,
具有高度统计学意义,
因此, 一般把显著性水平设定为0.05,当P值小于0.05时, 我们认为因为偶然性而造成的成绩差异的概率比较小,
因此拒绝原假设,就可以接受一班成绩比二班好的事实;
若P值比0.05大就说明没有足够证据证明一班成绩比二班好,原假设中因为抽样误差而造成的成绩差异的可能性比较高,
保守起见拒绝备择假设 接受原假设。
欢迎分享,转载请注明来源:夏雨云
评论列表(0条)