|
·概述· 每个人都知道可以使用P值来确定假设检验中的统计显着性。它是一个很重要的概念，但P值又是一个滑溜的概念，人们通常会错误地解释它。在这篇文章中，我将通过一个具体的例子帮助您理解P值。 01 从样本t检验获得P值 假如现在您希望确定一种新的汽油添加剂对汽油英里数是否有影响。如果此特定级别汽车的已知汽油英里数为 25 英里每加仑 (mpg)，则此研究的假设为 H0：μ = 25 和 HA：μ ≠ 25。 您检验 35 辆车，发现在这些车中每加仑汽油跑的英里数介于 14.4 到 28.8 之间。在将数据放到 MPG 列中之后，执行 Minitab 的 t 检验（菜单命令统计 > 基本统计 > 单样本 t）并获得以下结果： 02 解释P值 结果显示，35 辆汽车样本的均值为 23.657。但是，这种类型的所有汽车的每加仑英里数的均值 (μ) 可能仍为 25。您希望了解是否有充足的样本证据来否定 H0。最常见的方法是比较 p 值与显著性水平 α (alpha)。α 是当 H0 为真时否定 H0 的概率。在此例中，这就是得出总体均值不是 25 mpg（而实际上是）的结论的概率。 p 值用来对照 H0 度量数据证据的强度。通常，p 值越小，否定 H0 的样本证据越强大。更具体地说，p 值是导致否定 H0 的最小 α 值。对于任何大于 p 值的 α 值，将无法否定 H0，而对于任何 p 值的 α 值，可否定 H0。 在我们的 t 检验示例中，检验统计量是均值的函数，p 值是 0.026。这表示 2.6% 的数量为 35 的样本（从 μ = 25 的总体中抽取）所生成的均值将与 μ 不等于 25 的当前样本提供相同强度（或更强）的证据。询问自己下面哪种情况可能性更大：μ = 25 而且您恰好刚刚选择一个非常罕见的样本；还是 μ 不等于 25？ 在以前，根据研究的领域，会将 p 值与小于 0.05 或 0.01 的 α 值进行比较。请在与您的领域相对应的杂志主题中查找可接受的值。 在我们的示例中，让我们假定 α 值为 0.05。p 值为 0.026 表示所有此类型汽车的每加仑英里数均值（不仅仅是该研究中 35 辆汽车的均值）可能不等于 25。统计学上更正确的说法是“在 0.05 的显著性水平下，每加仑英里数均值似乎显著不同于 25。 因此，如果您知道以下两个关键事实，则 p 值的使用会非常简单：您的领域中可接受的 α 值，要使用的检验的原假设和备择假设。 |
|
|
