发帖
雷达卡
P值计算器
使用此计算器，可从任意Z分数、T分数、F统计量、相关系数(R)或卡方值计算双尾P值。一旦您获得这些统计量之一(来自出版物甚至其他程序)，P值有助于解读其统计显著性。
请前往我们的官网在线使用该计算器，了解更多关于如何查找P值统计量的信息。
什么是P值？
P值(或概率值)用于假设检验，表示假设原假设(null hypothesis)为真时，您观察到研究结果或更极端结果的概率。P值帮助研究人员避免发表错误，特别是Ⅰ类错误。尽管P值再科学研究中仍被广泛使用，但P值的误用正是所谓“可重复性危机”的核心。
它们以0到1之间的小数形式报告，通常将某个阈值(通常是0.05)视为显著性临界值。此计算器仅使用双尾P值。
P值通常被认为是整个统计学中最常被无解的概念，常被过度简化为“您的结果由偶然性导致的概率”。以下是一些正确解读P值的示例，并将其与几种错误陈述P值结果的方式进行了对比。
如何解读P值？
如果P值小于该临界值，则拒绝原假设。如果P值等于或高于该临界值，则不拒绝原假设。
请记住，在解读P值的显著性时，越小“越好”。P值越接近0，拒绝原假设的证据就越强。
什么是Z分数？
Z分数是衡量一个数据点偏离均值多少个标准差的指标。Z分数依赖于标准正态分布或高斯分布，其均值为0，标准差为1.它主要用于检验大样本的均值间差异。
计算Z分数最常用的公式涉及观测值(X)、假设均值(μ)和假设标准差(σ)：
输入任意Z值即可从Z分数统计量中计算出P值。输入正数或负数的Z分数将得到相同的P值，因为该检验是双侧检验。
什么是T分数？
T分数(或T统计量)用于检验一个样本均值与另一个样本均值或某个理论值之间的差异。
它们经常与Z分数混淆，在样本量较大时，这两种检验会趋同。虽然有很多相似之处，但关键区别在于：Z分数对比例进行标准化并检验差异，而T分数用于检验小样本的均值差异。T统计量公式的基本形式为：
您可以使用计算器中的T分数统计量(以及正确的自由度)计算P值。T值的正负将得到相同的结果，且所有T检验的P值解读方式相似。
什么是F统计量？
F统计量最常用作方差分析的一部分。它们(通常由软件)计算为研究中方差两个组成部分的比值。在ANOVA中，它们用于分析某些潜在预测因子是否对响应变量有影响。
您可以使用计算器中的F统计量(以及正确的自由度)计算P值。只有F的正值才是适用的。使用ANOVA框架来帮助解读F统计量的P值。
什么是r？
Pearson’s r更常被称为相关系数。它量化了两个变量之间相关性的强度以及关系的方向。
R值始终介于-1和1之间，0表示没有相关性证据。完全线性负相关关系为-1(“x增大，y减小”)，而1表示完全正线性相关关系(“x增大，y也增大”)。
相关性的统计检验使用原假设为相关性等于0，这表明无相关性，因此P值小于截断阈值表明有证据显示变量之间存在相关性。
输入-1到1之间的任意r值以及研究的自由度(即n-2)，即可从r计算P值。
什么是卡方？
卡方用于比较分组数据内的计数。两种常见的用途是列联表以及将观测数据与任何给定的期望分布进行比较。
卡方的公式涉及几个步骤，即对比较观测值(O)和期望值(E)的表达式结果求和。
同样有一个卡方计算器，用于比较期望频数和观测频数。您可以选择卡方值(以及正确的自由度)计算P值。只有卡方的正值才是适用的。
P值的局限性
尽管“显著或不显著”的P值阈值非常方便，但由于以下几个原因，它并不总能全面描绘分析的全貌：
- 它们可能难以解读。有时研究的样本量较小，会导致在原假设应被拒绝时，却得出不显著的结果
- P值可以被“篡改”(hacked)，以在实际上不存在显著结果时得出显著结果，从而导致不可重复的研究。其他时候，研究人员会反向进行假设检验，事后让P值来决定假设
- 置信区间给出了一个可能性范围，比P值提供的信息更丰富
- 离群值不会自动被检测到，而在简单图表中则可以被识别
尽管P值在大多数研究中被公认为最终指标，但它并不如设计良好的实验以及对数据中细微差别的敏锐洞察力那样重要。
京公网安备 11010802022788号
