我对 p 值的概念感到困惑。一般来说，如果 p 值大于 alpha（通常为 0.05），我们就无法拒绝原假设；如果 p 值小于 alpha，我们就拒绝原假设。据我了解，如果 p 值大于 alpha，则两组之间的差异只是来自采样误差或偶然。到目前为止，一切都很好。但是，如果 p 值小于 alpha，则结果为具有统计显着性，我本来以为是统计上不显着（因为，如果 p 值小于 alpha，我们拒绝原假设）。
基本上，如果结果具有统计显着性，则拒绝原假设。但是，如果一个假设具有统计显着性，如何才能拒绝它呢？从“统计上显着”这个词来看，我理解结果是好的。
您误解了 p 值的显着性含义。
我将尝试在下面解释：
让我们假设对两个总体均值相等的检验。我们将执行 t 检验，通过从每个总体中抽取一个样本并计算 p 值来检验这一点。
原假设和替代假设：
H0: m1 - m2 = 0
H1: m1 - m2 != 0
这是一个双尾测试（尽管对此并不重要）。
假设您得到的 p 值为0.01你的 alpha 值为 0.05。 p 值是从两个总体（m1 和 m2）中抽样时均值相等的概率。这意味着均值相等的概率为 1%，换句话说，100 个样本对中只有 1 个样本对的均值差为 0。
两种均值相等的概率如此之低，使我们有信心（使我们确信）总体的均值不相等，因此我们认为结果具有统计显着性。
让我们认为结果具有显着性的阈值是多少？这是由显着性水平 (a) 决定的，在本例中为 5%。
p 值小于显着性水平使我们认为结果显着，因此我们确信可以拒绝原假设，因为原假设为真的概率非常低。
我希望现在这是有道理的！
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
