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@)