统计中的P值的统计学意义.pptVIP

P值 cass100@ P值统计学意义 大多数统计分析都是用指明哪些系数在1%、5%或其他适当显著性水平上显著的方式说明统计显著性检验的结果。但是，有的时候用P值（概率值）的形式提供的额外信息也是很有用的。P值是计量经济结果对应的精确的显著性水平。因此，一个0.07的P值说明有关系数在0.07水平上（但不是在5%水平上）统计显著。在正态分布的双侧检验中，这意味着有7%的t分布在均值±1.96倍标准差的区间之外。 要检验的假设一般都是某个回归系数等于0的原假设。因此在系数为0的原假设为真的条件下，P值是得到其系数估计不小于已知估计系数的新样本数据的概率。在原假设为真时，P值越小就越不可能出现这种情况。反过来，较大的P值意味着样本数据支持原假设。 P值度量的是犯第一类错误的概率，即拒绝正确的原假设的概率。P值越大，错误地拒绝原假设的可能性就越大；P值越小，拒绝原假设时就越放心。 p值在统计学中的意义 结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。 如何判定结果具有真实的显著性：在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。 P值的计算公式 P值的计算公式是 =2[1-Φ(z0)] 当被测假设H1为 p不等于p0时； =1-Φ(z0) 当被测假设H1为 p大于p0时； =Φ(z0) 当被测假设H1为 p小于p0时； 其中，Φ(z0)要查表得到。 z0=（x-n*p0）/(根号下（np0(1-p0)）) 最后，当P值小于某个显著参数的时候（常用0.05，标记为α，给你出题那个人，可能混淆了这两个概念）我们就可以否定假设。反之，则不能否定假设。 * * * * *