•概述•
每個人都知道可以使用p值來確定假設檢驗中的統計顯著性。它是乙個很重要的概念，但p值又是乙個滑溜的概念，人們通常會錯誤地解釋它。在這篇文章中，我將通過乙個具體的例子幫助您理解p值。
一、從樣本t檢驗獲得p值
假如現在您希望確定一種新的汽油新增劑對汽油英里數是否有影響。如果此特定級別汽車的已知汽油英里數為 25 英里每加侖 (mpg)，則此研究的假設為 h0：μ = 25 和 ha：μ ≠ 25。
您檢驗 35 輛車，發現在這些車中每加侖汽油跑的英里數介於 14.4 到 28.8 之間。在將資料放到 mpg 列中之後，執行 minitab 的 t 檢驗（選單命令統計 > 基本統計 > 單樣本 t）並獲得以下結果：
二、解釋p值
結果顯示，35 輛汽車樣本的均值為 23.657。但是，這種型別的所有汽車的每加侖英里數的均值 (μ) 可能仍為 25。您希望了解是否有充足的樣本證據來否定 h0。最常見的方法是比較 p 值與顯著性水平 α (alpha)。α 是當 h0 為真時否定 h0 的概率。在此例中，這就是得出總體均值不是 25 mpg（而實際上是）的結論的概率。
p 值用來對照 h0 度量資料證據的強度。通常，p 值越小，否定 h0 的樣本證據越強大。更具體地說，p 值是導致否定 h0 的最小 α 值。對於任何大於 p 值的 α 值，將無法否定 h0，而對於任何 小於等於p 值的 α 值，可否定 h0。
在我們的 t 檢驗示例中，檢驗統計量是均值的函式，p 值是 0.026。這表示 2.6% 的數量為 35 的樣本（從 μ = 25 的總體中抽取）所生成的均值將與 μ 不等於 25 的當前樣本提供相同強度（或更強）的證據。詢問自己下面哪種情況可能性更大：μ = 25 而且您恰好剛剛選擇乙個非常罕見的樣本；還是 μ 不等於 25？
在以前，根據研究的領域，會將 p 值與小於 0.05 或 0.01 的 α 值進行比較。請在與您的領域相對應的雜誌主題中查詢可接受的值。
在我們的示例中，讓我們假定 α 值為 0.05。p 值為 0.026 表示所有此型別汽車的每加侖英里數均值（不僅僅是該研究中 35 輛汽車的均值）可能不等於 25。統計學上更正確的說法是「在 0.05 的顯著性水平下，每加侖英里數均值似乎顯著不同於 25。
因此，如果您知道以下兩個關鍵事實，則 p 值的使用會非常簡單：您的領域中可接受的 α 值，要使用的檢驗的原假設和備擇假設。
什麼是假設檢驗？
目錄 假設檢驗原理 置信區間 反證法小概率思想 假設檢驗步驟 假設檢驗的意義 在引數估計的區間估計中，我們提到置信區間的概念，有提到置信區間最主要的應用是用於假設檢驗。詳情請見 什麼是引數估計 那什麼是假設檢驗？假設檢驗 test of bypothesis 是統計推斷的乙個重要內容，用於判斷某個假...
假設檢驗 使用p值來接受或拒絕你的假設
作者 guest 編譯 vk analytics vidhya 檢驗是統計學中最基本的概念之一。不僅在資料科學中，假設檢驗在各個領域都很重要。想知道怎麼做？讓我們舉個例子。現在有乙個lifebuoy沐浴露。沐浴露廠商聲稱，它殺死99.9 的細菌。他們怎麼能這麼說呢？必須有一種測試技術來證明這種說法是...
《統計學》筆記 第8章 假設檢驗
引數估計 parameter estimation 引數估計討論的是用樣本統計量你估計總體引數的方法，總體引數 在估計前未知的。假設檢驗 hypothesis testing 在假設檢驗中，是先對 的值提出乙個假設，然後利用樣本資訊去檢驗這個假設是否成立。批 假設檢驗的基本思想是基於概率的反證法。根...