高等数学 / 系统课时

p值

p值

p 值把样本结果转化为一个可比较的尾部概率,用来衡量数据与原假设的相容程度。本课将从检验统计量出发,说明单侧与双侧 p 值的计算逻辑、决策规则以及最容易出现的解释错误。

学习目标

  • 说明 p 值在原假设成立条件下表示什么
  • 根据检验方向确定尾部区域,并使用 p 值完成决策
  • 避免把 p 值误解为原假设为真的概率或效应大小

p值回答什么问题

p 值是在原假设 H0H_0 成立的前提下,观察到当前检验统计量或更极端结果的概率。这里包含两个关键条件:先假定 H0H_0 成立,再按照备择假设规定的方向判断“更极端”。

p 值越小,说明当前数据在 H0H_0 成立时越少见,因此反对 H0H_0 的证据越强。p 值较大只表示数据与 H0H_0 并不明显冲突,不能据此证明 H0H_0 正确。

从检验统计量到尾部概率

设观测到的检验统计量为 tobst_{obs}。右侧检验的 p 值是右尾概率:

p=P(T≥tobs∣H0)p=P(T\ge t_{obs}\mid H_0)

左侧检验使用左尾概率;双侧检验则累计与观测结果同样或更加偏离原假设的两侧区域。对称分布下,双侧 p 值常写成较小单侧尾部概率的两倍,但不能对所有非对称统计量机械套用。

单侧与双侧p值的尾部区域

尾部方向由备择假设决定,而不是看到样本结果后再选择。先看数据再挑选更有利的单侧方向,会使实际第一类错误概率高于预设水平。

p值的决策规则

显著性水平 α 必须在查看结果前确定。得到 p 值后按同一规则决策:

  • 当 p≤αp\le α 时,拒绝 H0H_0
  • 当 p>αp>α 时,不拒绝 H0H_0

p 值本身提供证据强弱,α 提供决策阈值。因此,同一个 p 值在不同 α 下可能得到不同结论。例如 p=0.03 在 α=0.05 时显著,在 α=0.01 时不显著。

主示例:均值的右侧检验

某灌装设备过去的平均装量为 100 克。抽取 36 件产品,得到样本均值 102 克,已知总体标准差为 6 克。检验:

H0:μ=100,H1:μ>100H_0:\mu=100,\quad H_1:\mu>100

标准误为 6/36=16/\sqrt{36}=1,因此检验统计量为:

z=102−1001=2z=\frac{102-100}{1}=2

在标准正态分布下,右尾概率约为:

p=P(Z≥2)≈0.0228p=P(Z\ge2)\approx0.0228

若预先设定 α=0.05,则 0.0228<0.050.0228<0.05,拒绝 H0H_0,认为平均装量有增大的统计证据。若 α=0.01,则不拒绝 H0H_0。结论改变的原因是决策标准不同,而不是 p 值发生变化。

正确解释与常见边界

p=0.0228 不表示“H0H_0 为真的概率是 2.28%”,也不表示重复实验有 97.72% 的概率得到相同结论。经典假设检验把 H0H_0 当作条件,并没有为假设本身直接赋予概率。

p 值也不衡量差异是否重要。样本量很大时,极小但缺乏实际意义的差异也可能得到很小的 p 值;样本量不足时,重要差异又可能不显著。报告结果时应同时给出效应大小、置信区间、样本量和预设 α。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

p值

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通