P值如何计算 统计学中的P值应该怎么计算
\u5982\u4f55\u8ba1\u7b97\u7edf\u8ba1\u5b66\u4e2d\u7684P\u503c\uff1f\uff08200\u5206\uff09P\u503c\u5373\u4e3a\u62d2\u7edd\u57df\u7684\u9762\u79ef\u6216\u6982\u7387\u3002
P\u503c\u7684\u8ba1\u7b97\u516c\u5f0f\u662f
=2[1-\u03a6(z0)] \u5f53\u88ab\u6d4b\u5047\u8bbeH1\u4e3a p\u4e0d\u7b49\u4e8ep0\u65f6\uff1b
=1-\u03a6(z0) \u5f53\u88ab\u6d4b\u5047\u8bbeH1\u4e3a p\u5927\u4e8ep0\u65f6\uff1b
=\u03a6(z0) \u5f53\u88ab\u6d4b\u5047\u8bbeH1\u4e3a p\u5c0f\u4e8ep0\u65f6\uff1b
\u603b\u4e4b\uff0cP\u503c\u8d8a\u5c0f\uff0c\u8868\u660e\u7ed3\u679c\u8d8a\u663e\u8457\u3002\u4f46\u662f\u68c0\u9a8c\u7684\u7ed3\u679c\u7a76\u7adf\u662f\u201c\u663e\u8457\u7684\u201d\u3001\u201c\u4e2d\u5ea6\u663e\u8457\u7684\u201d\u8fd8\u662f\u201c\u9ad8\u5ea6\u663e\u8457\u7684\u201d\u9700\u8981\u6211\u4eec\u81ea\u5df1\u6839\u636eP\u503c\u7684\u5927\u5c0f\u548c\u5b9e\u9645\u95ee\u9898\u6765\u89e3\u51b3\u3002
\u6269\u5c55\u8d44\u6599\uff1a
\u7528Z\u8868\u793a\u68c0\u9a8c\u7684\u7edf\u8ba1\u91cf\uff0cZC\u8868\u793a\u6839\u636e\u6837\u672c\u6570\u636e\u8ba1\u7b97\u5f97\u5230\u7684\u68c0\u9a8c\u7edf\u8ba1\u91cf\u503c\u3002
1\u3001\u5de6\u4fa7\u68c0\u9a8c
P\u503c\u662f\u5f53 \u65f6\uff0c\u68c0\u9a8c\u7edf\u8ba1\u91cf\u5c0f\u4e8e\u6216\u7b49\u4e8e\u6839\u636e\u5b9e\u9645\u89c2\u6d4b\u6837\u672c\u6570\u636e\u8ba1\u7b97\u5f97\u5230\u7684\u68c0\u9a8c\u7edf\u8ba1\u91cf\u503c\u7684\u6982\u7387\uff0c\u5373p\u503c
2\u3001\u53f3\u4fa7\u68c0\u9a8c
P\u503c\u662f\u5f53\u03bc=\u03bc0\u65f6\uff0c\u68c0\u9a8c\u7edf\u8ba1\u91cf\u5927\u4e8e\u6216\u7b49\u4e8e\u6839\u636e\u5b9e\u9645\u89c2\u6d4b\u6837\u672c\u6570\u636e\u8ba1\u7b97\u5f97\u5230\u7684\u68c0\u9a8c\u7edf\u8ba1\u91cf\u503c\u7684\u6982\u7387\uff0c\u5373p\u503c
3\u3001\u53cc\u4fa7\u68c0\u9a8c
P\u503c\u662f\u5f53\u03bc=\u03bc0\u65f6\uff0c\u68c0\u9a8c\u7edf\u8ba1\u91cf\u5927\u4e8e\u6216\u7b49\u4e8e\u6839\u636e\u5b9e\u9645\u89c2\u6d4b\u6837\u672c\u6570\u636e\u8ba1\u7b97\u5f97\u5230\u7684\u68c0\u9a8c\u7edf\u8ba1\u91cf\u503c\u7684\u6982\u7387\uff0c\u5373p\u503c
p\u503c\u662f\u6307\u5728\u4e00\u4e2a\u6982\u7387\u6a21\u578b\u4e2d\uff0c\u7edf\u8ba1\u6458\u8981\uff08\u5982\u4e24\u7ec4\u6837\u672c\u5747\u503c\u5dee\uff09\u4e0e\u5b9e\u9645\u89c2\u6d4b\u6570\u636e\u76f8\u540c\uff0c\u6216\u751a\u81f3\u66f4\u5927\u8fd9\u4e00\u4e8b\u4ef6\u53d1\u751f\u7684\u6982\u7387\u3002\u6362\u8a00\u4e4b\uff0c\u662f\u68c0\u9a8c\u5047\u8bbe\u96f6\u5047\u8bbe\u6210\u7acb\u6216\u8868\u73b0\u66f4\u4e25\u91cd\u7684\u53ef\u80fd\u6027\u3002
p\u503c\u82e5\u4e0e\u9009\u5b9a\u663e\u8457\u6027\u6c34\u5e73\uff080.05\u62160.01\uff09\u76f8\u6bd4\u66f4\u5c0f\uff0c\u5219\u96f6\u5047\u8bbe\u4f1a\u88ab\u5426\u5b9a\u800c\u4e0d\u53ef\u63a5\u53d7\u3002\u7136\u800c\u8fd9\u5e76\u4e0d\u76f4\u63a5\u8868\u660e\u539f\u5047\u8bbe\u6b63\u786e\u3002p\u503c\u662f\u4e00\u4e2a\u670d\u4ece\u6b63\u6001\u5206\u5e03\u7684\u968f\u673a\u53d8\u91cf\uff0c\u5728\u5b9e\u9645\u4f7f\u7528\u4e2d\u56e0\u6837\u672c\u7b49\u5404\u79cd\u56e0\u7d20\u5b58\u5728\u4e0d\u786e\u5b9a\u6027\u3002\u4ea7\u751f\u7684\u7ed3\u679c\u53ef\u80fd\u4f1a\u5e26\u6765\u4e89\u8bae\u3002
\u53c2\u8003\u8d44\u6599\uff1a\u767e\u5ea6\u767e\u79d1\u2014P\u503c
P\u503c\u7684\u8ba1\u7b97\u516c\u5f0f\u662f
=2[1-\u03a6(z0)] \u5f53\u88ab\u6d4b\u5047\u8bbeH1\u4e3a p\u4e0d\u7b49\u4e8ep0\u65f6\uff1b
=1-\u03a6(z0) \u5f53\u88ab\u6d4b\u5047\u8bbeH1\u4e3a p\u5927\u4e8ep0\u65f6\uff1b
=\u03a6(z0) \u5f53\u88ab\u6d4b\u5047\u8bbeH1\u4e3a p\u5c0f\u4e8ep0\u65f6\uff1b
\u603b\u4e4b\uff0cP\u503c\u8d8a\u5c0f\uff0c\u8868\u660e\u7ed3\u679c\u8d8a\u663e\u8457\u3002\u4f46\u662f\u68c0\u9a8c\u7684\u7ed3\u679c\u7a76\u7adf\u662f\u201c\u663e\u8457\u7684\u201d\u3001\u201c\u4e2d\u5ea6\u663e\u8457\u7684\u201d\u8fd8\u662f\u201c\u9ad8\u5ea6\u663e\u8457\u7684\u201d\u9700\u8981\u6839\u636eP\u503c\u7684\u5927\u5c0f\u548c\u5b9e\u9645\u95ee\u9898\u6765\u89e3\u51b3\u3002
\u6269\u5c55\u8d44\u6599
\u7edf\u8ba1\u5b66\u4e2d\u56de\u5f52\u5206\u6790\u7684\u4e3b\u8981\u5185\u5bb9\u4e3a\uff1a
1\u3001\u4ece\u4e00\u7ec4\u6570\u636e\u51fa\u53d1\uff0c\u786e\u5b9a\u67d0\u4e9b\u53d8\u91cf\u4e4b\u95f4\u7684\u5b9a\u91cf\u5173\u7cfb\u5f0f\uff0c\u5373\u5efa\u7acb\u6570\u5b66\u6a21\u578b\u5e76\u4f30\u8ba1\u5176\u4e2d\u7684\u672a\u77e5\u53c2\u6570\u3002\u4f30\u8ba1\u53c2\u6570\u7684\u5e38\u7528\u65b9\u6cd5\u662f\u6700\u5c0f\u4e8c\u4e58\u6cd5\u3002
2\u3001\u5bf9\u8fd9\u4e9b\u5173\u7cfb\u5f0f\u7684\u53ef\u4fe1\u7a0b\u5ea6\u8fdb\u884c\u68c0\u9a8c\u3002
3\u3001\u5728\u8bb8\u591a\u81ea\u53d8\u91cf\u5171\u540c\u5f71\u54cd\u7740\u4e00\u4e2a\u56e0\u53d8\u91cf\u7684\u5173\u7cfb\u4e2d\uff0c\u5224\u65ad\u54ea\u4e2a\uff08\u6216\u54ea\u4e9b\uff09\u81ea\u53d8\u91cf\u7684\u5f71\u54cd\u662f\u663e\u8457\u7684\uff0c\u54ea\u4e9b\u81ea\u53d8\u91cf\u7684\u5f71\u54cd\u662f\u4e0d\u663e\u8457\u7684\uff0c\u5c06\u5f71\u54cd\u663e\u8457\u7684\u81ea\u53d8\u91cf\u52a0\u5165\u6a21\u578b\u4e2d\uff0c\u800c\u5254\u9664\u5f71\u54cd\u4e0d\u663e\u8457\u7684\u53d8\u91cf\uff0c\u901a\u5e38\u7528\u9010\u6b65\u56de\u5f52\u3001\u5411\u524d\u56de\u5f52\u548c\u5411\u540e\u56de\u5f52\u7b49\u65b9\u6cd5\u3002
4\u3001\u5229\u7528\u6240\u6c42\u7684\u5173\u7cfb\u5f0f\u5bf9\u67d0\u4e00\u751f\u4ea7\u8fc7\u7a0b\u8fdb\u884c\u9884\u6d4b\u6216\u63a7\u5236\u3002\u56de\u5f52\u5206\u6790\u7684\u5e94\u7528\u662f\u975e\u5e38\u5e7f\u6cdb\u7684\uff0c\u7edf\u8ba1\u8f6f\u4ef6\u5305\u4f7f\u5404\u79cd\u56de\u5f52\u65b9\u6cd5\u8ba1\u7b97\u5341\u5206\u65b9\u4fbf\u3002
\u53c2\u8003\u8d44\u6599\u6765\u6e90\uff1a\u767e\u5ea6\u767e\u79d1\u2014P\u503c
假设检验是推断统计中的一项重要内容。用SAS、SPSS等专业统计软件进行假设检验，在假设检验中常见到P 值( P-Value，Probability，Pr)，P 值是进行检验决策的另一个依据。 P 值即概率，反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的P 值，一般以P < 0.05 为显著， P <0.01 为非常显著，其含义是样本间的差异由抽样误差所致的概率小于0.05 或0.01。实际上，P 值不能赋予数据任何重要性，只能说明某事件发生的机率。 P < 0.01 时样本间的差异比P < 0.05 时更大，这种说法是错误的。统计结果中显示Pr > F，也可写成Pr( >F)，P = P{ F0.05 > F}或P = P{ F0.01 > F}。
下面的内容列出了P值计算方法
(1) P值是： 1) 一种概率，一种在原假设为真的前提下出现观察样本以及更极端情况的概率。 2) 拒绝原假设的最小显著性水平。 3) 观察到的(实例的) 显著性水平。 4) 表示对原假设的支持程度，是用于确定是否应该拒绝原假设的另一种方法。 (2) P 值的计算： 一般地，用X 表示检验的统计量，当H0 为真时，可由样本数据计算出该统计量的值C ，根据检验统计量X 的具体分布，可求出P 值。具体地说: 左侧检验的P 值为检验统计量X 小于样本统计值C 的概率，即:P = P{ X < C} 右侧检验的P 值为检验统计量X 大于样本统计值C 的概率:P = P{ X > C} 双侧检验的P 值为检验统计量X 落在样本统计值C 为端点的尾部区域内的概率的2 倍: P = 2P{ X > C} (当C位于分布曲线的右端时) 或P = 2P{ X< C} (当C 位于分布曲线的左端时) 。若X 服从正态分布和t分布，其分布曲线是关于纵轴对称的，故其P 值可表示为P = P{| X| > C} 。 计算出P 值后，将给定的显著性水平α与P 值比较，就可作出检验的结论: 如果α > P 值，则在显著性水平α下拒绝原假设。 如果α ≤ P 值，则在显著性水平α下接受原假设。 在实践中，当α = P 值时，也即统计量的值C 刚好等于临界值，为慎重起见，可增加样本容量，重新进行抽样检验。 整理自： 樊冬梅，假设检验中的P值. 郑州经济管理干部学院学报，2002，韩志霞, 张 玲，P 值检验和假设检验。边疆经济与文化，2006中国航天工业医药,1999
P值是怎么来的
从某总体中抽 ⑴、这一样本是由该总体抽出，其差别是由抽样误差所致； ⑵、这一样本不是从该总体抽出，所以有所不同。 如何判断是那种原因呢？统计学中用显著性检验赖判断。其步骤是： ⑴、建立检验假设（又称无效假设，符号为H0）：如要比较A药和B药的疗效是否相等，则假设两组样本来自同一总体，即A药的总体疗效和B药相等，差别仅由抽样误差引起的碰巧出现的。⑵、选择适当的统计方法计算H0成立的可能性即概率有多大，概率用P值表示。⑶、根据选定的显著性水平（0.05或0.01），决定接受还是拒绝H0。如果P＞0.05，不能否定“差别由抽样误差引起”，则接受H0；如果P＜0.05或P ＜0.01，可以认为差别不由抽样误差引起，可以拒绝H0，则可以接受令一种可能性的假设（又称备选假设，符号为H1），即两样本来自不同的总体，所以两药疗效有差别。
统计学上规定的P值意义见下表
P值 碰巧的概率 对无效假设 统计意义
P＞0.05 碰巧出现的可能性大于5% 不能否定无效假设 两组差别无显著意义
P＜0.05 碰巧出现的可能性小于5% 可以否定无效假设 两组差别有显著意义
P ＜0.01 碰巧出现的可能性小于1% 可以否定无效假设 两者差别有非常显著意义
注意要点
理解P值，下述几点必须注意： ⑴P的意义不表示两组差别的大小，P反映两组差别有无统计学意义，并不表示差别大小。因此，与对照组相比，C药取得P＜0.05，D药取得P ＜0.01并不表示D的药效比C强。 ⑵ P＞0.05时，差异无显著意义，根据统计学原理可知，不能否认无效假设，但并不认为无效假设肯定成立。在药效统计分析中，更不表示两药等效。哪种将“两组差别无显著意义”与“两组基本等效”相同的做法是缺乏统计学依据的。 ⑶统计学主要用上述三种P值表示，也可以计算出确切的P值，有人用P ＜0.001，无此必要。 ⑷显著性检验只是统计结论。判断差别还要根据专业知识。样所得的样本，其统计量会与总体参数有所不同，这可能是由于两种原因
绛旓細P鍊煎嵆涓烘嫆缁濆煙鐨勯潰绉垨姒傜巼銆P鍊肩殑璁＄畻鍏紡鏄 =2[1-桅(z0)] 褰撹娴嬪亣璁綡1涓 p涓嶇瓑浜巔0鏃讹紱=1-桅(z0) 褰撹娴嬪亣璁綡1涓 p澶т簬p0鏃讹紱=桅(z0) 褰撹娴嬪亣璁綡1涓 p灏忎簬p0鏃讹紱鎬讳箣锛孭鍊艰秺灏忥紝琛ㄦ槑缁撴灉瓒婃樉钁椼備絾鏄楠岀殑缁撴灉绌剁珶鏄滄樉钁楃殑鈥濄佲滀腑搴︽樉钁楃殑鈥濊繕鏄滈珮搴︽樉钁楃殑鈥濋渶瑕佹垜浠嚜...
绛旓細P鍊肩殑璁＄畻鍏紡鏄 =2[1-桅(z0)] 褰撹娴嬪亣璁綡1涓 p涓嶇瓑浜巔0鏃讹紱=1-桅(z0) 褰撹娴嬪亣璁綡1涓 p澶т簬p0鏃讹紱=桅(z0) 褰撹娴嬪亣璁綡1涓 p灏忎簬p0鏃讹紱鎬讳箣锛孭鍊艰秺灏忥紝琛ㄦ槑缁撴灉瓒婃樉钁椼備絾鏄楠岀殑缁撴灉绌剁珶鏄滄樉钁楃殑鈥濄佲滀腑搴︽樉钁楃殑鈥濊繕鏄滈珮搴︽樉钁楃殑鈥濋渶瑕佹牴鎹甈鍊肩殑澶у皬鍜屽疄闄呴棶棰樻潵瑙ｅ喅銆
绛旓細1. 鍦ㄨ繘琛屽乏渚ф楠屾椂锛屽鏋滈浂鍋囪H0涓虹湡锛孭鍊煎畾涔変负妫楠岀粺璁￠噺X灏忎簬鎴栫瓑浜庢牱鏈粺璁″糃鐨勬鐜囥璁＄畻鍏紡琛ㄨ揪涓篜 = P{X 鈮 C}銆2. 瀵逛簬鍙充晶妫楠岋紝濡傛灉闆跺亣璁綡0鎴愮珛锛孭鍊兼槸鎸囨楠岀粺璁￠噺X澶т簬鏍锋湰缁熻鍊糃鐨勬鐜囥傚叾璁＄畻鍏紡涓篜 = P{X > C}銆3. 鍙屼晶妫楠岀殑鎯呭喌鐣ユ湁涓嶅悓銆傚湪杩欑鎯呭喌涓嬶紝P鍊...
绛旓細P鍊肩殑璁＄畻锛氫竴鑸湴锛岀敤X 琛ㄧず妫楠岀殑缁熻閲锛屽綋H0涓虹湡鏃讹紝鍙敱鏍锋湰鏁版嵁璁＄畻鍑鸿缁熻閲忕殑鍊糃锛屾牴鎹楠岀粺璁￠噺X鐨勫叿浣撳垎甯冿紝鍙眰鍑篜鍊笺傜粺璁″涓殑p鍊硷紙P-value锛夋槸鐢ㄦ潵琛￠噺瑙傚療鍒扮殑鏁版嵁瀵逛簬鐗瑰畾鐨勫亣璁炬楠岃岃█鏈夊涔堟瀬绔殑缁熻鎬у樊寮傘俻鍊艰〃绀虹殑鏄湪闆跺亣璁炬垚绔嬬殑鎯呭喌涓嬭瀵熷埌鏁版嵁鎴栨洿鏋佺缁撴灉鐨勬鐜囥
绛旓細P鍊煎氨鏄嫆缁濆師鍋囪鐨勬渶灏廰lpha鍊硷紝鎶婄粺璁￠噺鍐欏嚭鏉ワ紝甯﹁繘鍘荤畻鍑烘潵涔嬪悗锛屾牴鎹粺璁￠噺鐨勫垎甯冩潵绠梡鍊銆傛牱鏈噺姣旇緝澶х殑鏃跺欑敤娓愯繎鏄捐憲鎬э紝鏍锋湰閲忓皬灏辫鐪嬬簿纭樉钁楁э紝濡傛灉鏍锋湰閲忓皬浜30锛屽簲璇ョ湅绮剧‘P鍊硷紝濡傛灉鍦⊿PSS鎶ュ憡鐨勭粨鏋滀腑鍙戠幇娓愯繘P鍊间笌绮剧‘P鍊兼樉绀轰负鈥0.000鈥濓紝杩欐剰鍛崇潃P鍊煎皬浜0.0005锛屽苟涓嶆槸鐪熺殑...
绛旓細p鍊鐨璁＄畻锛岃鍒嗗ソ鍑犵鎯呭喌銆傚叿浣撹绠楁柟娉曞涓嬶細1銆佸乏渚ф楠 H0:渭鈮ノ0 vs H1:渭<渭0 P鍊鏄綋渭=渭0鏃讹紝妫楠岀粺璁￠噺灏忎簬鎴栫瓑浜庢牴鎹疄闄呰娴嬫牱鏈暟鎹绠楀緱鍒扮殑妫楠岀粺璁￠噺鍊肩殑姒傜巼锛屽嵆p鍊 = P(Z鈮C|渭=渭0)2銆佸彸渚ф楠 H0:渭鈮の0 vs H1:渭>渭0 P鍊兼槸褰撐=渭0鏃讹紝妫楠岀粺璁￠噺澶т簬...
绛旓細P鍊鐨璁＄畻鍏紡锛=2[1-桅(z0)] 褰撹娴嬪亣璁綡1涓 p涓嶇瓑浜巔0鏃讹紱=1-桅(z0) 褰撹娴嬪亣璁綡1涓 p澶т簬p0鏃讹紱=桅(z0) 褰撹娴嬪亣璁綡1涓 p灏忎簬p0鏃讹紱鍏朵腑锛屛(z0)瑕佹煡琛ㄥ緱鍒般倆0=锛坸-n*p0锛/(鏍瑰彿涓嬶紙np0(1-p0)锛)鏈鍚庯紝褰揚鍊煎皬浜庢煇涓樉钁楀弬鏁扮殑鏃跺欐垜浠氨鍙互鍚﹀畾鍋囪銆傚弽涔嬶紝鍒欎笉鑳藉惁瀹...
绛旓細P鍊鐨璁＄畻鍏紡鏄細**2[1-桅(z0)]锛屽綋琚祴鍋囪H1涓簆涓嶇瓑浜巔0鏃讹紱1-桅(z0)銆傚綋琚祴鍋囪H1涓簆澶т簬p0鏃禴[1P鍊肩殑澶у皬琛ㄦ槑缁撴灉鏄惁鏄捐憲锛屾牴鎹甈鍊肩殑澶у皬鍜屽疄闄呴棶棰樻潵瑙ｅ喅妫楠岀殑缁撴灉绌剁珶鏄滄樉钁楃殑鈥濄佲滀腑搴︽樉钁楃殑鈥濊繕鏄滈珮搴︽樉钁楃殑鈥濄傛嫇灞曞唴瀹 闄や簡涓婇潰鐨勪粙缁嶏紝杩樻湁涓绉嶆儏鍐甸渶瑕佽冭檻銆傚綋琚祴鍋囪...
绛旓細缁熻瀛p鍊鐨勮绠楁柟娉曞涓嬶細1銆佸崟鏍锋湰t妫楠岀殑P鍊艰绠鏂规硶锛氬崟鏍锋湰t妫楠岀敤浜庢楠屼竴涓牱鏈殑鍧囧兼槸鍚︾瓑浜庢煇涓凡鐭ュ笺侾鍊肩殑璁＄畻鏂规硶鏄瘮杈冭瀵熷埌鐨則缁熻閲忕殑缁濆鍊间笌鑷敱搴︾浉鍏崇殑t鍒嗗竷鐨勭疮绉鐜囥2銆佷袱鐙珛鏍锋湰t妫楠岀殑P鍊艰绠楁柟娉曪細涓ょ嫭绔嬫牱鏈瑃妫楠岀敤浜庢楠屼袱涓嫭绔嬫牱鏈殑鍧囧兼槸鍚︾浉绛夈侾鍊肩殑璁＄畻鏂规硶鏄...
绛旓細P鍊鍗虫鐜囷紝鍙嶆槧鏌愪竴浜嬩欢鍙戠敓鐨勫彲鑳芥уぇ灏忋傜粺璁″鏍规嵁鏄捐憲鎬ф楠屾柟娉曟墍寰楀埌鐨P 鍊锛屼竴鑸互P < 0.05 涓烘湁缁熻瀛﹀樊寮傦紝 P<0.01 涓烘湁鏄捐憲缁熻瀛﹀樊寮傦紝P<0.001涓烘湁鏋佸叾鏄捐憲鐨勭粺璁″宸紓銆侾<0.05鏃讹紝璁や负宸紓鏈夌粺璁″鎰忎箟鈥濇垨鑰呪滄樉钁楁ф按骞澄=0.05鈥濓紝鎸囩殑鏄鏋滄湰鐮旂┒缁熻鎺ㄦ柇寰楀埌鐨勫樊寮傛湁...
