统计学的方差分析表中，p值怎么计算 统计学中的P值应该怎么计算
\u7edf\u8ba1\u5b66\u7684\u65b9\u5dee\u5206\u6790\u8868\u4e2d\uff0cp\u503c\u600e\u4e48\u8ba1\u7b97\u5440\uff1f\u6709\u6ca1\u6709\u516c\u5f0f\u6216\u8005\u4ec0\u4e48P\u503c\u7684\u8ba1\u7b97\u516c\u5f0f\uff1a
=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
\u5176\u4e2d\uff0c\u03a6(z0)\u8981\u67e5\u8868\u5f97\u5230\u3002
z0=\uff08x-n*p0\uff09/(\u6839\u53f7\u4e0b\uff08np0(1-p0)\uff09)
\u6700\u540e\uff0c\u5f53P\u503c\u5c0f\u4e8e\u67d0\u4e2a\u663e\u8457\u53c2\u6570\u7684\u65f6\u5019\u6211\u4eec\u5c31\u53ef\u4ee5\u5426\u5b9a\u5047\u8bbe\u3002\u53cd\u4e4b\uff0c\u5219\u4e0d\u80fd\u5426\u5b9a\u5047\u8bbe\u3002
\u5b9e\u9a8c\u6761\u4ef6\uff0c\u5373\u4e0d\u540c\u7684\u5904\u7406\u9020\u6210\u7684\u5dee\u5f02\uff0c\u79f0\u4e3a\u7ec4\u95f4\u5dee\u5f02\u3002\u7528\u53d8\u91cf\u5728\u5404\u7ec4\u7684\u5747\u503c\u4e0e\u603b\u5747\u503c\u4e4b\u504f\u5dee\u5e73\u65b9\u548c\u7684\u603b\u548c\u8868\u793a\uff0c\u8bb0\u4f5cSSb\uff0c\u7ec4\u95f4\u81ea\u7531\u5ea6dfb\u3002
\u6269\u5c55\u8d44\u6599\uff1a
\u5982\u6d4b\u91cf\u8bef\u5dee\u9020\u6210\u7684\u5dee\u5f02\u6216\u4e2a\u4f53\u95f4\u7684\u5dee\u5f02\uff0c\u7528\u53d8\u91cf\u5728\u5404\u7ec4\u7684\u5747\u503c\u4e0e\u8be5\u7ec4\u5185\u53d8\u91cf\u503c\u4e4b\u504f\u5dee\u5e73\u65b9\u548c\u7684\u603b\u548c\u8868\u793a\uff0c \u8bb0\u4f5cSSw\uff0c\u7ec4\u5185\u81ea\u7531\u5ea6dfw\u3002
\u603b\u504f\u5dee\u5e73\u65b9\u548c SSt = SSb + SSw\u3002
\u7ec4\u5185SSw\u3001\u7ec4\u95f4SSb\u9664\u4ee5\u5404\u81ea\u7684\u81ea\u7531\u5ea6(\u7ec4\u5185dfw =n-m\uff0c\u7ec4\u95f4dfb=m-1\uff0c\u5176\u4e2dn\u4e3a\u6837\u672c\u603b\u6570\uff0cm\u4e3a\u7ec4\u6570)\uff0c\u5f97\u5230\u5176\u5747\u65b9MSw\u548cMSb\uff0c\u4e00\u79cd\u60c5\u51b5\u662f\u5904\u7406\u6ca1\u6709\u4f5c\u7528\uff0c\u5373\u5404\u7ec4\u6837\u672c\u5747\u6765\u81ea\u540c\u4e00\u603b\u4f53\uff0cMSb/MSw\u22481\u3002
\u53e6\u4e00\u79cd\u60c5\u51b5\u662f\u5904\u7406\u786e\u5b9e\u6709\u4f5c\u7528\uff0c\u7ec4\u95f4\u5747\u65b9\u662f\u7531\u4e8e\u8bef\u5dee\u4e0e\u4e0d\u540c\u5904\u7406\u5171\u540c\u5bfc\u81f4\u7684\u7ed3\u679c\uff0c\u5373\u5404\u6837\u672c\u6765\u81ea\u4e0d\u540c\u603b\u4f53\u3002\u90a3\u4e48\uff0cMSb>>MSw(\u8fdc\u8fdc\u5927\u4e8e)\u3002
\u5f53\u63a7\u5236\u53d8\u91cf\u4e3a\u5b9a\u5e8f\u53d8\u91cf\u65f6\uff0c\u8d8b\u52bf\u68c0\u9a8c\u80fd\u591f\u5206\u6790\u968f\u7740\u63a7\u5236\u53d8\u91cf\u6c34\u5e73\u7684\u53d8\u5316\uff0c\u89c2\u6d4b\u53d8\u91cf\u503c\u53d8\u5316\u7684\u603b\u4f53\u8d8b\u52bf\u662f\u600e\u6837\u7684\uff0c\u662f\u5448\u73b0\u7ebf\u6027\u53d8\u5316\u8d8b\u52bf\uff0c\u8fd8\u662f\u5448\u4e8c\u6b21\u3001\u4e09\u6b21\u7b49\u591a\u9879\u5f0f\u53d8\u5316\u3002\u901a\u8fc7\u8d8b\u52bf\u68c0\u9a8c\uff0c\u80fd\u591f\u5e2e\u52a9\u4eba\u4eec\u4ece\u53e6\u4e00\u4e2a\u89d2\u5ea6\u628a\u63e1\u63a7\u5236\u53d8\u91cf\u4e0d\u540c\u6c34\u5e73\u5bf9\u89c2\u6d4b\u53d8\u91cf\u603b\u4f53\u4f5c\u7528\u7684\u7a0b\u5ea6\u3002
\u53c2\u8003\u8d44\u6599\u6765\u6e90\uff1a\u767e\u5ea6\u767e\u79d1\u2014\u2014\u65b9\u5dee\u5206\u6790
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
P值的计算公式：
=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我们就可以否定假设。反之，则不能否定假设。
实验条件，即不同的处理造成的差异，称为组间差异。用变量在各组的均值与总均值之偏差平方和的总和表示，记作SSb，组间自由度dfb。
扩展资料：
如测量误差造成的差异或个体间的差异，用变量在各组的均值与该组内变量值之偏差平方和的总和表示， 记作SSw，组内自由度dfw。
总偏差平方和 SSt = SSb + SSw。
组内SSw、组间SSb除以各自的自由度(组内dfw =n-m，组间dfb=m-1，其中n为样本总数，m为组数)，得到其均方MSw和MSb，一种情况是处理没有作用，即各组样本均来自同一总体，MSb/MSw≈1。
另一种情况是处理确实有作用，组间均方是由于误差与不同处理共同导致的结果，即各样本来自不同总体。那么，MSb>>MSw(远远大于)。
当控制变量为定序变量时，趋势检验能够分析随着控制变量水平的变化，观测变量值变化的总体趋势是怎样的，是呈现线性变化趋势，还是呈二次、三次等多项式变化。通过趋势检验，能够帮助人们从另一个角度把握控制变量不同水平对观测变量总体作用的程度。
参考资料来源：百度百科——方差分析
P值的计算公式：
=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我们就可以否定假设。反之，则不能否定假设。
注意，这里p0是那个缺少的假设满意度，而不是要求的P值。
没有p0就形不成假设检验，也就不存在P值
统计学上规定的P值意义：
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
绛旓細P鍊鐨勮绠楀叕寮忥細=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...
绛旓細鍙互鍒╃敤SPSSAU杩涜璁＄畻锛屽亣璁捐绠楁柟宸垎鏋愪腑鐨刾鍊硷紝浠庤屽垽鏂ā鍨嬫槸鍚︽樉钁銆傚垎鏋愪笉鍚屽鍘嗗鏌愪骇鍝佺殑婊℃剰搴︽槸鍚︽湁鏄捐憲鎬у樊寮傘傚鏋滄墜宸ヨ绠楋紝闇瑕佽绠楀嚭F鍊硷紝鏈鍚庢煡琛紝鐒跺悗鍒ゆ柇鏄惁鏈夋樉钁楁у樊寮傦紝鏈鍚庡緱鍒扮粨璁猴紝浣跨敤SPSSAU鐩存帴灏嗗垎鏋愰」鎷栨嫿鍒板垎鏋愭鍐咃紙杩囩▼绠鍗曪紝杩欓噷涓嶅睍绀猴級锛屾渶鍚庡緱鍒癋鍊间负0.606锛宲鍊间负0....
绛旓細significance F鏄痚xcel閲岄潰鐨勬柟宸垎鏋愯〃閲岀殑缁熻瀛︽湳璇侳鎸嘑缁熻閲忕殑鍊硷紝Significance F鎸噋鍊笺P鍊煎嵆姒傜巼锛屽弽鏄犳煇涓浜嬩欢鍙戠敓鐨勫彲鑳芥уぇ灏銆傜粺璁″鏍规嵁鏄捐憲鎬ф楠屾柟娉曟墍寰楀埌鐨凱 鍊硷紝涓鑸互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
绛旓細5銆佹柟宸垎鏋愮殑P鍊艰绠楁柟娉曪細鏂瑰樊鍒嗘瀽鐢ㄤ簬妫楠屽涓牱鏈殑鍧囧兼槸鍚︾浉绛銆侾鍊肩殑璁＄畻鏂规硶鏄牴鎹瀵熷埌鐨凢缁熻閲忓拰鑷敱搴︾浉鍏崇殑F鍒嗗竷鐨勭疮绉鐜囥6銆丳earson鐩稿叧绯绘暟鐨凱鍊艰绠楁柟娉曪細Pearson鐩稿叧绯绘暟鐢ㄤ簬搴﹂噺涓や釜杩炵画鍙橀噺涔嬮棿鐨勭嚎鎬х浉鍏虫с侾鍊肩殑璁＄畻鏂规硶鏄牴鎹瀵熷埌鐨勭浉鍏崇郴鏁板拰鏍锋湰澶у皬鐩稿叧鐨則鍒嗗竷鐨勭疮绉鐜囥...
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瓒婂皬锛岃〃鏄庣粨鏋滆秺鏄捐憲銆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
绛旓細杩欎釜P鍊涓鑸兘鏄蒋浠剁畻鍑鐨勶紝P銆0.05锛屽氨鏄惤鍦ㄤ簡鎷掓帴鍩熺殑鑼冨洿锛岀瓑浜0.015鏁呮嫆鎺ュ師鍋囪銆傝浆鍖栦负P鍊兼潵鍒ゆ柇銆=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鏃躲
绛旓細1銆佹牴鎹瓼鍒嗗竷鐨勮〃鍘绘煡锛屾妸K1锛孠2鎵惧嚭鏉ワ紝鍦ㄦ瘡涓〃鍘荤湅瀵瑰簲鐨勫硷紝濡傛灉鎺ヨ繎锛岄偅涔坧灏辨帴杩戣〃鍙充笂鏂鐨刾鍊銆2銆佷娇鐢ㄦ柟宸绠楄蒋浠讹紝鐢╡xcel鐨勫嚱鏁板姛鑳芥眰鍑簆鍊笺3銆佺敤SPSS鏂瑰樊鍒嗘瀽锛閫氳繃鍗曞彉閲忔柟宸垎鏋愬緱鍒皃鍊笺4銆佹瘮杈冪粍闂村潎鏂瑰拰缁勫唴鍧囨柟鐨勬瘮鍊硷紝妫楠屾按骞筹紝杩涜屽緱鍑簆鍊笺
绛旓細鍦缁熻鍒嗘瀽涓婂彲浠ラ氳繃P-value鐨勫ぇ灏忔潵鍒ゆ柇缁勯棿鐨勫樊寮傛樉钁楁э紝閫氬父鎯呭喌涓嬶紝褰0.05鏃舵病鏈夋樉钁楀樊寮傦紝浠嬩簬浜岃呬箣闂存椂鏈夋樉钁楀樊寮傘備篃鍙氳繃F鍊兼潵鍒ゆ柇宸紓鏄捐憲鎬э紝褰揊>=F crit鏃讹紝鏈夋樉钁(鎴栨瀬鏄捐憲)宸紓銆侳妫楠屽彧鑳藉湪鎬讳綋涓婃潵妫楠屽樊寮傛樉钁楁э紝涓嶈兘鍒ゅ埆杩欎簺鏄捐憲宸紓鍏蜂綋鏉ヨ嚜鍝簺澶勭悊闂达紝鑻ヨ鍒嗘瀽锛闇瑕佽繘琛屽...
绛旓細P鍊鏄寚锛團妫楠屾垨鑰匱鎴栬呭叾浣欐楠岄噺锛夊ぇ浜庢墍姹傚兼椂鐨勬鐜囷紝涓鑸灏忎簬浜庣粰瀹毼卞氨璇存槑妫楠屾樉钁锛宲=P(|U|>=|u|)=|u伪/2|)=伪銆俽鍊兼槸鎷熷悎浼樺害鎸囨暟锛岀敤鏉ヨ瘎浠锋ā鍨嬬殑鎷熷悎濂藉潖绛,鍙栧艰寖鍥存槸銆-1,1銆戯紝瓒婃帴杩戞璐1瓒婂ソ锛孯骞虫柟=SSR/SST锛屽叾涓璖SR鏄洖褰掑钩鏂瑰拰锛孲ST鏄荤宸钩鏂瑰拰銆
绛旓細鍦缁熻瀛︿腑锛宲鍊鏄寚鍦ㄥ亣璁炬楠屼腑锛屾牴鎹牱鏈暟鎹绠楀緱鍑虹殑涓涓鐜囧硷紝鐢ㄦ潵鍒ゆ柇鍘熷亣璁剧殑鏄捐憲鎬с傞氬父鎯呭喌涓嬶紝p鍊艰秺灏忥紝琛ㄧず鎷掔粷鍘熷亣璁剧殑璇佹嵁瓒婂厖鍒嗭紝鍗虫牱鏈暟鎹笌鍘熷亣璁剧殑涓嶄竴鑷存ц秺澶с傛眰p鍊肩殑涓鑸楠ゅ涓嬶細纭畾鍋囪妫楠岀殑绫诲瀷锛氶鍏堥渶瑕佹槑纭槸鍗曟牱鏈楠屻佸弻鏍锋湰妫楠岃繕鏄鏂瑰樊鍒嗘瀽绛夌被鍨嬬殑鍋囪妫楠屻...
