•概述•
每个人都知道可以使用P值来确定假设检验中的统计显着性。它是一个很重要的概念,但P值又是一个滑溜的概念,人们通常会错误地解释它。在这篇文章中,我将通过一个具体的例子帮助您理解P值。
一、从样本t检验获得P值
假如现在您希望确定一种新的汽油添加剂对汽油英里数是否有影响。如果此特定级别汽车的已知汽油英里数为 25 英里每加仑 (mpg),则此研究的假设为 H0:μ = 25 和 HA:μ ≠ 25。
您检验 35 辆车,发现在这些车中每加仑汽油跑的英里数介于 14.4 到 28.8 之间。在将数据放到 MPG 列中之后,执行 Minitab 的 t 检验(菜单命令统计 > 基本统计 > 单样本 t)并获得以下结果:
![e3af389b7ec4137fcd591034e7f917d2.png](https://img-blog.csdnimg.cn/img_convert/e3af389b7ec4137fcd591034e7f917d2.png)
二、解释P值
结果显示,35 辆汽车样本的均值为 23.657。但是,这种类型的所有汽车的每加仑英里数的均值 (μ) 可能仍为 25。您希望了解是否有充足的样本证据来否定 H0。最常见的方法是比较 p 值与显著性水平 α (alpha)。α 是当 H0 为真时否定 H0 的概率。在此例中,这就是得出总体均值不是 25 mpg(而实际上是)的结论的概率。
p 值用来对照 H0 度量数据证据的强度。通常,p 值越小,否定 H0 的样本证据越强大。更具体地说,p 值是导致否定 H0 的最小 α 值。对于任