p值计算器

p值计算器

p值计算器可根据四种主要统计分布的检验统计量计算 p值：标准正态 (z)、学生 t、卡方 (χ²) 和 F分布。它支持单尾（左尾和右尾）和双尾假设检验，提供交互式分布曲线可视化，并对统计显著性给出清晰的解释。

什么是 p值？

p值（概率值）是在原假设 (H₀) 为真的前提下，获得至少与观测到的统计量一样极端的统计量的概率。它衡量了统计检验中反对原假设的证据强度。

• 小 p值 (p < 0.05)： 反对 H₀ 的强有力证据 —— 拒绝原假设
• 大 p值 (p ≥ 0.05)： 反对 H₀ 的证据薄弱 —— 无法拒绝原假设

p值并不衡量 H₀ 为真的概率，也不衡量效应的大小或重要性。它只告诉您数据与 H₀ 的相容程度。

如何使用此计算器

1. 选择检验类型： 选择与您的统计检验匹配的分布 —— z检验（标准正态）、t检验（学生 t）、卡方检验或 F检验。
2. 输入检验统计量： 输入计算出的检验统计量数值。卡方和 F统计量必须为非负数。
3. 输入自由度： 对于 t检验和卡方检验，输入 df。对于 F检验，输入分子 (df₁) 和分母 (df₂) 自由度。
4. 选择尾部类型： 对于无方向性假设选择双尾，对于有方向性假设选择左尾/右尾。
5. 查看结果： 检查 p值、交互式分布图、多个 alpha 水平下的显著性评估以及通俗易懂的解释。

支持的统计检验

z检验（标准正态分布）

当已知总体标准差或样本量较大 (n > 30) 时使用。在 H₀ 下，z统计量服从标准正态分布 \(N(0, 1)\)。

t检验（学生 t分布）

当总体标准差未知且样本量较小时使用。t分布比正态分布具有更厚的尾部，考虑了额外的预测不确定性。随着 df 的增加，t分布趋近于标准正态分布。

卡方检验 (χ² 分布)

用于拟合优度检验和分类数据的独立性检验。卡方分布是右偏的，且仅针对非负值定义。

F检验 (F分布)

用于方差分析 (ANOVA) 和比较方差。F分布需要两个自由度参数（分子和分母），且仅针对非负值定义。

单尾与双尾检验

常见的显著性水平

关于 p值的常见误区

• 误区： “p = 0.03 意味着 H₀ 为真的概率是 3%。” 现实： p值是在 H₀ 为真的前提下得到该数据的概率，而不是 H₀ 为真的概率。
• 误区： “p值越小意味着效应越大。” 现实： p值取决于效应大小和样本量。如果样本量足够大，微小的效应也可能产生非常小的 p值。
• 误区： “p > 0.05 意味着没有效应。” 现实： 未能拒绝 H₀ 并不证明 H₀ 是真的。它只是意味着现有证据不足以在所选水平上拒绝它。
• 误区： “不同研究之间的 p值可以直接比较。” 现实： 来自设计、样本量和总体各不相同的不同研究的 p值不具有直接可比性。

常见问题解答

什么是 p值？

p值是在原假设为真的前提下，获得至少与观测到的统计量一样极端的统计量的概率。它量化了反对原假设的证据强度。p值越小，表示反对 H₀ 的证据越强。

单尾检验和双尾检验有什么区别？

双尾检验检查两个方向（大于或小于预期）的效果，而单尾检验仅检查一个方向。双尾检验更为保守。只有在收集数据前已有明确的方向性假设时，才应使用单尾检验。

我应该在什么时候使用 z检验而不是 t检验？

当您知道总体标准差或样本量较大 (n > 30) 时使用 z检验，因为此时抽样分布近似于正态分布。当总体标准差未知且样本量较小时使用 t检验，因为 t分布通过更厚的尾部考虑了额外的预测不确定性。

p值小于 0.05 意味着什么？

p值小于 0.05 意味着如果原假设为真，观察到该数据（或更极端数据）的概率小于 5%。按照惯例，这被认为具有统计显著性，从而导致研究人员拒绝原假设。然而，统计显著性并不一定意味着具有实际意义。

卡方检验用于什么？

卡方检验用于检验分类变量之间的关系（独立性检验）以及检验观测频率是否符合预期频率（拟合优度检验）。它使用一种取决于自由度的右偏分布。