我的学科要用到统计学方面的一些知识,最近在看统计书时,里面提到P值,但是,讲的不是很细,琢磨了好久都没理解。其他统计方面的书里更本不提P值。

所以请大家指教,谢谢!
P值是基于原假设(比如说回归模型中的参数实际为零)的假定,而你根据数据和事先设定的原则对这个假定给于拒绝后,你所可能犯下一个错误的可能性大小。既然是错误的概率,越小你就越有把握去拒绝原假设;但如果P值比较大,你最好谨慎点,而不去拒绝假定的原假设。
还有就一般认为0.1或者0.05为常见值,比如某个分析结果是0.02小于0.05,那我们就可以认为拒绝原假设啊
到图书馆借《统计学——从数据到结论》,上面有。
p值能不能看作是原假设成立的概率呢,这样是不是更加直观易懂呢
如果弄明白了 p 值、犯第一类错误的概率、拒绝域等概念之间的关系,大概就对 p 值有比较清楚的理解了。



上面提到的书的确是我读过的第一本对 p 值解释得简单而清楚的书,去图书馆借来看看吧。
5 天 后
  我的理解:P值就是由原假设为真时推论的样本结果,与实际观察的样本结果相一致的概率。如果P值很小,说明实际观察的样本结果与推论的样本结果相一致的概率很低,在事实面前,这个原假设是否合理就值得怀疑。P值越小,怀疑的可信性越强,证据越充分。

  
现在假设你接受了一个 原假设   然后我们用现有的数据检验这个假设是否正确   在这个原假设成立的条件下 如果得到现有观测值的概率非常小 我们可以说小概率事件 在一次实验中不可能发生 而现在这个小概率事件发生了 那么说明 数据不是来自我们假设的那个分布 从而拒绝原假设   p值 就是 原假设成立的条件下 得到比现有观测数据更极端的观测值的概率 如果这个p值很小 说明 原假设不成立
8 天 后
全面的说,p值算法是



1. 原假设(H0:x1==x2)

2. 套上合适回答原假设的数学统计模型(t/F/chi-square tests),算出个统计值

3. 从相关的分布把此统计值转换到所谓的灵异空间(0,1)



所以p值不止是受“原假设”(H0:x1==x2)的影响。我们在计算过程用到的假设(误差正态分布,使用模型合适,等等)也会影响到它。



换句话说,p值应该是实际观察样本合乎所有假设成立的“可信度”(不是概率)。
1 个月 后
直观理解即可,以t-test为例。

精确的定义很拗口,甚至有个精妙的结论,H-0下,p value~uniform(0,1)。
p值就是拒绝原假设的最小概率。
8 天 后
通俗来说,p值就是拒绝原假设要冒的风险。

值越小,小风险可以接受,就拒绝;否则就无法拒绝。

这种解释可以辅助理解,但是并不严格~
15 天 后
p越小,越说明有显著的统计学意义,大于0.05就不行了
4 个月 后
本人以为这种理解比较合理:

“p值 就是 原假设成立的条件下 得到比现有观测数据更极端的观测值的概率 如果这个p值很小 说明 原假设不成立。通俗来说,p值就是拒绝原假设要冒的风险。”
14 天 后
推荐你看一下马景义老师写的《小议假设检验史上的两种理论——基于两种p值定义》,我可以发给你。
看了一圈,结合主站上的这两篇文章,还有wikipedia上给出的定义(http://en.wikipedia.org/wiki/P-value),才勉强搞明白p值的定义,再回过来看大家的发言,才发现原来很多人跟我一样不懂。 [s:11]
18 天 后
[quote]引用第15楼dengyishuo于2009-07-30 12:45发表的 回 楼主(QQQQQ) 的帖子 :

推荐你看一下马景义老师写的《小议假设检验史上的两种理论——基于两种p值定义》,我可以发给你。

[/quote]

我想看一下这篇文章,我的邮箱是hbxjzx28814@163.com,谢谢
9 天 后
大概率事件或者是小概率事件而已
1 个月 后
[quote]引用第7楼libryant于2009-01-14 17:34发表的  :

现在假设你接受了一个 原假设    然后我们用现有的数据检验这个假设是否正确   在这个原假设成立的条件下 如果得到现有观测值的概率非常小  我们可以说小概率事件 在一次实验中不可能发生  而现在这个小概率事件发生了  那么说明 数据不是来自我们假设的那个分布 从而拒绝原假设   p值 就是 原假设成立的条件下 得到比现有观测数据更极端的观测值的概率  如果这个p值很小 说明 原假设不成立

[/quote]





这一概括还是相当准确的!