抛硬币是江堂兄的万能试验啊,呵呵
5 天 后
在假定原假设为真的情况下,出现所看到的偏差(正反面差异为80),是这么地不可能(P值很小),以至于我们不再继续相信原假设。

......是这么地可能(P值很大),以至于我们不再继续相信原假设......
不,出现了我们认为不大可能的事件我们才不相信原假设,如果可能的话那我们就没有理由拒绝原假设了
15 天 后
3 个月 后
谁来给我解释一下P值,检验水准和一类错误概率的问题. 比如,检验水准为0.05,现在p值为0.02,那么应该拒绝零假设,那么问题来了:犯一类错误的概率为多大(究竟该是0.05还是0.02),若按统计教材上解释两类错误那里说的,应该是0.05,但是按假设检验原理:出现不利于零假设的统计量的概率是0.02,也就是说我们的结论犯错误的概率是0.02(一类错误?)。
这个问题到底怎么解释,麻烦各位告诉我一下啊,反正我是混乱了。
[未知用户] 哪本教材说是0.05的?写错了吧……
[未知用户] 方积乾《卫生统计学》第五版,倪宗瓒《医学统计学》
都是说的犯一类错误的概率为0.05(理由是:如果零假设成立,那么按照同样的方法在零假设规定的总体中重复抽样,那么每100此检验结论中平均有5次拒绝零假设,即犯一类错误),而刘定远《医药数理统计方法》中又说,犯第一类错误的概率不超过检验水准0.05,但是根据假设检验原理,我觉得犯一类错误的的概率好像应该就是P值吧。好困惑啊!!!
[未知用户] <del datetime="2010-10-12T04:19:04+00:00">第一类错误概率就是P值,这有什么怀疑的……</del>
[未知用户] 那么,胡江堂的上一篇文章《决策与风险》中的下面一段是不是也意味着一类错误的概率应该是检验水准α呢:

上面的对话应该让大伙体会到了一些假设检验的意思。可以总结一下,对照下面的表格,思路会清晰一些:

判定 \ 假设 真 假
拒绝 第I类错误α 没有错误1-β
接受 没有错误 第II类错误β
7 个月 后
我终于理解了!finally!
P value就是,当你设定原假设是真的,然后你计算出的p value却是如此之小,以至于你手边观察到的数据在p value下只可能是极小概率事件,但是它竟然就这么发生了!不可能的事情就这么活生生地发生了!你说,你还能相信你原来假定的那个原假设么?不能,因此拒绝。

感谢江堂兄啊,总算。
1 年 后
其实我觉得一直用抛硬币实验并不见得是一个好主意。根本地理解p-value好要从构建test statistic开始说起,这不可避免地牵涉到pivotal quantity...
2 个月 后
我觉得一直 强调 "正反面次数差异是80" 容易让初学的人对p值概念产生误解, 我觉得更好的是改成, "可以将"p值较大"理解成-- 有更多比 观察结果 更极端的值, 也就表明 观察结果更靠近于 真平均值" 只是个人见解,希望有用
24 天 后
[未知用户] 哈哈,就是这个意思。

比如说P=0.05,意思就是说1000次试验只有5次会不符你手边观察到的数据,
所以可以知道现在的情况是多么不常见(即小概率事件竟然发生了),
所以应该拒绝原假设。


《统计学基本概念和方法》p.183
高等教育出版社 吴喜之 程博译
1 年 后
第一类错误概率就是P值,这有什么怀疑的……
谢大侠总算犯了一个低级错误。
第一类错误概率就是显著性水平,阿尔法!!^_^
[未知用户] 我的错误一大箩筐,所以小心阅读啊:)
8 个月 后
[未知用户] 我也觉 得还是不明白:
在假定原假设为真的情况下,出现所看到的偏差(正反面差异为80),是这么地不可能(P值很小),以至于我们不再继续相信原假设。

……是这么地可能(P值很大),以至于我们不再继续相信原假设……

P值大--》原假设不成立? 还是P值大--》原假设成立?
5 年 后