1樓：小米思念小包子
p就是犯第一類錯誤的概率，即原假設為真，被拒絕的概率，一般控制其小於0.05
因為在醫學中，我們寧可犯第一類錯誤，即原假設為真，被拒絕的概率，也不能容忍接收一個錯誤的假設
醫學統計學中，t檢驗中的p表示什麼意思？
2樓：老人海
p就是犯第一類錯誤的概率，即原假設為真，被拒絕的概率，一般控制其小於0.05
因為在醫學中，我們寧可犯第一類錯誤，即原假設為真，被拒絕的概率，也不能容忍接收一個錯誤的假設
3樓：巨勤杜之槐
如果p>0.05,說明兩者間沒有統計學差異；如果p<0.05,說明兩者間有統計學差異.
4樓：
t檢驗中的p表示：無效假設成立與否的概率大小；p值大於設定的檢驗水準α水準，則無效假設成立的概率就大。
5樓：薩珺堵雁山
t檢驗是比較兩個群體總體平均值的差異，p值越大說明這兩個群體總體均值相同的概率越大，即兩個群體是來自相同的總體；反正，越小則說明他們來自不同的群體。
假設檢驗中的p值的計算方法
6樓：醉意撩人殤
p值的計算：
一般地，用x 表示檢驗的統計量，當h0為真時，可由樣本資料計算出該統計量的值c，根據檢驗統計量x的具體分佈，可求出p值。具體地說：
左側檢驗的p值為檢驗統計量x 小於樣本統計值c 的概率，即：p = p
右側檢驗的p值為檢驗統計量x 大於樣本統計值c 的概率：p = p雙側檢驗的p值為檢驗統計量x 落在樣本統計值c 為端點的尾部區域內的概率的2 倍：p = 2p (當c位於分佈曲線的右端時) 或p = 2p (當c 位於分佈曲線的左端時) 。
若x 服從正態分佈和t分佈，其分佈曲線是關於縱軸對稱的，故其p 值可表示為p = p 。
7樓：左丘初蝶
p值的計算公式：
=2[1-φ(z0)]
當被測假設h1為
p不等於p0時；
=1-φ(z0)
當被測假設h1為
p大於p0時；
=φ(z0)
當被測假設h1為
p小於p0時；
其中，φ(z0)要查表得到。
z0=（x-n*p0）/(根號下（np0(1-p0)）)最後，當p值小於某個顯著引數的時候我們就可以否定假設。反之，則不能否定假設。
注意，這裡p0是那個缺少的假設滿意度，而不是要求的p值。
沒有p0就形不成假設檢驗，也就不存在p值
統計學上規定的p值意義：
p值碰巧的概率
對無效假設
統計意義
p＞0.05
碰巧出現的可能性大於5%
不能否定無效假設
兩組差別無顯著意義
p＜0.05
碰巧出現的可能性小於5%
可以否定無效假設
兩組差別有顯著意義
p＜0.01
碰巧出現的可能性小於1%
可以否定無效假設
兩者差別有非常顯著意義
8樓：手機使用者
(1) p值是：
1) 一種概率，一種在原假設為真的前提下出現觀察樣本以及更極端情況的概率。
2) 拒絕原假設的最小顯著性水平。
3) 觀察到的(例項的)顯著性水平。
4) 表示對原假設的支援程度，是用於確定是否應該拒絕原假設的另一種方法。
(2) p值的計算：
一般地，用x 表示檢驗的統計量，當h0為真時，可由樣本資料計算出該統計量的值c，根據檢驗統計量x的具體分佈，可求出p值。具體地說：
左側檢驗的p值為檢驗統計量x 小於樣本統計值c 的概率，即：p = p
右側檢驗的p值為檢驗統計量x 大於樣本統計值c 的概率：p = p
雙側檢驗的p值為檢驗統計量x 落在樣本統計值c 為端點的尾部區域內的概率的2 倍：p = 2p (當c位於分佈曲線的右端時) 或p = 2p (當c 位於分佈曲線的左端時) 。若x 服從正態分佈和t分佈，其分佈曲線是關於縱軸對稱的，故其p 值可表示為p = p 。
計算出p值後，將給定的顯著性水平α與p 值比較，就可作出檢驗的結論：
如果α > p值，則在顯著性水平α下拒絕原假設。
如果α ≤ p值，則在顯著性水平α下接受原假設。
在實踐中，當α = p值時，也即統計量的值c剛好等於臨界值，為慎重起見，可增加樣本容量，重新進行抽樣檢驗。
整理自：
樊冬梅，假設檢驗中的p值．鄭州經濟管理幹部學院學報，2002；韓志霞，張 玲，p值檢驗和假設檢驗。邊疆經濟與文化，2006中國航天工業醫藥，1999
統計學中的p值代表什麼？
9樓：mua小婷
我儘量用形象的語言說 p值越小 說明犯第一類錯誤的概率越小 你越可以推翻傳統的、保守的觀點 越可以接受新提出的、感興趣的觀點
什麼是第一類錯誤 統計上把保守的、傳統的觀點作為原假設 新穎的、感興趣的、想去論證的觀點作為備擇假設 就好比一個犯罪嫌疑人 在沒有確鑿的證據前都只能以他無罪為原假設 因為一個人無罪判他有罪 比 有罪判無罪 的後果嚴重的多 大家都不願被冤枉 所以推廣開來 你想證明一班的成績比二班好 原假設就設為一班二班成績相同 備擇假設就設為一班比二班成績好 若得出的p值較小 一般以0.05作為臨界值 比0.05小就可以接受一班成績比二班好的事實 若比0.
05大就說明沒有足夠證據證明一班成績比二班好 保守起見拒絕備擇假設 接受原假設純手打
10樓：lzpd藍色天空
結果的統計學意義是結果真實程度（能夠代表總體）的一種估計方法。專業上，p值為結果可信程度的一個遞減指標，p值越大，我們越不能認為樣本中變數的關聯是總體中各變數關聯的可靠指標。p值是將觀察結果認為有效即具有總體代表性的犯錯概率。
如p=0.05提示樣本中變數關聯有5%的可能是由於偶然性造成的。即假設總體中任意變數間均無關聯，我們重複類似實驗，會發現約20個實驗中有一個實驗，我們所研究的變數關聯將等於或強於我們的實驗結果。
（這並不是說如果變數間存在關聯，我們可得到5%或95%次數的相同結果，當總體中的變數存在關聯，重複研究和發現關聯的可能性與設計的統計學效力有關。）在許多研究領域，0.05的p值通常被認為是可接受錯誤的邊界水平。
在最後結論中判斷什麼樣的顯著性水平具有統計學意義，不可避免地帶有武斷性。換句話說，認為結果無效而被拒絕接受的水平的選擇具有武斷性。實踐中，最後的決定通常依賴於資料集比較和分析過程中結果是先驗性還是僅僅為均數之間的兩兩》比較，依賴於總體資料集裡結論一致的支援性證據的數量，依賴於以往該研究領域的慣例。
通常，許多的科學領域中產生p值的結果≤0.05被認為是統計學意義的邊界線，但是這顯著性水平還包含了相當高的犯錯可能性。結果0.
05≥p>0.01被認為是具有統計學意義，而0.01≥p≥0.
001被認為具有高度統計學意義。但要注意這種分類僅僅是研究基礎上非正規的判斷常規。
所有的檢驗統計都是正態分佈的嗎並不完全如此，但大多數檢驗都直接或間接與之有關，可以從正態分佈中推匯出來，如t檢驗、f檢驗或卡方檢驗。這些檢驗一般都要求：所分析變數在總體中呈正態分佈，即滿足所謂的正態假設。
許多觀察變數的確是呈正態分佈的，這也是正態分佈是現實世界的基本特徵的原因。當人們用在正態分佈基礎上建立的檢驗分析非正態分佈變數的資料時問題就產生了，（參閱非引數和方差分析的正態性檢驗）。這種條件下有兩種方法：
一是用替代的非引數檢驗（即無分佈性檢驗），但這種方法不方便，因為從它所提供的結論形式看，這種方法統計效率低下、不靈活。另一種方法是：當確定樣本量足夠大的情況下，通常還是可以使用基於正態分佈前提下的檢驗。
後一種方法是基於一個相當重要的原則產生的，該原則對正態方程基礎上的總體檢驗有極其重要的作用。即，隨著樣本量的增加，樣本分佈形狀趨於正態，即使所研究的變數分佈並不呈正態。
11樓：匿名使用者
我也在找，在找醫療方面的p值演算法。
12樓：顏媚焉盼丹
滿意率的p=滿意數/樣本量
在這個題目中p1=第一組中滿意人數/第一組總人數
你這個沒說清楚，第一組的樣本量是多少，120是總樣本量還是別的意思，問題不太明確，我的回答可能不太準
13樓：接森桓念巧
p值即概率，反映某一事件發生的可能性大小。統計學根據顯著性檢驗方法所得到的p
值，一般以p
<0.05
為顯著，
p<0.01
為非常顯著，其含義是樣本間的差異由抽樣誤差所致的概率小於0.05
或0.01。實際上，p
值不能賦予資料任何重要性，只能說明某事件發生的機率。
p<0.01
時樣本間的差異比p
<0.05
時更大，這種說法是錯誤的。統計結果中顯示pr
>f，也可寫成pr(
>f)，p
=p或p=p。
下面的內容列出了p值計算方法。
(1)p值是：
1)一種概率，一種在原假設為真的前提下出現觀察樣本以及更極端情況的概率。
2)拒絕原假設的最小顯著性水平。
3)觀察到的(例項的)
顯著性水平。
4)表示對原假設的支援程度，是用於確定是否應該拒絕原假設的另一種方法。
(2)p
值的計算：
一般地，用x
表示檢驗的統計量，當h0
為真時，可由樣本資料計算出該統計量的值c
，根據檢驗統計量x
的具體分佈，可求出p
值。具體地說:
左側檢驗的p
值為檢驗統計量x
小於樣本統計值c
的概率，即=p
右側檢驗的p
值為檢驗統計量x
大於樣本統計值c
的概率=
p雙側檢驗的p
值為檢驗統計量x
落在樣本統計值c
為端點的尾部區域內的概率的2倍:p
=2p(當c位於分佈曲線的右端時)或p=
2p(當c
位於分佈曲線的左端時)
。若x服從正態分佈和t分佈，其分佈曲線是關於縱軸對稱的，故其p
值可表示為p=p
。計算出p
值後，將給定的顯著性水平α與p
值比較，就可作出檢驗的結論:
如果α>
p值，則在顯著性水平α下拒絕原假設。
如果α≤
p值，則在顯著性水平α下接受原假設。
在實踐中，當α=p
值時，也即統計量的值c
剛好等於臨界值，為慎重起見，可增加樣本容量，重新進行抽樣檢驗。
整理自：
樊冬梅，假設檢驗中的p值.
鄭州經濟管理幹部學院學報，2002，韓志霞,
張玲，p
值檢驗和假設檢驗。邊疆經濟與文化，2006中國航天工業醫藥,1999
p值是怎麼來的
從某總體中抽
⑴、這一樣本是由該總體抽出，其差別是由抽樣誤差所致；
⑵、這一樣本不是從該總體抽出，所以有所不同。
如何判斷是那種原因呢？統計學中用顯著性檢驗賴判斷。其步驟是：
⑴、建立檢驗假設（又稱無效假設，符號為h0）：如要比較a藥和b藥的療效是否相等，則假設兩組樣本來自同一總體，即a藥的總體療效和b藥相等，差別僅由抽樣誤差引起的碰巧出現的。⑵、選擇適當的統計方法計算h0成立的可能性即概率有多大，概率用p值表示。
⑶、根據選定的顯著性水平（0.05或0.01），決定接受還是拒絕h0。
如果p＞0.05，不能否定「差別由抽樣誤差引起」，則接受h0；如果p＜0.05或p
＜0.01，可以認為差別不由抽樣誤差引起，可以拒絕h0，則可以接受令一種可能性的假設（又稱備選假設，符號為h1），即兩樣本來自不同的總體，所以兩藥療效有差別。
統計學上規定的p值意義見下表
p值碰巧的概率
對無效假設
統計意義
p＞0.05
碰巧出現的可能性大於5%
不能否定無效假設
兩組差別無顯著意義
p＜0.05
碰巧出現的可能性小於5%
可以否定無效假設
兩組差別有顯著意義
p＜0.01
碰巧出現的可能性小於1%
可以否定無效假設
兩者差別有非常顯著意義
理解p值，下述幾點必須注意：
⑴p的意義不表示兩組差別的大小，p反映兩組差別有無統計學意義，並不表示差別大小。因此，與對照組相比，c藥取得p＜0.05，d藥取得p＜0.01並不表示d的藥效比c強。
⑵p＞0.05時，差異無顯著意義，根據統計學原理可知，不能否認無效假設，但並不認為無效假設肯定成立。在藥效統計分析中，更不表示兩藥等效。
哪種將「兩組差別無顯著意義」與「兩組基本等效」相同的做法是缺乏統計學依據的。
⑶統計學主要用上述三種p值表示，也可以計算出確切的p值，有人用p
＜0.001，無此必要。
⑷顯著性檢驗只是統計結論。判斷差別還要根據專業知識。樣所得的樣本，其統計量會與總體引數有所不同，這可能是由於兩種原因
[ts]kokofu
於2010-3-25
22:12
補充以下內容[/ts]
實際上生物統計原理基於此……呵呵。
檢視原帖》
t檢驗與z檢驗的區別，統計學中「Z檢驗」和「T檢驗」的區別有哪些？
1 z檢驗適用於變數符合z分佈的情況，而t檢驗適用於變版量符合t分佈權的情況 2 t分佈是z分佈的小樣本分佈，即當總體符合z分佈時，從總體中抽取的小樣本符合t分佈，而對於符合t分佈的變數，當樣本量增大時，變數資料逐漸向z分佈趨近 3 z檢驗和t檢驗都是均值差異檢驗方法，但t分佈逐漸逼近z分佈的特點，...
請問用EVIEWS做多元迴歸後，F檢驗和T檢驗怎麼做？其中自由度的n 1,n k這些的n和k分別是指什麼
多元迴歸分析會給出f檢驗和t檢驗結果的，其中f檢驗是針對整個模型的，如果檢驗顯著那麼說明自變數對因變數能夠較好地解釋 而t檢驗是針對單個變數的，如果顯著說明單個自變數對因變數有較大影響否則就需要將其踢出模型之外。自由度n一般是指樣本總數，k是指自變數的個數。f檢驗會自動出來，如果這個都不知道，還是不...
在多元迴歸中，T檢驗，Z檢驗和F檢驗有什麼區別和聯絡？分別是用來做什麼的？請用通俗的語言解釋
t檢驗和z檢驗知識使用條件不同，z檢驗是在方差已知的情況下用，如果樣本量大於50也可用z檢驗 因為z的求值需要方差這個量 f檢驗主要是檢驗樣本和總體的方差一樣，是z檢驗t檢驗的前提條件 緣分叵測，我們無從得知下一刻會發生一些什麼。在迴歸分析中,f檢驗和t檢驗各有什麼作用?f檢驗用來分析用了超過一個引...