Alpha和P值有什么区别?

在进行显着性检验或假设检验时,有两个容易混淆的数字。这些数字很容易混淆,因为它们都是零到一之间的数字,并且都是概率。一个数字称为测试统计量的p值。另一个感兴趣的数字是显着性水平或α。我们将检查这两个概率并确定它们之间的差异。

Alpha Values

数字alpha是我们测量p值的阈值。它告诉我们极端观察结果必须是如何拒绝显着性检验的零假设。

alpha的值与我们测试的置信度相关联。以下列出了一些与alpha相关值的置信度:

  • 对于置信度为90%的结果,alpha的值为1-0.90=0.10。
  • 对于置信度为95%的结果,alpha的值为1-0.95=0.05。
  • 对于置信度为99%的结果,alpha的值为1-0.99=0.01。
  • 通常,对于置信度为C%的结果,alpha的值为1-C/100。

虽然在理论和实践中许多数字可以用于alpha,但最常用的是0.05。其原因在于共识表明这个级别在许多情况下是合适的,并且历史上它已被接受为标准。但是,在许多情况下,应该使用较小的alpha值。没有一个alpha值总是决定统计显着性。

alpha值给我们一个类型I错误的概率。当我们拒绝实际为真的零假设时,会发生I型错误。因此,从长远来看,对于显着性水平为0.05=1/20的检验,真正的零假设将每20次被拒绝一次。

P-value

作为显着性检验一部分的另一个数字是p值。p值也是一个概率,但它来自与alpha不同的来源。每个测试统计量都有相应的概率或p值。该值是假设零假设为真,则观察到的统计量仅偶然发生的概率。

由于存在许多不同的测试统计信息,因此有许多不同的方法可以找到p值。在某些情况下,我们需要知道人口的概率分布

测试统计量的p值是一种说明该统计量对我们的样本数据有多极端的方式。p值越小,观察到的样品越不可能。

P值与Alpha

之间的差异

为了确定观察结果是否具有统计学意义,我们比较了α值和p值。出现了两种可能性:

  • p值小于或等于alpha。在这种情况下,我们拒绝零假设。发生这种情况时,我们说结果具有统计意义。换句话说,我们可以合理地确定,除了偶然之外,还有其他事情可以给我们一个观察到的样本。
  • p值大于alpha。在这种情况下,我们不能拒绝零假设。发生这种情况时,我们说结果没有统计学意义。换句话说,我们可以合理地确定我们观察到的数据可以仅凭偶然性来解释。

上述含义是α值越小,声称结果具有统计学意义就越困难。另一方面,alpha的值越大,越容易声称结果具有统计显着性。然而,与此相结合的是,我们观察到的可能归因于机会的可能性更高。

教育资源网_1

健康知识讲座图片