Что такое p уровень значимости

В любой научно-практической ситуации эксперимента (обследования) исследователи могут исследовать не всех людей (генеральную совокупность, популяцию), а только определенную выборку. Например, даже если мы исследуем относительно небольшую группу людей, например страдающих определенной болезнью, то и в этом случае весьма маловероятно, что у нас имеются соответствующие ресурсы или необходимость тестировать каждого больного. Вместо этого обычно тестируют выборку из популяции, поскольку это удобнее и занимает меньше времени. В таком случае, откуда нам известно, что результаты, полученные на выборке, представляют всю группу? Или, если использовать профессиональную терминологию, можем ли мы быть уверены, что наше исследование правильно описывает всю популяцию, выборку из которой мы использовали?

Например, при каком значении вероятности вы готовы сказать, что таких шансов достаточно, чтобы рискнуть? Если шансы будут 10 из 100 или 50 из 100? А что если эта вероятность выше? Что можно сказать о таких шансах, как 90 из 100, 95 из 100 или 98 из 100? Для ситуации, связанной с риском, этот выбор довольно проблематичен, ибо зависит от личностных особенностей человека.

4.4 P значение .

В психологии же традиционно считается, что 95 или более шансов из 100 означают, что вероятность правильности результатов достаточна высока для того, чтобы их можно было распространить на всю популяцию. Эта цифра установлена в процессе научно-практической деятельности — нет никакого закона, согласно которому следует выбрать в качестве ориентира именно ее (и действительно, в других науках иногда выбирают другие значения уровня значимости).

В психологии оперируют этой вероятностью несколько необычным образом. Вместо вероятности того, что выборка представляет популяцию, указывается вероятность того, что выборка не представляет популяцию. Иначе говоря, это вероятность того, что обнаруженная связь или различия носят случайный характер и не являются свойством совокупности.

Таким образом, вместо того чтобы утверждать, что результаты исследования правильны с вероятностью 95 из 100, психологи говорят, что имеется 5 шансов из 100, что результаты неправильны (точно так же 40 шансов из 100 в пользу правильности результатов означают 60 шансов из 100 в пользу их неправильности). Значение вероятности иногда выражают в процентах, но чаще его записывают в виде десятичной дроби.

Например, 10 шансов из 100 представляют в виде десятичной дроби 0,1; 5 из 100 записывается как 0,05; 1 из 100 — 0,01. При такой форме записи граничным значением является 0,05. Чтобы результат считался правильным, его уровень значимости должен быть ниже этого числа (вы помните, что это вероятность того, что результат неправильно описывает популяцию). Чтобы покончить с терминологией, добавим, что «вероятность неправильности результата» (которую правильнее называть уровнем значимости) обычно обозначается латинской буквой р. В описание результатов эксперимента обычно включают резюмирующий вывод, такой как «результаты оказались значимыми на уровне достоверности (р 0,1

09-03 p значение

Статистически достоверные различия не обнаружены

Статистические критерии обозначают также метод расчета определенного числа и само это число. Все критерии используются с одной главной целью: определить уровень значимости анализируемых с их помощью данных (т.е. вероятность того, что эти данные отражают истинный эффект, правильно представляющий популяцию, из которой сформирована выборка).

Некоторые критерии можно использовать только для нормально распределенных данных (и если признак измерен по интервальной шкале) — эти критерии обычно называют параметрическими. С помощью других критериев можно анализировать данные практически с любым законом распределения — их называют непараметрическими.

Параметрические критерии — критерии, включающие в формулу расчета параметры распределения, т.е. средние и дисперсии (^-критерий Стью- дента, F-критерий Фишера и др.).

Непараметрические критерии — критерии, не включающие в формулу расчета параметров распределения и основанные на оперировании частотами или рангами (критерий Q Розенбаума, критерий U Манна — Уитни

Например, когда мы говорим, что достоверность различий определялась по ^-критерию Стьюдента, то имеется в виду, что использовался метод ^-критерия Стьюдента для расчета эмпирического значения, которое затем сравнивается с табличным (критическим) значением.

По соотношению эмпирического (нами вычисленного) и критического значений критерия (табличного) мы можем судить о том, подтверждается или опровергается наша гипотеза. В большинстве случаев для того, чтобы мы признали различия значимыми, необходимо, чтобы эмпирическое значение критерия превышало критическое, хотя есть критерии (например, критерий Манна — Уитни или критерий знаков), в которых мы должны придерживаться противоположного правила.

В некоторых случаях расчетная формула критерия включает в себя количество наблюдений в исследуемой выборке, обозначаемое как п. По специальной таблице мы определяем, какому уровню статистической значимости различий соответствует данная эмпирическая величина. В большинстве случаев одно и то же эмпирическое значение критерия может оказаться значимым или незначимым в зависимости от количества наблюдений в исследуемой выборке (п) или от так называемого количества степеней свободы, которое обозначается как v (г>) или как df (иногда d).

Зная п или число степеней свободы, мы по специальным таблицам (основные из них приводятся в приложении 5) можем определить критические значения критерия и сопоставить с ними полученное эмпирическое значение. Обычно это записывается так: «при п = 22 критические значения критерия составляют tSt = 2,07» или «при v (d) = 2 критические значения критерия Стьюдента составляют = 4,30» и т.н.

Обычно предпочтение оказывается все же параметрическим критериям, и мы придерживаемся этой позиции. Считается, что они более надежны, и с их помощью можно получить больше информации и провести более глубокий анализ. Что касается сложности математических вычислений, то при использовании компьютерных программ эта сложность исчезает (но появляются некоторые другие, впрочем, вполне преодолимые).

• [1] В настоящем учебнике мы подробно не рассматриваем проблему статистических
• [2] гипотез (нулевой — Я0 и альтернативной — Нj) и принимаемые статистические решения,поскольку студенты-психологи изучают это отдельно по дисциплине «Математическиеметоды в психологии». Кроме того, необходимо отметить, что при оформлении исследовательского отчета (курсовой или дипломной работы, публикации) статистические гипотезыи статистические решения, как правило, не приводятся. Обычно при описании результатовуказывают критерий, приводят необходимые описательные статистики (средние, сигмы,коэффициенты корреляции и т.д.), эмпирические значения критериев, степени свободыи обязательно р-уровень значимости. Затем формулируют содержательный вывод в отношении проверяемой гипотезы с указанием (обычно в виде неравенства) достигнутого илинедостигнутого уровня значимости.

Источник: studme.org

Альфа и P-значения

При проведении проверки значимости или проверки гипотезы есть два числа, которые легко спутать. Эти числа легко спутать, потому что они оба числа от нуля до единицы и, по сути, являются вероятностями. Один номер называется п -значение тестовой статистики. Другое число интереса — уровень значимости, или альфа. Мы рассмотрим эти две вероятности и определим разницу между ними.

Альфа — уровень значимости

Число альфа — это пороговое значение, по которому мы измеряем значения p. Он говорит нам, насколько экстремальными должны быть наблюдаемые результаты, чтобы отклонить нулевую гипотезу теста значимости.

Значение альфа связано с уровнем достоверности нашего теста. Ниже перечислены некоторые уровни достоверности с соответствующими значениями альфа:

• Для результатов с уровнем достоверности 90% значение альфа составляет 1 — 0,90 = 0,10.
• Для результатов с уровнем достоверности 95% значение альфа составляет 1 — 0,95 = 0,05.
• Для результатов с уровнем достоверности 99% значение альфа составляет 1 — 0,99 = 0,01.
• И вообще, для результатов с уровнем достоверности C% значение альфа равно 1 — C / 100.

Хотя в теории и на практике многие числа могут быть использованы для альфа, наиболее часто используется 0,05. Причиной этого является то, что консенсус показывает, что этот уровень является подходящим во многих случаях, и исторически он был принят в качестве стандарта. Однако существует много ситуаций, когда следует использовать меньшее значение альфа. Не существует единственного значения альфа, которое всегда определяет статистическую значимость.

Значение альфа дает нам вероятность ошибки типа I. Ошибки типа I возникают, когда мы отвергаем нулевую гипотезу, которая на самом деле верна. Таким образом, в долгосрочной перспективе для теста с уровнем значимости 0,05 = 1/20 истинная нулевая гипотеза будет отвергаться один раз в 20 раз.

P-значение

Другое число, которое является частью теста значимости, является п -значение. п Значение также является вероятностью, но оно исходит из другого источника, чем альфа. Каждая тестовая статистика имеет соответствующую вероятность или п -значение. Это значение — вероятность того, что наблюдаемая статистика произошла случайно, предполагая, что нулевая гипотеза верна.

Поскольку существует ряд различных статистических данных о тестах, существует ряд различных способов найти п -значение. Для некоторых случаев нам нужно знать распределение вероятностей населения.

п -значение тестовой статистики — это способ сказать, насколько экстремальной является эта статистика для наших выборочных данных. Чем меньше п -значение, тем более маловероятно наблюдаемый образец.

Статистическая значимость

Чтобы определить, является ли наблюдаемый результат статистически значимым, мы сравниваем значения альфа и п -значение. Появляются две возможности:

• п -значение меньше или равно альфе. В этом случае мы отвергаем нулевую гипотезу. Когда это происходит, мы говорим, что результат является статистически значимым. Другими словами, мы достаточно уверены, что есть что-то, кроме одного случая, которое дало нам наблюдаемую выборку.
• п -значение больше, чем альфа. В этом случае мы не можем отклонить нулевую гипотезу. Когда это происходит, мы говорим, что результат не является статистически значимым. Другими словами, мы достаточно уверены, что наши наблюдаемые данные могут быть объяснены только случайностью.

Следствием вышесказанного является то, что чем меньше значение альфа, тем сложнее утверждать, что результат является статистически значимым. С другой стороны, чем больше значение альфа, тем легче утверждать, что результат является статистически значимым. Однако с этим связана более высокая вероятность того, что то, что мы наблюдали, можно отнести к случайности.

При проведении проверки значимости или проверки гипотезы есть два числа, которые легко спутать. Эти числа легко спутать, потому что они оба числа от нуля до единицы и, по сути, являются вероятностями. Один номер называется п -значение тестовой статистики. Другое число интереса — уровень значимости, или альфа. Мы рассмотрим эти две вероятности и определим разницу между ними.

Альфа — уровень значимости

Число альфа — это пороговое значение, по которому мы измеряем значения p. Он говорит нам, насколько экстремальными должны быть наблюдаемые результаты, чтобы отклонить нулевую гипотезу теста значимости.

Значение альфа связано с уровнем достоверности нашего теста. Ниже перечислены некоторые уровни достоверности с соответствующими значениями альфа:

• Для результатов с уровнем достоверности 90% значение альфа составляет 1 — 0,90 = 0,10.
• Для результатов с уровнем достоверности 95% значение альфа составляет 1 — 0,95 = 0,05.
• Для результатов с уровнем достоверности 99% значение альфа составляет 1 — 0,99 = 0,01.
• И вообще, для результатов с уровнем достоверности C% значение альфа равно 1 — C / 100.

Хотя в теории и на практике многие числа могут быть использованы для альфа, наиболее часто используется 0,05. Причиной этого является то, что консенсус показывает, что этот уровень является подходящим во многих случаях, и исторически он был принят в качестве стандарта. Однако существует много ситуаций, когда следует использовать меньшее значение альфа. Не существует единственного значения альфа, которое всегда определяет статистическую значимость.

Значение альфа дает нам вероятность ошибки типа I. Ошибки типа I возникают, когда мы отвергаем нулевую гипотезу, которая на самом деле верна. Таким образом, в долгосрочной перспективе для теста с уровнем значимости 0,05 = 1/20 истинная нулевая гипотеза будет отвергаться один раз в 20 раз.

P-значение

Другое число, которое является частью теста значимости, является п -значение. п Значение также является вероятностью, но оно исходит из другого источника, чем альфа. Каждая тестовая статистика имеет соответствующую вероятность или п -значение. Это значение — вероятность того, что наблюдаемая статистика произошла случайно, предполагая, что нулевая гипотеза верна.

Поскольку существует ряд различных статистических данных о тестах, существует ряд различных способов найти п -значение. Для некоторых случаев нам нужно знать распределение вероятностей населения.

п -значение тестовой статистики — это способ сказать, насколько экстремальной является эта статистика для наших выборочных данных. Чем меньше п -значение, тем более маловероятно наблюдаемый образец.

Статистическая значимость

Чтобы определить, является ли наблюдаемый результат статистически значимым, мы сравниваем значения альфа и п -значение. Появляются две возможности:

• п -значение меньше или равно альфе. В этом случае мы отвергаем нулевую гипотезу. Когда это происходит, мы говорим, что результат является статистически значимым. Другими словами, мы достаточно уверены, что есть что-то, кроме одного случая, которое дало нам наблюдаемую выборку.
• п -значение больше, чем альфа. В этом случае мы не можем отклонить нулевую гипотезу. Когда это происходит, мы говорим, что результат не является статистически значимым. Другими словами, мы достаточно уверены, что наши наблюдаемые данные могут быть объяснены только случайностью.

Следствием вышесказанного является то, что чем меньше значение альфа, тем сложнее утверждать, что результат является статистически значимым. С другой стороны, чем больше значение альфа, тем легче утверждать, что результат является статистически значимым. Однако с этим связана более высокая вероятность того, что то, что мы наблюдали, можно отнести к случайности.

Источник: ru.lifeunoreg.com

Как рассчитать P Value?

P-значение , также называемое значением вероятности, является статистической мерой, используемой для определения того, принимать или отклонять нулевую гипотезу, считая, что нулевая гипотеза истинна .
Для вычисления p-значения мы проводим эксперимент и на основе наблюдений за тестовой статистикой принимаем решения, т. Е. Если показатель статистически ниже уровня значимости, нулевая гипотеза отклоняется, указывая, что нулевая гипотеза очень менее вероятно.

Предположения:

Методы определения P Value

Путем моделирования
Мы моделируем ситуацию и берем образцы, которые подтверждают, что наша нулевая гипотеза верна. В приведенном выше примере мы берем 20 выборок по 50 сотрудников в каждой, и в каждой выборке 12% индийских сотрудников (нулевая гипотеза). Мы повторно отбираем 20 выборок по 50 сотрудников в каждой из собранных выше выборок.
Ниже приведены результаты моделирования:

Есть 5 образцов из 20, в которых более 20% сотрудников были индийцами.
Следовательно, значение p будет 5/20 = 0,25.
Поскольку уровень значимости составлял 5%, а после моделирования получилось значение 25%, мы не можем отклонить нулевую гипотезу.

z Статистика
Чтобы выполнить z-тест, для образцов, которые мы собираем, должны быть выполнены три условия:

• Случайный: выборка данных должна быть чисто случайной.
• Нормальный: данные должны быть примерно нормально распределены.
• Независимый: выборка должна быть независимой от предыдущей, т. Е. Нам нужно выполнить выборку с заменой, или мы можем проверить, составляет ли выборка менее 10% ее генеральной совокупности.

Предполагая, что три условия соблюдены, значение z рассчитывается путем рассмотрения стандартного отклонения между статистикой выборки и долей населения.
Для теста z среднее значение не учитывается, вместо этого мы берем пропорции для вычисления значения p.

Здесь ρ (Население) = 12%, ρ (Выборка) = 20% и n = 50 (Учитывая, что ρ, т. Е. Пропорция, совпадает со средним)
Получаем, z = -0,004
Значение p получается из таблицы z для указанного выше значения z, которое составляет 0,4840, т. Е. Примерно 48%.
Поскольку уровень значимости составлял 5%, а мы получили 48%, мы не можем отклонить нулевую гипотезу.

t Статистика
В t-тесте все три условия соответствуют требованиям z-теста, т. Е. Выборка должна быть случайной, нормальной и независимой.

Здесь μ (популяция) = 12%, μ (образец) = 20%, σ (образец), т. Е. Стандартное отклонение образца должно быть 5, а n = 50.
Тогда t = -0,113
Для t-теста мы смотрим в таблицу t, чтобы найти p-значение, степень свободы (df) равна n-1, то есть 49, и мы ищем, чтобы значение в строке 49 было равно или больше t, и получить соответствующее значение y, чтобы получить значение p примерно 45%.
Поскольку p-значение составляет 45%, а у нас есть уровень значимости 5%, мы не можем отклонить нулевую гипотезу.

Note: When considering means, t-test is used, and when considering proportions, z test is used.

Источник: progler.ru