Question

统计学里的P是如何计算出来的

P……差异有或无统计学意义。完全不明白

Answer 1

统计学意义（
p值
）ZT
结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的
可靠指标
。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=0.05提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是可接受错误的边界水平。
在最后结论中判断什么样的
显著性水平
具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，
最后的决定
通常依赖于
数据集
比较和
分析过程
中结果是
先验性
还是仅仅为
均数
之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的
边界线
，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。
所有的检验统计都是
正态分布
的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如
t检验
、
f检验
或
卡方检验
。这些检验一般都要求：所分析变量在总体中
呈正
态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析
非正态分布
变量的数据时问题就产生了，（参阅非参数和
方差分析
的
正态性检验
）。这种条件下有两种方法：一是用替代的
非参数检验
（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法
统计效率
低下、不灵活。另一种方法是：当确定
样本量
足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，
样本分布
形状趋于正态，即使所研究的变量分布并不呈正态。