四組數據怎麼比較p值

① 四組數據時怎麼提出檢驗假設

提出假設：在假設檢驗中通常會提出兩個命題，分別為H0和H1命題。H0是我們希望被推翻的命題，H1是我們希望被證實的命題。
確定適當的統計量：當樣本數量大於30用Z檢驗；當樣本數量小於30 ，近似服從正太分布且總體方差已知用Z檢驗；同樣當樣本量小於30，近似服從正太分布且總體方差未知用T檢驗；但如果樣本量小於30，不服從近似正態分布，則不能用Z檢驗或者T檢驗
顯著性水平：它是指H0命題為真，拒絕H0的概率。其實它代表小概率事件發生的概率。通常顯著性水平用α表示，α可以取0.05或者0.01,它表示接受原假設正確性概率為95%或99%。
計算檢驗統計量：帶公式計算出P值，P值是指在H0為真時，當前觀測樣本發生更加極端的概率。通俗的說如果p值很小，說明是小概率事件，在H0假設為真時盡然出現了小概率事件，要拒絕H0，反之則接受
當然這里我們可能經常犯統計學中兩種錯誤：
第一類錯誤(棄真)：當H0為真時，我們拒絕了H0，發生的概率為α
第二類錯誤(取偽)：當H0為假時，我們卻接受了H0，發生的概率為β
1
2
3
1
2
3

② 菜鳥求教怎麼看t值和p值，怎麼知道各個變數的顯著性和通過t檢驗

1、首先打開excel軟體，輸入需要比較的兩組數據，選中任一空白單元格作為P值的計算單元格，點擊上方函數fx。

③ 如何用excel或spss計算下面四組數據的顯著性差異，請幫下忙！

1.首先建立四組數據，一個記錄組別，一個記錄對應數據。

N是要比較的數據。

Group 是分組標號。

然後就可以看到結果了。

其他方式比較也是類似方法。

④ 四格表精確檢驗法中的P值是

四格表確切概率的基本思想是:在四格表的周
邊合計不變的條件下，用公式

直接計算表內四個數據的各種組合之概率。


雙側檢驗時，需分別計算兩側所有|A-T|值
等於及大於現有樣本|A-T|值的四格表的P值，然後相加，即得雙側檢驗的P值。單側檢驗時，按研究目的只需計算一側所有|A-TI值等於及大於現有樣本|A-T|值的四格表的 P;值，然後相加，即為單側檢驗的P值。

⑤ 計數資料四組內兩兩之間進行比較採用什麼方法

例如 ,有 4個均數 ,兩兩組合數為C24 =6 ,若用t檢驗做6次比較 ,且每次比較的檢驗水準為α =0 0 5 ,則每次比較不犯I類錯誤的概率為 (1- 0 0 5 ) ,6次均不犯I類錯誤的概率為 (1- 0 0 5 ) 6 ,這時 ,總的檢驗水準變為 1- (1- 0 0 5 ) 6 =0 2 6 ,比 0 0 5大多了。因此 ,多組均數間的比較不能直接用兩均數t檢驗的檢驗水準和標准誤。多組均數之間的比較要採用方差分析 (F檢驗 ) ,當方差分析結果為P <0 0 5時 ,只能說明k組總體均數之間不完全相同。若想進一步了解哪兩組的差別有統計學意義 ,需進行多個均數間的多重比較 ,即SNK - q檢驗 (多個均數兩兩之間的全面比較 )、LSD -t檢驗 (適用於一對或幾對在專業上有特殊意義的均數間差別的比較 )和Dunnett檢驗 (適用於k - 1個實驗組與一個對比組均數差別的多重比較 )。

⑥ 統計P值是什麼，怎麼算

P值（P value）就是當原假設為真時所得到的樣本觀察結果或更極端結果出現的概率。如果P值很小，說明原假設情況的發生的概率很小，而如果出現了，根據小概率原理，我們就有理由拒絕原假設，P值越小，我們拒絕原假設的理由越充分。

總之，P值越小，表明結果越顯著。但是檢驗的結果究竟是「顯著的」、「中度顯著的」還是「高度顯著的」需要我們自己根據P值的大小和實際問題來解決。

計算：

為理解P值的計算過程，用Z表示檢驗的統計量，ZC表示根據樣本數據計算得到的檢驗統計量值。

1、左側檢驗

(6)四組數據怎麼比較p值擴展閱讀

美國統計協會公布了P值使用的幾大准則：

准則1：P值可以表達的是數據與一個給定模型不匹配的程度

這條准則的意思是說，我們通常會設立一個假設的模型，稱為「原假設」，然後在這個模型下觀察數據在多大程度上與原假設背道而馳。P值越小，說明數據與模型之間越不匹配。

准則2：P值並不能衡量某條假設為真的概率，或是數據僅由隨機因素產生的概率。

這條准則表明，盡管研究者們在很多情況下都希望計算出某假設為真的概率，但P值的作用並不是這個。P值只解釋數據與假設之間的關系，它並不解釋假設本身。

准則3：科學結論、商業決策或政策制定不應該僅依賴於P值是否超過一個給定的閾值。

這一條給出了對決策制定的建議：成功的決策取決於很多方面，包括實驗的設計，測量的質量，外部的信息和證據，假設的合理性等等。僅僅看P值是否小於0.05是非常具有誤導性的。

准則4：合理的推斷過程需要完整的報告和透明度。

這條准則強調，在給出統計分析的結果時，不能有選擇地給出P值和相關分析。舉個例子來說，某項研究可能使用了好幾種分析的方法。

而研究者只報告P值最小的那項，這就會使得P值無法進行解釋。相應地，聲明建議研究者應該給出研究過程中檢驗過的假設的數量，所有使用過的方法和相應的P值等。

准則5：P值或統計顯著性並不衡量影響的大小或結果的重要性。

這句話說明，統計的顯著性並不代表科學上的重要性。一個經常會看到的現象是，無論某個效應的影響有多小，當樣本量足夠大或測量精度足夠高時，P值通常都會很小。反之，一些重大的影響如果樣本量不夠多或測量精度不夠高，其P值也可能很大。

准則6：P值就其本身而言，並不是一個非常好的對模型或假設所含證據大小的衡量。

簡而言之，數據分析不能僅僅計算P值，而應該探索其他更貼近數據的模型。

聲明之後還列舉出了一些其他的能對P值進行補充的分析方手段，比如置信區間，貝葉斯方法，似然比，FDR（False Discovery Rate）等等。這些方法都依賴於一些其他的假定，但在一些特定的問題中會比P值更為直接地回答諸如「哪個假定更為正確」這樣的問題。

聲明最後給出了對統計實踐者的一些建議：好的科學實踐包括方方面面，如好的設計和實施，數值上和圖形上對數據進行匯總，對研究中現象的理解，對結果的解釋，完整的報告等等——科學的世界裡，不存在哪個單一的指標能替代科學的思維方式。