四组数据怎么比较p值

① 四组数据时怎么提出检验假设

提出假设：在假设检验中通常会提出两个命题，分别为H0和H1命题。H0是我们希望被推翻的命题，H1是我们希望被证实的命题。
确定适当的统计量：当样本数量大于30用Z检验；当样本数量小于30 ，近似服从正太分布且总体方差已知用Z检验；同样当样本量小于30，近似服从正太分布且总体方差未知用T检验；但如果样本量小于30，不服从近似正态分布，则不能用Z检验或者T检验
显着性水平：它是指H0命题为真，拒绝H0的概率。其实它代表小概率事件发生的概率。通常显着性水平用α表示，α可以取0.05或者0.01,它表示接受原假设正确性概率为95%或99%。
计算检验统计量：带公式计算出P值，P值是指在H0为真时，当前观测样本发生更加极端的概率。通俗的说如果p值很小，说明是小概率事件，在H0假设为真时尽然出现了小概率事件，要拒绝H0，反之则接受
当然这里我们可能经常犯统计学中两种错误：
第一类错误(弃真)：当H0为真时，我们拒绝了H0，发生的概率为α
第二类错误(取伪)：当H0为假时，我们却接受了H0，发生的概率为β
1
2
3
1
2
3

② 菜鸟求教怎么看t值和p值，怎么知道各个变量的显着性和通过t检验

1、首先打开excel软件，输入需要比较的两组数据，选中任一空白单元格作为P值的计算单元格，点击上方函数fx。

③ 如何用excel或spss计算下面四组数据的显着性差异，请帮下忙！

1.首先建立四组数据，一个记录组别，一个记录对应数据。

N是要比较的数据。

Group 是分组标号。

然后就可以看到结果了。

其他方式比较也是类似方法。

④ 四格表精确检验法中的P值是

四格表确切概率的基本思想是:在四格表的周
边合计不变的条件下，用公式

直接计算表内四个数据的各种组合之概率。


双侧检验时，需分别计算两侧所有|A-T|值
等于及大于现有样本|A-T|值的四格表的P值，然后相加，即得双侧检验的P值。单侧检验时，按研究目的只需计算一侧所有|A-TI值等于及大于现有样本|A-T|值的四格表的 P;值，然后相加，即为单侧检验的P值。

⑤ 计数资料四组内两两之间进行比较采用什么方法

例如 ,有 4个均数 ,两两组合数为C24 =6 ,若用t检验做6次比较 ,且每次比较的检验水准为α =0 0 5 ,则每次比较不犯I类错误的概率为 (1- 0 0 5 ) ,6次均不犯I类错误的概率为 (1- 0 0 5 ) 6 ,这时 ,总的检验水准变为 1- (1- 0 0 5 ) 6 =0 2 6 ,比 0 0 5大多了。因此 ,多组均数间的比较不能直接用两均数t检验的检验水准和标准误。多组均数之间的比较要采用方差分析 (F检验 ) ,当方差分析结果为P <0 0 5时 ,只能说明k组总体均数之间不完全相同。若想进一步了解哪两组的差别有统计学意义 ,需进行多个均数间的多重比较 ,即SNK - q检验 (多个均数两两之间的全面比较 )、LSD -t检验 (适用于一对或几对在专业上有特殊意义的均数间差别的比较 )和Dunnett检验 (适用于k - 1个实验组与一个对比组均数差别的多重比较 )。

⑥ 统计P值是什么，怎么算

P值（P value）就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。

总之，P值越小，表明结果越显着。但是检验的结果究竟是“显着的”、“中度显着的”还是“高度显着的”需要我们自己根据P值的大小和实际问题来解决。

计算：

为理解P值的计算过程，用Z表示检验的统计量，ZC表示根据样本数据计算得到的检验统计量值。

1、左侧检验

(6)四组数据怎么比较p值扩展阅读

美国统计协会公布了P值使用的几大准则：

准则1：P值可以表达的是数据与一个给定模型不匹配的程度

这条准则的意思是说，我们通常会设立一个假设的模型，称为“原假设”，然后在这个模型下观察数据在多大程度上与原假设背道而驰。P值越小，说明数据与模型之间越不匹配。

准则2：P值并不能衡量某条假设为真的概率，或是数据仅由随机因素产生的概率。

这条准则表明，尽管研究者们在很多情况下都希望计算出某假设为真的概率，但P值的作用并不是这个。P值只解释数据与假设之间的关系，它并不解释假设本身。

准则3：科学结论、商业决策或政策制定不应该仅依赖于P值是否超过一个给定的阈值。

这一条给出了对决策制定的建议：成功的决策取决于很多方面，包括实验的设计，测量的质量，外部的信息和证据，假设的合理性等等。仅仅看P值是否小于0.05是非常具有误导性的。

准则4：合理的推断过程需要完整的报告和透明度。

这条准则强调，在给出统计分析的结果时，不能有选择地给出P值和相关分析。举个例子来说，某项研究可能使用了好几种分析的方法。

而研究者只报告P值最小的那项，这就会使得P值无法进行解释。相应地，声明建议研究者应该给出研究过程中检验过的假设的数量，所有使用过的方法和相应的P值等。

准则5：P值或统计显着性并不衡量影响的大小或结果的重要性。

这句话说明，统计的显着性并不代表科学上的重要性。一个经常会看到的现象是，无论某个效应的影响有多小，当样本量足够大或测量精度足够高时，P值通常都会很小。反之，一些重大的影响如果样本量不够多或测量精度不够高，其P值也可能很大。

准则6：P值就其本身而言，并不是一个非常好的对模型或假设所含证据大小的衡量。

简而言之，数据分析不能仅仅计算P值，而应该探索其他更贴近数据的模型。

声明之后还列举出了一些其他的能对P值进行补充的分析方手段，比如置信区间，贝叶斯方法，似然比，FDR（False Discovery Rate）等等。这些方法都依赖于一些其他的假定，但在一些特定的问题中会比P值更为直接地回答诸如“哪个假定更为正确”这样的问题。

声明最后给出了对统计实践者的一些建议：好的科学实践包括方方面面，如好的设计和实施，数值上和图形上对数据进行汇总，对研究中现象的理解，对结果的解释，完整的报告等等——科学的世界里，不存在哪个单一的指标能替代科学的思维方式。