P-Værdi

At Omregne en Z-Værdi til en Sandsynlighed for Tilfældighed

En p-værdi er sandsynligheden for at se et resultat mindst lige så ekstremt som det observerede, rent tilfældigt, hvis der faktisk ikke var nogen reel effekt. Indtast en z-værdi og vælg en testtype, og denne beregner konverterer den til en p-værdi — det standardiserede tal brugt til at afgøre, om et resultat er statistisk signifikant. Hvis du har rå stikprøvedata i stedet for en allerede beregnet z-værdi, find den først med Z-Score Beregner.

En mindre p-værdi betyder, at det observerede resultat ville være mindre sandsynligt at ske ved tilfældighed alene, hvilket er stærkere bevis mod antagelsen om, at intet reelt foregår (“nulhypotesen”). Efter mangeårig konvention på tværs af de fleste felter behandles en p-værdi under 0,05 generelt som statistisk signifikant — men den tærskel er en konvention, ikke en naturlov, og hvad der tæller som “signifikant nok” kan variere efter felt og efter hvor omkostningsfuld en forkert konklusion ville være.

Formlen

For en venstresidet test (er resultatet usædvanligt lavt?):

$$p = \Phi(\vA{z})$$

For en højresidet test (er resultatet usædvanligt højt?):

$$p = 1 - \Phi(\vA{z})$$

For en tosidet test (er resultatet usædvanligt i begge retninger?):

$$p = 2 \times \left(1 - \Phi(|\vA{z}|)\right)$$

Hvor $\vA{z}$ er z-værdien, og $\Phi$ er standardnormalfordelingens kumulative fordelingsfunktion — sandsynligheden for, at en tilfældigt trukket værdi fra den fordeling falder ved eller under et givet punkt, beregnet her via en veletableret polynomiel tilnærmelse af fejlfunktionen.

Eksempel

1. En z-værdi på 1,96 er lærebogsreferencepunktet for en tosidet test ved det konventionelle 95%-konfidensniveau: $p = 2 \times (1 - \Phi(1{,}96)) \approx 2 \times (1 - 0{,}975) \approx 0{,}0500$. 2. En p-værdi på cirka 0,05 ligger lige på den konventionelle signifikanstærskel. 3. En større z-værdi på 2,576 (det tosidede referencepunkt for 99%-konfidens) giver en mindre, mere signifikant p-værdi på cirka 0,0100.

Vigtige Faktorer At Overveje

• En p-værdi fortæller dig IKKE sandsynligheden for, at nulhypotesen er sand. Dette er en af de mest almindelige fejlfortolkninger i statistik — en p-værdi på 0,03 betyder, at der er en 3%-chance for at se et resultat så ekstremt (eller mere ekstremt) HVIS nulhypotesen VAR sand, ikke en 3%-chance for, at nulhypotesen faktisk er korrekt.
• En ensidet og en tosidet test på den samme z-værdi giver forskellige p-værdier, og at vælge den forkerte kan vildlede. En ensidet test tjekker kun for en effekt i én bestemt retning, mens en tosidet test tjekker for en effekt i begge retninger — valget bør afgøres ud fra det faktiske forskningsspørgsmål, FØR man ser på dataene, ikke vælges efterfølgende for at producere en mere favorabel-udseende p-værdi.
• Statistisk signifikans og praktisk signifikans er to forskellige ting. Med en tilstrækkelig stor stikprøvestørrelse kan selv en lille, praktisk talt betydningsløs effekt producere en meget lille p-værdi — et statistisk signifikant resultat er ikke automatisk en vigtig eller stor virkelig effekt, og effektstørrelse bør overvejes sammen med p-værdien.
• Den konventionelle 0,05-tærskel er en bredt brugt konvention, ikke en universel videnskabelig lov. Nogle felter (som partikelfysik) kræver langt strengere tærskler, før man erklærer en opdagelse, mens andre behandler 0,05 som en rimelig standard — hvad der tæller som “signifikant nok”, afhænger af feltet og omkostningen ved at tage fejl.

Almindelige Fejl

• At beslutte testtypen, efter man har kigget på resultaterne. Valget mellem en ensidet og tosidet test bør følge af det faktiske forskningsspørgsmål, besluttet før dataene er i hånden — at skifte til, hvilken test der end giver en mindre p-værdi bagefter, er en form for datamanipulation, selv hvis den er utilsigtet.
• At rapportere en p-værdi uden noget mål for effektstørrelse. En p-værdi taler kun om, hvor usandsynligt et resultat er under nulhypotesen — den siger intet om, hvor stort eller meningsfuldt det resultat faktisk er, hvilket er grunden til, at en p-værdi normalt rapporteres sammen med et konfidensinterval eller en effektstørrelse, ikke alene.
• At behandle p = 0,049 og p = 0,051 som fundamentalt forskellige resultater. 0,05-grænsen er en konvention, ikke en skarp linje i naturen — to resultater så tætte på hinanden er praktisk talt identiske i bevisstyrke, selvom den ene teknisk set klarer tærsklen og den anden ikke.
• At køre mange test og kun rapportere dem, der viste sig signifikante. At teste nok sammenligninger vil til sidst afsløre et “signifikant” resultat ved tilfældighed alene — en p-værdis betydning forudsætter en enkelt, forhåndsplanlagt test, ikke det bedste resultat udvalgt blandt mange.

Godt At Vide

• Starter du fra rå stikprøvedata i stedet for en allerede kendt z-værdi? Z-Score Beregner konverterer en rå værdi mod en kendt middelværdi og standardafvigelse til den z-værdi, denne beregner har brug for.
• Vil du have et interval af sandsynlige værdier i stedet for en enkelt signifikansdom? Konfidensinterval Beregner udtrykker usikkerhed som et interval, en almindelig følgesvend til en p-værdi snarere end en erstatning for den.
• Har du brug for opsummerende statistik — middelværdi, standardafvigelse, varians — fra en rå liste af tal først? Statistik Beregner beregner dem direkte fra dine data.