P-värde

Att Omvandla ett Z-Värde till en Sannolikhet för Slump

Ett p-värde är sannolikheten att observera ett resultat minst lika extremt som det som observerades, rent slumpmässigt, om det egentligen inte fanns någon verklig effekt. Ange ett z-värde och välj en testtyp, så omvandlar denna kalkylator det till ett p-värde — standardsiffran som används för att avgöra om ett resultat är statistiskt signifikant. Om du har rå stickprovsdata istället för ett redan beräknat z-värde, hitta det först med Z-värde Kalkylator.

Ett mindre p-värde betyder att det observerade resultatet skulle vara mindre sannolikt att inträffa av ren slump, vilket är starkare bevis mot antagandet att inget verkligt pågår (“nollhypotesen”). Enligt långvarig konvention inom de flesta områden behandlas ett p-värde under 0,05 generellt som statistiskt signifikant — men det tröskelvärdet är en konvention, inte en naturlag, och vad som räknas som “tillräckligt signifikant” kan variera mellan olika områden och beroende på hur kostsam en felaktig slutsats skulle vara.

Formeln

För ett vänstersidigt test (är resultatet ovanligt lågt?):

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

För ett högersidigt test (är resultatet ovanligt högt?):

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

För ett tvåsidigt test (är resultatet ovanligt i endera riktningen?):

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

Där $\vA{z}$ är z-värdet och $\Phi$ är standardnormalfördelningens kumulativa fördelningsfunktion — sannolikheten att ett slumpmässigt draget värde från den fördelningen ligger vid eller under en given punkt, beräknad här via en väletablerad polynomapproximation av felfunktionen.

Räkneexempel

1. Ett z-värde på 1,96 är referenspunkten i läroböcker för ett tvåsidigt test vid den konventionella 95-procentiga konfidensnivån: $p = 2 \times (1 - \Phi(1,96)) \approx 2 \times (1 - 0,975) \approx 0,0500$. 2. Ett p-värde på omkring 0,05 ligger precis vid det konventionella signifikanströskelvärdet. 3. Ett större z-värde på 2,576 (den tvåsidiga referenspunkten för 99 % konfidens) ger ett mindre, mer signifikant p-värde på omkring 0,0100.

Viktiga faktorer att tänka på

• Ett p-värde talar INTE om sannolikheten att nollhypotesen är sann. Detta är en av de vanligaste feltolkningarna inom statistik — ett p-värde på 0,03 betyder att det finns 3 % sannolikhet att observera ett resultat så här extremt (eller mer extremt) OM nollhypotesen VORE sann, inte 3 % sannolikhet att nollhypotesen faktiskt är korrekt.
• Ett ensidigt och ett tvåsidigt test på samma z-värde ger olika p-värden, och att välja fel kan vilseleda. Ett ensidigt test kontrollerar bara en effekt i en specifik riktning, medan ett tvåsidigt test kontrollerar en effekt i endera riktningen — valet bör avgöras utifrån den faktiska forskningsfrågan INNAN man tittar på data, inte väljas i efterhand för att ge ett mer fördelaktigt utseende p-värde.
• Statistisk signifikans och praktisk signifikans är två olika saker. Med en tillräckligt stor urvalsstorlek kan även en liten, praktiskt betydelselös effekt ge ett mycket litet p-värde — ett statistiskt signifikant resultat är inte automatiskt en viktig eller stor verklig effekt, och effektstorlek bör beaktas tillsammans med p-värdet.
• Det konventionella 0,05-tröskelvärdet är en allmänt använd konvention, inte en universell vetenskaplig lag. Vissa områden (som partikelfysik) kräver mycket strängare tröskelvärden innan man deklarerar en upptäckt, medan andra behandlar 0,05 som en rimlig standard — vad som räknas som “tillräckligt signifikant” beror på området och kostnaden för att ha fel.

Vanliga Misstag

• Att bestämma testtypen efter att ha sett resultaten. Valet mellan ett ensidigt och tvåsidigt test bör följa av den faktiska forskningsfrågan, beslutat innan data finns tillgänglig — att byta i efterhand till vilket test som helst som ger ett mindre p-värde är en form av datamanipulation, även om oavsiktlig.
• Att rapportera ett p-värde utan något mått på effektstorlek. Ett p-värde talar bara om hur osannolikt ett resultat är under nollhypotesen — det säger ingenting om hur stort eller meningsfullt det resultatet faktiskt är, vilket är anledningen till att ett p-värde vanligtvis rapporteras tillsammans med ett konfidensintervall eller en effektstorlek, inte ensamt.
• Att behandla p = 0,049 och p = 0,051 som fundamentalt olika resultat. 0,05-gränsen är en konvention, inte en skarp linje i naturen — två så här nära resultat är praktiskt taget identiska i bevisstyrka, även om det ena tekniskt sett klarar tröskeln och det andra inte.
• Att köra många test och bara rapportera de som visade sig signifikanta. Att testa tillräckligt många jämförelser kommer förr eller senare att avslöja ett “signifikant” resultat av ren slump — betydelsen av ett p-värde förutsätter ett enda, i förväg planerat test, inte det bästa resultatet valt bland många.

Bra att Veta

• Börjar du med rå stickprovsdata istället för ett redan känt z-värde? Z-värde Kalkylator omvandlar ett rått värde mot ett känt medelvärde och standardavvikelse till det z-värde denna kalkylator behöver.
• Vill du ha ett intervall av rimliga värden istället för ett enda signifikansutlåtande? Konfidensintervall Kalkylator uttrycker osäkerhet som ett intervall, en vanlig följeslagare till ett p-värde snarare än en ersättning för det.
• Behöver du först sammanfattande statistik — medelvärde, standardavvikelse, varians — från en rå lista med tal? Statistik Kalkylator beräknar dem direkt från din data.