什么是 P 值？| 统计

转到

学习

什么是 P 值？| 统计

简单来说，P 值表示在假设没有影响的情况下，您对数据的惊讶程度。 p 值越小，数据似乎越不符合您的模型（即没有影响的假设）。

例如

将 A 治疗方法与 B 治疗方法进行比较，假设没有效果或没有差异；您期望零假设是正确的。您进行了测试，得到的 p 值为 0.02。这意味着，考虑到您假设各组之间不会有差异，您收集到的数据非常令人惊讶。

P 值的存在是为了保护自己免受随机性的影响。如果你进行一项研究，你所看到的效果很可能只是随机的，或者我们称之为数据噪音。这就是为什么你可能会看到组间平均值有明显差异，但在统计上却没有显著影响的原因。也可以反过来。一项研究可能显示出不显著的结果，但可能存在真正的影响；也许是因为样本量太小。

是什么影响了 p 值？

P 值受几个不同因素的影响：样本量、效应大小、测试类型及其假设。

样本量：群体越大，差异越小，就越快得到有统计学意义的结果，反之亦然。
效应大小：效应大小越大，即使小组规模较小，也能更快地获得有统计学意义的结果，反之亦然
检验类型：检验对数据分布、测量的独立性、同方差、单侧与双侧、组间与组内等假设的差异更加敏感。

例如

即使是最微小的影响，庞大的研究也能发现具有统计意义的结果。这些影响可能毫无意义。这就是临床意义所在。最初的青霉素研究使用了很小的样本，使数据显示出消除细菌的巨大作用。

P 值 <0.05 临界值

大多数研究人员使用的统计显著性阈值（即 p < 0.05）只是任意设定的。综合考虑，它应该根据您的研究设置而变化。如果您真的不希望出现假阳性结果（例如，决定进行危及生命的手术），就需要一个较低的阈值。如果您真的不希望出现假阴性（如诊断侵袭性肿瘤），您就需要进行高功率研究，并随后获得更高的 p 值临界值。这说明了类型 1 (α)和类型 2 (ß)误差之间的取舍关系。

请注意，P 值是根据数据而不是理论得出的。你不能用统计学上的显著效果来 "证明 "你的理论。你唯一能做的就是尝试用不同的研究来反驳你的理论，如果它成立，你的理论也就成立了。这就是伪造。

关于 p 值的误解

医学研究中关于 p 值的一些常见误解包括

显着的 p 值意味着效应或关联很大或具有临床意义。
- 现实 p 值仅表示在零假设下获得观察结果或更极端结果的可能性。它不提供有关效果的大小或临床意义或协会
p 值不显著意味着没有影响或关联。
- 现实不显著的 p 值仅表明观察到的结果在统计上不显著，但并不一定意味着没有影响或关联。这可能是由于统计能力较低或其他因素，如测量误差或混杂变量。
0.05 的 p 值是统计显著性的通用阈值。
- 现实显著性水平的选择取决于具体情况，并应基于研究设计、样本量和I 类错误的后果等因素。在某些情况下，例如在有多重比较或重大风险的研究中，较低的显著性水平可能是合适的
显著的 p 值证明了因果关系。
- 现实统计意义只表示在零假设下获得观察结果或更极端结果的可能性。它并不能确定因果关系，这需要研究设计、生物合理性和其他因素提供更多证据。
样本量越大，P 值越大。
- 现实样本量越大，检测效应或关联的能力越强，但并不能保证 p 值显著。效应大小、变异性和其他因素也是决定统计意义的一个因素。