ماشین حساب های ریاضی
P-value-calculator
این ابزار باورنکردنی به شما امکان می دهد مقدار p را پیدا کنید. شما می توانید از آمار تست برای تعیین اینکه کدام p-value یک طرفه و کدام یک دو طرفه است استفاده کنید.
p-value-calculator
چه مقدار p را محاسبه کنیم؟
p-value:
?
فهرست مطالب
مقدار p چیست؟
احتمال اینکه آمار آزمون مقادیری را در حداقل مقداری که در نمونه شما تولید کرده است تولید کند. لازم به ذکر است که این احتمال با فرض یک فرضیه صفر واقعی محاسبه شده است!
مقدار p شهودی تر است و به این سؤال پاسخ می دهد: اگر فرض کنم که فرضیه صفر برقرار است، پس چقدر احتمال دارد که آزمایشی که برای نمونه دیگری انجام می دهم، مقداری حداقل به اندازه آنچه دیدم تولید کند. برای نمونه ای که قبلا دارم؟
چگونه مقدار p را با استفاده از آمار تست محاسبه می کنید؟
شما باید توزیع آمار آزمون را با فرض صحت فرضیه صفر درک کنید. تابع توزیع تجمعی (cdf) میتواند برای بیان احتمال اینکه آمار آزمون حداقل به اندازه مقدار x برای نمونه بسیار شدید و افراطی است استفاده شود.
تست سمت چپ: p-value = cdf (x)
تست سمت راست: p-value = 1 - cdf (x)
تست دو طرفه: p-value = 2 * دقیقه {{cdf (x) , 1 - cdf (x) }}
آزمون فرضیه با رایج ترین توزیع های احتمال مشخص می شود. این می تواند محاسبه دستی p-value را دشوار کند. این احتمال وجود دارد که برای محاسبه مقادیر تقریبی cdf باید از یک کامپیوتر یا یک جدول آماری استفاده کنید.
اکنون می دانید که چگونه مقدار p را محاسبه کنید. اما، چرا می خواهید این کار را انجام دهید؟ روش p-value برای آزمون فرضیه جایگزینی برای رویکرد ارزش بحرانی است. سطح معناداری (a) چیزی است که محققان باید قبل از رد فرضیه صفر در صورت درست بودن آن (پس خطا) تعیین کنند. برای تعیین سریع اینکه آیا فرضیه های صفر را در آن سطح اهمیت رد کنید یا خیر، باید به سادگی p-value خود را با هر مقدار داده شده a مقایسه کنید. نحوه تفسیر p-value را به تفصیل توضیح خواهیم داد.
مقدار p را چگونه تفسیر می کنید؟
قبلاً اشاره کردیم که p-value به سؤال زیر پاسخ می دهد.
اگر فرض کنم که فرضیه صفر درست است، پس چقدر محتمل است که آزمایشی که برای نمونه دیگری انجام میدهم، مقداری حداقل به اندازه آنچه برای نمونهای که قبلاً دیدهام، ایجاد کند؟
این برای شما چه معنایی دارد؟ شما دو انتخاب دارید:
مقدار p بالا به این معنی است که داده های شما با فرضیه صفر سازگار است.
مقدار کوچک p شواهدی بر خلاف فرضیه صفر است. این بدان معنی است که اگر فرضیه صفر درست باشد، نتیجه شما بسیار بعید به نظر می رسد.
ممکن است فرضیه صفر صادق باشد، اما نمونه شما بسیار غیرعادی است. تصور کنید که ما اثرات یک داروی جدید را مطالعه می کنیم و مقدار p 0.03 به دست می آوریم. در 3٪ از مطالعات مشابه ما، این بدان معنی است که حتی اگر دارو هیچ اثری نداشته باشد، شانس تصادفی همچنان می تواند همان مقدار یا حتی بالاتر را ایجاد کند.
می توانید به این سوال پاسخ دهید که "p-value چیست؟" با موارد زیر: یک p-value کمترین سطح معنی داری است که منجر به رد فرضیه صفر می شود. اکنون، باید در مورد فرضیه صفر در سطحی از اهمیت تصمیم بگیرید. به سادگی p-value خود را با آن مقایسه کنید.
اگر مقدار p ≤ a باشد، فرضیه صفر را رد کنید و فرضیه جایگزین را بپذیرید.
اگر مقدار p ≥ a شواهد کافی برای رد فرضیه صفر ندارد.
سرنوشت فرضیه صفر با الف تعیین می شود. اگر مقدار p 0.03 بود، فرضیه صفر را در سطح معنی داری 0.05 رد می کنیم اما در 0.01 نه. به همین دلیل مهم است که سطح اهمیت را از قبل مشخص کنید و بعد از تعیین مقدار p تنظیم نکنید. سطح معنی داری 0.05 رایج ترین مقدار را نشان می دهد. با این حال، جادویی نیست.
چگونه می توانم از ماشین حساب p-value برای محاسبه p-value از آمار تست استفاده کنم؟
ماشین حساب p-value ما محاسبه p-value را برای آمارهای آزمایشی پیچیده آسان می کند. این مراحلی است که باید دنبال کنید:
از میان فرضیه جایگزین انتخاب کنید.
توزیع آمار آزمون خود را در فرضیه صفر به ما اطلاع دهید. آیا N(0.1)، t-Student، Snecor's F، chi-squared یا t-Student است؟ این بخش ها برای کسانی است که مطمئن نیستند.
در صورت لزوم، توزیع آزادی آمار آزمون را مشخص کنید.
برای نمونه داده های خود، مقدار آمار آزمون محاسبه شده را وارد کنید.
ماشین حساب آمار p-value را محاسبه می کند و در مورد فرضیه صفر تصمیم می گیرد. اهمیت استاندارد به طور پیش فرض 0.05 است.
اگر باید دقت انجام محاسبات را افزایش دهید یا اهمیت را تغییر دهید، سپس به حالت پیشرفته بروید.
چگونه می توانم مقدار p امتیازهای Z را پیدا کنم؟
از فرمول های زیر برای محاسبه مقدار p برای تابع توزیع تجمعی (CDF)، توزیع نرمال استاندارد استفاده می شود. به طور سنتی با Ph.
تست z دم چپ:
p-value = Ph (Z==امتیاز==)
آزمون z-دم راست:
p-value = 1 - (Z==امتیاز==)
تست z دو طرفه:
p-value = 2 * Ph (- | Z==score==|)
یا
p-value = 2 - 2 * Ph (- | Z==score==|)
اگر آماره آزمون به توزیع نرمال N(0.1) تقریب داشته باشد، از عدد استفاده می کنیم. قضیه حد مرکزی به شما این امکان را می دهد که وقتی نمونه های بزرگی دارید (مثلاً 50 نقطه داده) روی تقریب حساب کنید و توزیع را به صورت عادی در نظر بگیرید.
چگونه p-value t را پیدا کنم؟
مقدار t-score را می توان با استفاده از فرمول های زیر محاسبه کرد. cdf==t، d== تابع توزیع تجمعی را برای توزیع t-Student با درجه آزادی نشان می دهد.
تست تی دم چپ:
p-value = cdf==t، d==(t==score==)
تست تی دم راست:
p-value = 1 - cdf==t، d==(t==score==|)
آزمون t دو طرفه:
p-value = 2 * cdf==t، d==(-|t==score==|)
یا
p-value = 2 - 2 * cdf==t، d==(|t==score==|)
اگر آمار آزمون شما در توزیع دانش آموز است می توانید از گزینه t-score استفاده کنید. این توزیع از نظر شکل شبیه به N(0.1) است (زنگشکل، متقارن)، اما دارای دمهای بیشتری است. پارامتر درجه آزادی شکل دقیق را تعیین می کند. اگر تعداد درجه ها بیشتر از 30 باشد، توزیع t-Student را می توان از توزیع نرمال N(0.1) متمایز کرد.
آیا امکان وجود p-value منفی وجود دارد؟
مقدار p نمی تواند منفی باشد. از آنجا که احتمالات نمی توانند منفی باشند، p-value احتمالی است که آمار آزمون شرایط خاصی را برآورده می کند.
P-value با ارزش بالا به چه معناست؟
مقدار p بالا به این معنی است که احتمال زیادی وجود دارد که آمار آزمون برای نمونه دیگری مقداری تولید کند که حداقل به اندازه نمونه شما شدید باشد. اگر مقدار p شما بالا باشد، نمی توانید فرضیه صفر را رد کنید.
P-value کم ارزش به چه معناست؟
مقادیر p پایین نشان می دهد که احتمال کمی وجود دارد که آمار آزمون برای نمونه دیگری مقداری را تولید کند که حداقل به همان اندازه شدید یا مشابه آن چیزی است که برای نمونه فعلی مشاهده شد. مقادیر p پایین شواهدی برای فرضیه جایگزین هستند. آنها به شما اجازه می دهند که آن را رد کنید.
نویسنده مقاله
Parmis Kazemi
پارمیس یک تولید کننده محتوا است که علاقه زیادی به نوشتن و خلق چیزهای جدید دارد. او همچنین علاقه زیادی به فناوری دارد و از یادگیری چیزهای جدید لذت می برد.
P-value-calculator فارسی
منتشر شده: Thu Jul 28 2022
در گروه ماشین حساب های ریاضی
P-value-calculator را به وب سایت خود اضافه کنید