P-nilai-kalkulator

Probabilitas bahwa statistik uji akan menghasilkan nilai paling tidak ekstrem dari nilai yang dihasilkannya dalam sampel Anda. Penting untuk diingat bahwa probabilitas ini dihitung dengan asumsi hipotesis nol yang benar!

Nilai p lebih intuitif dan menjawab pertanyaan: Jika saya berasumsi bahwa hipotesis nol berlaku, lalu seberapa besar kemungkinan tes yang saya lakukan untuk sampel lain akan menghasilkan nilai setidaknya sama ekstremnya dengan yang saya lihat untuk sampel saya sudah?

Anda harus memahami distribusi statistik uji, dengan asumsi bahwa hipotesis nol berlaku. Fungsi distribusi kumulatif (cdf) dapat digunakan untuk menyatakan probabilitas bahwa statistik uji setidaknya sama ekstrem dan ekstremnya dengan nilai x untuk sampel.

Pengujian hipotesis ditandai dengan distribusi probabilitas yang paling umum. Hal ini dapat menyulitkan untuk menghitung nilai p secara manual. Sepertinya Anda perlu menggunakan komputer atau tabel statistik untuk menghitung perkiraan nilai cdf.

Sekarang Anda tahu cara menghitung nilai-p. Tapi, mengapa Anda ingin melakukan ini? Pendekatan nilai-p untuk pengujian hipotesis merupakan alternatif dari pendekatan nilai kritis. Tingkat signifikansi (a) adalah apa yang harus ditetapkan peneliti sebelum menolak hipotesis nol jika benar (jadi salah). Untuk menentukan dengan cepat apakah akan menolak hipotesis nol pada tingkat signifikansi tersebut, Anda hanya perlu membandingkan nilai-p Anda dengan nilai a yang diberikan. Kami akan menjelaskan secara rinci bagaimana menafsirkan nilai-p.

Kami telah menyebutkan bahwa nilai-p menjawab pertanyaan berikut.

Jika saya berasumsi bahwa hipotesis nol itu benar, lalu seberapa besar kemungkinan pengujian yang saya lakukan untuk sampel lain akan menghasilkan nilai paling tidak sama ekstremnya dengan nilai yang saya lihat untuk sampel yang sudah saya miliki?

Apa artinya ini bagi Anda? Anda memiliki dua pilihan:

Mungkin hipotesis nol berlaku, tetapi sampel Anda sangat tidak biasa. Bayangkan kita mempelajari efek obat baru dan mendapatkan nilai p 0,03. Dalam 3% penelitian yang serupa dengan penelitian kami, ini berarti bahwa meskipun obat tersebut tidak memiliki efek apa pun, peluang acak masih dapat menghasilkan nilai yang sama atau bahkan lebih tinggi.

Anda dapat menjawab pertanyaan, "Berapa nilai p?" dengan sebagai berikut: Nilai p adalah tingkat signifikansi terendah yang akan menyebabkan hipotesis nol ditolak. Sekarang, Anda perlu memutuskan tentang hipotesis nol pada beberapa tingkat signifikansi. Cukup bandingkan nilai p Anda dengan.

Nasib hipotesis nol ditentukan oleh a. Jika nilai p adalah 0,03 kami akan menolak hipotesis nol pada tingkat signifikansi 0,05 tetapi tidak pada 0,01. Inilah sebabnya mengapa penting untuk menentukan tingkat signifikansi terlebih dahulu dan tidak menyesuaikan setelah nilai-p ditentukan. Tingkat signifikansi 0,05 mewakili nilai yang paling umum. Namun, itu tidak ajaib.

Kalkulator nilai-p kami memudahkan penghitungan nilai-p untuk statistik pengujian yang kompleks. Ini adalah langkah-langkah yang harus diikuti:

Jika Anda perlu meningkatkan presisi penghitungan yang dilakukan atau memodifikasi signifikansi, maka masuk ke mode lanjutan.

Rumus berikut digunakan untuk menghitung nilai p untuk fungsi distribusi kumulatif (CDF), dari distribusi normal standar. Secara tradisional dilambangkan dengan Ph.

nilai-p = Ph (Z==skor==)

nilai-p = 1 - (Z==skor==)

nilai-p = 2 * Ph (- | Z==skor==|)

atau

nilai-p = 2 - 2 * Ph (- | Z==skor==|)

Jika statistik uji mendekati distribusi normal N (0,1), kami menggunakan. Teorema limit pusat memungkinkan Anda untuk mengandalkan perkiraan ketika Anda memiliki sampel besar (misalnya 50 titik data), dan memperlakukan distribusi seperti biasa.

Nilai dari t-score dapat dihitung dengan menggunakan rumus berikut. cdf==t, d== merepresentasikan fungsi distribusi kumulatif untuk distribusi t-Student dengan kebebasan derajat.

nilai-p = cdf==t, d==(t==skor==)

nilai-p = 1 - cdf==t, d==(t==skor==|)

nilai-p = 2 * cdf==t, d==(-|t==skor==|)

atau

nilai-p = 2 - 2 * cdf==t, d==(|t==skor==|)

Jika statistik tes Anda dalam distribusi siswa, Anda dapat menggunakan opsi t-score. Distribusi ini mirip dengan bentuk N(0.1) (berbentuk lonceng, simetris), tetapi memiliki lebih banyak ekor. Parameter derajat kebebasan menentukan bentuk yang tepat. Distribusi t-Student dapat dibedakan dari distribusi N(0.1) normal jika jumlah derajat lebih besar dari 30.

Nilai p tidak boleh negatif. Karena probabilitas tidak boleh negatif, nilai p adalah probabilitas bahwa statistik uji akan memenuhi kondisi tertentu.

Nilai p yang tinggi berarti ada kemungkinan besar bahwa statistik uji untuk sampel lain akan menghasilkan nilai yang setidaknya sama ekstremnya dengan yang ada dalam sampel Anda. Anda tidak dapat menolak hipotesis nol jika nilai p Anda tinggi.

Nilai p yang rendah menunjukkan bahwa kecil kemungkinan bahwa statistik uji untuk sampel lain akan menghasilkan nilai yang setidaknya sama ekstremnya atau mirip dengan yang diamati untuk sampel saat ini. Nilai p yang rendah adalah bukti untuk hipotesis alternatif. Mereka mengizinkan Anda untuk menolaknya.