统计中t检验法中P值该怎样计算

P值其实就是按照抽样分布计算的一个概率值，这个值是根据检验统计量计算出来的。通过直接比较P值与给定的显著性水平a的大小就可以知道是否拒绝假设，显然这就代替了比较检验统计量的值与临界值的大小的方法。

而且通过这种方法，我们还可以知道在P值小于a的情况下犯第一类错误的实际概率是多少， P= 003< a= 005，那么拒绝假设，这一决策可能犯错误的概率是003。需要指出的是，如果P> a，那么假设不被拒绝，在这种情况下，第一类错误并不会发生。

T检验中的P值是接受两均值存在差异这个假设可能犯错误的概率。例如:如果零假设是两个总体的均值相等(u1= u2)，但是从相应的两个样本中所计算出的样本的均值不相等，有一定的“差异”。

如果根据这个“差异”值计算出p< 001，那么就是说，如果零假设是正确的，即两个总体的均值相等，那么在样本的均值之间产生了像本例中这样大的差异的概率小于001。

也就是说，产生像这两个样本均值这样大的差异的原因是随机发生的，而不是由于它们所来自的总体本来的均值就不相等，出现这种差异结果的概率是< 001。

扩展资料

P值的作用：

P值可以用来进行假设检验的决策，如果P值比显著性水平a小，检验统计量的值就是在拒绝域内。同样，如果P值大于或等于显著性水平a，检验统计量的值就不再拒绝域内。在上例咖啡问题中， P值为00038小于显著性水平a=001，说明应该拒绝原假设。

多个样本均数间的两两比较称多重比较，如果用两个样本均数比较的t检验进行多重比较，将会加大犯I类错误的概率。

例如有4个样本，两两组合数为(24)= 6，若用t检验做6次，且每次比较的检验水准选为a=005，则每次比较不犯I类错误的概率为(1- 005)6次均不犯I类错误的概率为(1- 005)6，这是总的检验水准变为1- (1- 005)6= 026，比005大多了。

因此，许多统计学家得出多重比较不适用t检验。所谓不能进行t检验的关键原因是由于检验次数增多从而获得全部检验正确的概率就会下降，即犯I类错误的概率上升了，而不是t检验本身的缺陷。

如果我们做一次新药临床试验的数据分析，在整个分析过程中进行了n次试验，那么根据这个推论，我们整个分析全对的概率可能早就所剩无几了。此时，如果犯I类错误的概率不应该由检验水平a计算，而是按照每次试验得到的P值算得，这样就会得到全部检验结果犯错误的实际概率了。

参考资料来源：百度百科-t检验

P 值即概率，反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的P 值，一般以P < 005 为显著， P <001 为非常显著，其含义是样本间的差异由抽样误差所致的概率小于005 或001。实际上，P 值不能赋予数据任何重要性，只能说明某事件发生的机率。 P < 001 时样本间的差异比P < 005 时更大，这种说法是错误的。统计结果中显示Pr > F，也可写成Pr( >F)，P = P{ F005 > F}或P = P{ F001 > F}。 下面的内容列出了P值计算方法。 (1) P值是： 1) 一种概率，一种在原假设为真的前提下出现观察样本以及更极端情况的概率。 2) 拒绝原假设的最小显著性水平。 3) 观察到的(实例的) 显著性水平。 4) 表示对原假设的支持程度，是用于确定是否应该拒绝原假设的另一种方法。 (2) P 值的计算： 一般地，用X 表示检验的统计量，当H0 为真时，可由样本数据计算出该统计量的值C ，根据检验统计量X 的具体分布，可求出P 值。具体地说: 左侧检验的P 值为检验统计量X 小于样本统计值C 的概率，即 = P{ X < C} 右侧检验的P 值为检验统计量X 大于样本统计值C 的概率 = P{ X > C} 双侧检验的P 值为检验统计量X 落在样本统计值C 为端点的尾部区域内的概率的2 倍: P = 2P{ X > C} (当C位于分布曲线的右端时) 或P = 2P{ X< C} (当C 位于分布曲线的左端时) 。若X 服从正态分布和t分布，其分布曲线是关于纵轴对称的，故其P 值可表示为P = P{| X| > C} 。 计算出P 值后，将给定的显著性水平α与P 值比较，就可作出检验的结论: 如果α > P 值，则在显著性水平α下拒绝原假设。 如果α ≤ P 值，则在显著性水平α下接受原假设。 在实践中，当α = P 值时，也即统计量的值C 刚好等于临界值，为慎重起见，可增加样本容量，重新进行抽样检验。

这是谁给你出的题？
他忽略了最重要的一点：P值即为拒绝域的面积或概率。没有原始假设，怎么来的拒绝呢？
P值是最小的可以否定假设的一个值。这里需要一个原始假设。不然一个数值没法比较，更遑论最小的否定值了。
从现在开始，注意大小写的p概念不同的。
假设检验，这里应该是比例检验（p检验，检验满意度，这是个百分比值）
P值是最小的可以否定假设的一个值。并不是简单相除就完了。
这个实验应该是：“某人说，满意度应该是80%，即p0=08。然后我们做了这个实验，测试了120个人，100个满意，20个不满意”但是这样我们能说满意度是100/120=833%么？显然不能，因为对于整个顾客群来说，你抽样测试的群体太小了。
P值的计算公式是
=2[1-Φ(z0)] 当被测假设H1为 p不等于p0时；
=1-Φ(z0) 当被测假设H1为 p大于p0时；
=Φ(z0) 当被测假设H1为 p小于p0时；
其中，Φ(z0)要查表得到。
z0=（x-np0）/(根号下（np0(1-p0)）)
最后，当P值小于某个显著参数的时候（常用005，标记为α，给你出题那个人，可能混淆了这两个概念）我们就可以否定假设。反之，则不能否定假设。
注意，这里p0是那个缺少的假设满意度，而不是要求的P值。
没有p0就形不成假设检验，也就不存在P值

P值的计算公式是：

=2[1-Φ(z0)] 当被测假设H1为p不等于p0时； 

=1-Φ(z0)  当被测假设H1为p大于p0时； 

=Φ(z0)   当被测假设H1为p小于p0时； 

总之，P值越小，表明结果越显著。但是检验的结果究竟是“显著的”、“中度显著的”还是“高度显著的”需要根据P值的大小和实际问题来解决。

统计学中回归分析的主要内容为：

1、从一组数据出发，确定某些变量之间的定量关系式，即建立数学模型并估计其中的未知参数。估计参数的常用方法是最小二乘法。

2、对这些关系式的可信程度进行检验。

---