单因素方差分析结果分析,懂的进来

假设检验是推断统计中的一项重要内容.在假设检验中常见到P 值( P-Value,Probability,Pr),P 值是进行检验决策的另一个依据.
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 < 0.05 为显著,P F,也可写成Pr( >F),P = P{ F0.05 > F}或P = P{ F0.01 > 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 = 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 = 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.
P值是怎么来的
从某总体中抽 ⑴、这一样本是由该总体抽出,其差别是由抽样误差所致； ⑵、这一样本不是从该总体抽出,所以有所不同.如何判断是那种原因呢?统计学中用显著性检验赖判断.其步骤是：⑴、建立检验假设（又称无效假设,符号为H0）：如要比较A药和B药的疗效是否相等,则假设两组样本来自同一总体,即A药的总体疗效和B药相等,差别仅由抽样误差引起的碰巧出现的.⑵、选择适当的统计方法计算H0成立的可能性即概率有多大,概率用P值表示.⑶、根据选定的显著性水平（0.05或0.01）,决定接受还是拒绝H0.如果P＞0.05,不能否定“差别由抽样误差引起”,则接受H0；如果P＜0.05或P ＜0.01,可以认为差别不由抽样误差引起,可以拒绝H0,则可以接受令一种可能性的假设（又称备选假设,符号为H1）,即两样本来自不同的总体,所以两药疗效有差别.
统计学上规定的P值意义见下表
P值 碰巧的概率 对无效假设 统计意义
P＞0.05 碰巧出现的可能性大于5% 不能否定无效假设 两组差别无显著意义
P＜0.05 碰巧出现的可能性小于5% 可以否定无效假设 两组差别有显著意义
P ＜0.01 碰巧出现的可能性小于1% 可以否定无效假设 两者差别有非常显著意义
注意要点
理解P值,下述几点必须注意：⑴P的意义不表示两组差别的大小,P反映两组差别有无统计学意义,并不表示差别大小.因此,与对照组相比,C药取得P＜0.05,D药取得P ＜0.01并不表示D的药效比C强.⑵ P＞0.05时,差异无显著意义,根据统计学原理可知,不能否认无效假设,但并不认为无效假设肯定成立.在药效统计分析中,更不表示两药等效.哪种将“两组差别无显著意义”与“两组基本等效”相同的做法是缺乏统计学依据的.⑶统计学主要用上述三种P值表示,也可以计算出确切的P值,有人用P ＜0.001,无此必要.⑷显著性检验只是统计结论.判断差别还要根据专业知识.样所得的样本,其统计量会与总体参数有所不同,这可能是由于两种原因