假設檢驗是推斷統計中的一項重要內容。用SAS、SPSS等專業統計軟體進行假設檢驗，在假設檢驗中常見到P值( P-Value，Probability，Pr)，P值是進行檢驗決策的另一個依據。
P值即機率，反映某一事件發生的可能性大小。統計學根據顯著性檢驗方法所得到的P 值，一般以P < 0.05 為有統計學差異， P<0.01 為有顯著統計學差異，P<0.001為有極其顯著的統計學差異。其含義是樣本間的差異由抽樣誤差所致的機率小於0.05 、0.01、0.001。實際上，P值不能賦予數據任何重要性，只能說明某事件發生的幾率。統計結果中顯示Pr > F，也可寫成Pr( >F)，P = P{ F0.05 > F}或P = P{ F0.01 > F}。
基本介紹
P值由來,數學套用,數據解釋,注意要點,計算方法,
P值由來
從某總體中抽
⑴、這一樣本是由該總體抽出，其差別是由抽樣誤差所致；
⑵、這一樣本不是從該總體抽出，所以有所不同。
如何判斷是哪種原因呢？統計學中用顯著性檢驗來判斷。其步驟是：
⑴、建立檢驗假設（又稱無效假設，符號為H0）：如要比較A藥和B藥的療效是否相等，則假設兩組樣本來自同一總體，即A藥的總體療效和B藥相等，差別僅由抽樣誤差引起的碰巧出現的。⑵、選擇適當的統計方法計算H0成立的可能性即機率有多大，機率用P值表示。⑶、根據選定的顯著性水平（0.05或0.01），決定接受還是拒絕H0。如果P>0.05，不能否定“差別由抽樣誤差引起”，則接受H0；如果P<0.05或P <0.01，可以認為差別不由抽樣誤差引起，可以拒絕H0，則可以不拒絕另一種可能性的假設（又稱備選假設，符號為H1），即兩樣本來自不同的總體，所以兩藥療效有差別。
數學套用
數據解釋
P值 | 碰巧的機率 | 對無效假設 | 統計意義 |
P>0.05 | 碰巧出現的可能性大於5% | 不能否定原假設 | 兩組差別無顯著意義 |
P<0.05 | 碰巧出現的可能性小於5% | 可以否定原假設 | 兩組差別有顯著意義 |
P <0.01 | 碰巧出現的可能性小於1% | 可以否定原假設 | 兩者差別有非常顯著意義 |
注意要點
理解P值，下述幾點必須注意：
⑴P的意義不表示兩組差別的大小，P反映兩組差別有無統計學意義，並不表示差別大小。因此，與對照組相比，C藥取得P<0.05，D藥取得P <0.01並不表示D的藥效比C強。
⑵ P>0.05時，差異無顯著意義，根據統計學原理可知，不能否認無效假設，但並不認為無效假設肯定成立。在藥效統計分析中，更不表示兩藥等效。那種將“兩組差別無顯著意義”與“兩組基本等效”相同的做法是缺乏統計學依據的。
⑶統計學主要用上述三種P值表示，也可以計算出確切的P值，有人用P <0.001，無此必要。
計算方法
(1) P值是：
1) 一種機率，一種在原假設為真的前提下出現觀察樣本以及更極端情況的機率。
2) 拒絕原假設的最小顯著性水平。
3) 觀察到的(實例的)顯著性水平。
4) 表示對原假設的支持程度，是用於確定是否應該拒絕原假設的另一種方法。
(2) P值的計算：
一般地，用X 表示檢驗的統計量，當H0為真時，可由樣本數據計算出該統計量的值C，根據檢驗統計量X的具體分布，可求出P值。具體地說：
左側檢驗的P值為檢驗統計量X 小於樣本統計值C 的機率，即：P = P{ X < C}
右側檢驗的P值為檢驗統計量X 大於樣本統計值C 的機率：P = P{ X > C}
雙側檢驗的P值為檢驗統計量X 落在樣本統計值C 為端點的尾部區域內的機率的2 倍：P = 2P{ X > C} (當C位於分布曲線的右端時) 或P = 2P{ X< C} (當C 位於分布曲線的左端時) 。若X 服從常態分配和t分布，其分布曲線是關於縱軸對稱的，故其P 值可表示為P = P{| X| > C} 。
計算出P值後，將給定的顯著性水平α與P 值比較，就可作出檢驗的結論：
如果α > P值，則在顯著性水平α下拒絕原假設。
如果α ≤ P值，則在顯著性水平α下不拒絕原假設。
