P値計算器 - Z・t・F・カイ二乗検定

p 値とは、帰無仮説が真であると仮定したときに、実際に観測された検定統計量と同じか、それ以上に極端な値が得られる確率です。これは古典的な統計検定のほぼすべてにおける中心的な出力であり、帰無仮説を棄却するかどうかを判断するための主要な基準です。p 値が小さいほど、帰無仮説のもとでそのデータが得られる可能性は低く、対立仮説を支持する証拠になります。 手順は通常、帰無仮説 H₀（一般に効果なし、差なし、関連なしを表す）と対立仮説 H₁ の設定から始まります。次にデータを収集し、検定統計量（Z、t、F、χ²）を計算し、その統計量の H₀ 下での確率分布を用いて p 値を求めます。p 値が事前に定めた有意水準 α（最も一般的なのは 0.05）以下であれば、H₀ を棄却し、結果を統計的に有意と判断します。 検定統計量によって従う確率分布は異なります。Z 統計量は標準正規分布に従い、母標準偏差が既知、または標本が非常に大きい場合に使います。t 統計量は特定の自由度を持つ Student の t 分布に従い（1 標本検定では df = n − 1）、母標準偏差が未知で標本が小〜中規模のときに使います。F 統計量は分子自由度と分母自由度を持つ F 分布に従い、分散分析や分散の等質性に関する F 検定の基礎になります。カイ二乗統計量は自由度 df のカイ二乗分布に従い、分割表の独立性検定や適合度検定に使われます。 片側/両側の種類は、p 値を計算するために分布のどの領域を使うかを決めます。対立仮説が非方向的（H₁: μ ≠ μ₀）なら両側検定を用い、p 値は両端の確率を合計します。対立仮説が正の方向（H₁: μ > μ₀）なら右側検定、負の方向（H₁: μ < μ₀）なら左側検定を使います。F 検定とカイ二乗検定は実務上もともと片側であり（検定統計量は負にならない）、標準的には右側 p 値が報告されます。 よくある重要な誤解は、p 値が H₀ が真である確率だというものです。そうではありません。p 値は条件付き確率であり、P( H₀ が真のときにこれほど極端なデータが得られる ) です。H₀ や H₁ が真である確率は示しません。それを知るには事前確率を用いるベイズ推論が必要です。もう一つの誤解は、p < 0.05 なら効果が大きい、あるいは実用上重要だというものです。統計的有意性は標本サイズに依存します。十分に大きい標本があれば、取るに足らない小さな効果でも p < 0.05 になります。必ず p 値と併せて効果量を報告してください。 有意水準 α はデータを見る前に決めるべきで、偽陽性（第 1 種過誤）の許容リスクを反映する必要があります。分野によって慣例は異なり、多くの生物医学・社会科学研究では α = 0.05 が標準、偽陽性のコストが高い場合は α = 0.01 が一般的、ゲノムワイド関連解析では同時に多数の検定を行うため α = 5 × 10⁻⁸ が用いられます。この計算器は α = 0.01、0.05、0.10 に対応しています。