P值计算器 - Z、t、F和卡方检验

p 值是在原假设为真的前提下，得到当前观测到的检验统计量或更极端结果的概率。它几乎是所有经典统计检验的核心输出，也是判断是否拒绝原假设的主要依据。p 值越小，说明在原假设成立时观察到这些数据越不可能，这为备择假设提供了证据。 分析通常从原假设 H₀（一般表示无效应、无差异或无关联）和备择假设 H₁ 开始。接着收集数据，计算检验统计量（Z、t、F 或 χ²），再根据 H₀ 下该统计量的概率分布求出 p 值。如果 p 值小于或等于你预先设定的显著性水平 α（最常见的是 0.05），就拒绝 H₀，并将结果判定为统计显著。 不同的检验统计量对应不同的概率分布。Z 统计量服从标准正态分布，适用于已知总体标准差或样本量很大的情况。t 统计量服从具有特定自由度的 Student t 分布（单样本检验时 df = n − 1），用于总体标准差未知且样本量较小到中等的情形。F 统计量服从带有分子和分母自由度的 F 分布，是方差分析和方差齐性 F 检验的基础。卡方统计量服从自由度为 df 的卡方分布，用于列联表独立性检验和拟合优度检验。 尾部类型决定用分布的哪个区域来计算 p 值。备择假设为非方向性（H₁: μ ≠ μ₀）时应使用双尾检验，p 值会把两端极端区域的概率相加。备择假设指定正向差异（H₁: μ > μ₀）时使用右尾检验；指定负向差异（H₁: μ < μ₀）时使用左尾检验。对于 F 检验和卡方检验，由于在实践中天然是单侧的（检验统计量不能为负），标准报告值通常是右尾 p 值。 一个关键且常见的误解是：p 值等于 H₀ 为真的概率。事实上并不是。p 值是条件概率：P(在 H₀ 为真时得到如此极端的数据)。它并不说明 H₀ 或 H₁ 为真的概率；若要回答这个问题，需要带先验概率的贝叶斯推断。另一个误解是 p < 0.05 就意味着效应很大或具有实际重要性。统计显著性取决于样本量——只要样本足够大，即使极其微小、几乎没有意义的效应也可能得到 p < 0.05。务必在 p 值之外同时报告效应量。 显著性水平 α 应在查看数据之前确定，并应反映可接受的假阳性（第一类错误）风险。不同领域的常用标准不同：在大多数生物医学和社会科学研究中，α = 0.05 是标准；当假阳性代价很高时，α = 0.01 更常见；在全基因组关联研究中，会使用 α = 5 × 10⁻⁸ 来应对同时进行的大量检验。本计算器支持 0.01、0.05 和 0.10 这几种 α 值。