如何解释小于 0.05 的 p 值（附示例）

检验假设用于检验关于总体参数的假设是否正确。

每当我们进行假设检验时，我们总是定义原假设和备择假设：

• 零假设 (H ₀ )：样本数据仅来自偶然。
• 备择假设 ( _HA )：样本数据受到非随机原因的影响。

如果假设检验的 p 值低于一定的显着性水平（例如 α = 0.05），那么我们可以拒绝原假设并得出结论：我们有足够的证据表明备择假设为真。

如果 p 值不小于 0.05，我们无法拒绝原假设，并得出结论：我们没有足够的证据表明备择假设为真。

以下示例说明了如何在实践中解释小于 0.05 的 p 值以及如何解释大于 0.05 的 p 值。

示例：解释 P 值小于 0.05

假设一家工厂声称生产每条轮胎重 200 磅。

审核员介入并使用 0.05 的显着性水平来测试平均轮胎重量为 200 磅的原假设与平均轮胎重量不是 200 磅的备择假设。

原假设 (H ₀ )： μ = 200

备择假设：( _HA )： μ ≠ 200

当检验平均值的假设时，审核员得到的 p 值为0.0154 。

由于 p 值0.0154小于显着性水平0.05 ，审核员拒绝零假设并得出结论，有足够的证据可以断言轮胎的实际平均重量 n 不是 200 磅。

示例：解释 P 值大于 0.05

假设一位生物学家认为某种肥料可以使植物在三个月内比正常情况（目前为 20 英寸）生长得更多。为了测试这一点，她对实验室中的每株植物施了三个月的肥料。

然后，她使用以下假设进行假设检验：

原假设 (H ₀ )： μ = 20 英寸（肥料对植物平均生长没有影响）

替代假设：( _HA )： μ > 20 英寸（肥料将导致植物生长平均增加）

通过对平均值进行假设检验，生物学家获得 p 值为0.2338 。

由于 p 值0.2338大于显着性水平0.05 ，生物学家未能拒绝原假设，并得出结论：没有足够的证据来断言肥料会促进植物生长。

其他资源

P值和统计显着性的解释
统计或实际重要性
P值对比阿尔法：有什么区别？