如何解释大于 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。

执行假设检验时，我们需要指定要使用的显着性水平。

显着性水平的常见选择包括：

• α = 0.01
• α = 0.05
• α = 0.10

如果假设检验的 p 值小于指定的显着性水平，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 值不小于指定的显着性水平，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。

以下示例解释了如何在实践中解释大于 0.05 的 p 值。

示例 1：解释 P 值大于 0.05（生物学）

假设一位生物学家认为某种肥料可以使植物在一年内比正常情况（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）

当使用显着性水平 α = 0.05 检验均值假设时，生物学家收到的 p 值为0.2338 。

由于 p 值0.2338大于显着性水平0.05 ，因此生物学家未能拒绝原假设。

因此，她得出的结论是，没有足够的证据表明肥料会促进植物生长。

示例 2：解释 P 值大于 0.05（制造）

一位机械工程师认为，新的生产工艺将减少某工厂生产的缺陷部件数量，目前每批次有 3 个缺陷部件。

为了测试这一点，它使用新流程来生产一批新的小部件。

然后，它使用以下假设执行假设检验：

原假设 (H ₀ )： μ = 3（新流程对每批次缺陷部件的平均数量没有影响）

备择假设：(H _A )： μ < 3（新流程将导致每批次缺陷部件的平均数量减少）

工程师使用显着性水平 α = 0.05 对均值进行假设检验，并得到 p 值为0.134 。

由于 p 值0.134大于显着性水平0.05 ，因此工程师无法拒绝原假设。

因此，他得出的结论是，没有足够的证据表明新工艺可以减少每批生产的缺陷部件的平均数量。

其他资源

以下教程提供有关 p 值的其他信息：

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？