如何在 python 中从 t 分数找到 p 值

在统计学中，我们通常希望确定与假设检验产生的特定 t 分数相关的p 值。如果该 p 值低于一定的显着性水平，我们可以拒绝假设检验的原假设。

要在 Python 中查找与 t 分数相关的 p 值，我们可以使用scipy.stats.t.sf() 函数，该函数使用以下语法：

scipy.stats.t.sf(abs(x), df)

金子：

• x:分数 t
• df：自由度

以下示例说明如何查找与左侧检验、右侧检验和双尾检验的 t 分数关联的 p 值。

左测试

假设我们想要在左假设检验中找到与 t 分数-0.77和 df = 15相关的 p 值。

 import scipy.stats

#find p-value
scipy.stats.t.sf(abs(-.77), df=15)

0.2266283049085413

p 值为0.2266 。如果我们使用 α = 0.05 的显着性水平，我们将无法拒绝假设检验的原假设，因为该 p 值不小于 0.05。

正确的测试

假设我们想要在右翼假设检验中找到与 t 分数1.87和 df = 24相关的 p 值。

 import scipy.stats

#find p-value
scipy.stats.t.sf(abs(1.87), df=24)

0.036865328383323424

p 值为0.0368 。如果我们使用 α = 0.05 的显着性水平，我们将拒绝假设检验的原假设，因为该 p 值小于 0.05。

双面测试

假设我们想要在双尾假设检验中找到与 t 分数1.24和 df = 22相关的 p 值。

 import scipy.stats

#find p-value for two-tailed test
scipy.stats.t.sf(abs(1.24), df=22)*2

0.22803901531680093

为了找到这个双边 p 值，我们只需将单边 p 值乘以 2。

p 值为0.2280 。如果我们使用 α = 0.05 的显着性水平，我们将无法拒绝假设检验的原假设，因为该 p 值不小于 0.05。

相关：您还可以使用此在线T 分数到 P 值计算器来查找 p 值。