MINITAB中如何解释P值？MINITAB13~14适用

MINITAB中如何解释P值？

在MINITAB中，很多的统计试验的结论是通过P值来报告的，用于对零假设进行拒绝或接受。MINITAB技术支持频繁地接收到很多用户的电话他们很难根据P值决定对假设接受还是拒绝。
在一个基本的t试验中，举例来讲，零假设，H0，可可选假设，HA, 通常为：H0：μ=μ0，和HA ：μ≠μ0，这里μ（mu）是研究数据组的总体均值而μ0是假设的总体均值。
让我举例来说你计划来确定一种新的汽油添加剂是否对其有的使用的历程油耗有影响。如果你知道某种具体的车子等级的该汽油油耗是每加仑25英里(m.p.g)。那么这种研究的假设就是：H0：μ=25，HA μ≠25。
你试验了35台车子发现m.p.g的范围是14.4~28.8。然后你将这些数据输入MPG列，你运行MINITAB的t-试验（菜单在Stat > Basic Statistics > 1-Sample t, 或者使用命令行 TTEST）你将得到这些结果：

!(http://bbs.6sq.net/attachment.php?aid=28063)

现在怎么？解释P值
结果显示这35台样品车的均值为23.754。但是所有这种型号的35台车子的m.p.g的均值μ仍然可能为25，——你还需要知道如果有足够的样品证据来拒绝H0。这里有两种常用的途径来确定，但是两者都包含了置信水平α (alpha)，α是当H0为真的情况下拒绝H0的概率。在这种情况下得出的总体均值不等于25m.p.g结论的概率而实际上它是25。
第一种来确定你是否有足够的证据来拒绝H0的途径就是计算出t统计量的值然后跟你已经指定的α水平下的适合的t统计表中的值进行对比。
第二种方法就是计算出P值，通常称之为可获得的置信水平去跟α比较。P值就是一个指标来衡量样本证据对拒绝假设H0的支持程度。一般地，P值越小则表示拒绝零假设H0的样本证据的分量越重。特别地，P值是导致H0被拒绝的最小α值。任何α值< P值接受H0, 任何α值> P值拒绝H0。
P值也是一种从相同样本容量样本中统计试验出来的比例，并且这种样品是从相同的分布中取得的，这种是在假设H0为真的情况下统计试验产生的一个极端值。在这个t试验例子中，统计一个均值的函数，P值为0.26。这就意味着从μ=25的分布中抽取了35个样本，结果呢2.6%的样本均值显示μ不等于25。问问你自己哪一个最有可能：你非常幸运抽了这么少的样品就能显示μ不等于25；还是μ是真的不等于25？
传统上P值是跟α值进行比较的，小于0.05还是0.1，这个取决于你的现场研究需要（你的里程数可能改变的）。察看一下相关资料来确定这个可接受值吧。
在这个例子中我们假设α=0.05，P值为0.26显示所有该型号车子（不仅仅是例子中的35台样车）的m.p.g的均值可能不等于25。使用统计学中正规的说法就是“在置信水平为0.05，m.p.g的均值显著的不等于25。）
在其他试验中使用P值
零假设在不同的试验中将会不同。解释P值将依靠你对零假设和可选假设的了解。MINITAB对回归的输出，举例来说包含一个对β0, β1值得估计的假设试验。。。在下面的例子中，变量直径是统计显著的因为P值根本上就是0。
!(http://bbs.6sq.net/attachment.php?aid=28064)

在正态试验中，不管是安德森—达凌试验还是科莫戈罗夫—斯密默夫试验，零假设的的数据是服从正态分布的。在卡方独立试验中，零假设研究中有两因子——例如：年龄和投票喜好是相互独立的。
如果试验结果中的P值非常小，那么就有足够的证据来拒绝零假设而支持可选假设（“数据服从非正态分布”或者“因子是非独立的”）。
使用P值是非常简单的如果你知道两个关键因素的话：你研究领域的可接受α值；假设试验中你所使用的零假设和可选假设。