正态分布的P值
Minitab 里 检验正态分布 的P 值要大于多少才正态?
>0.05就可以。但这也只是取决于你的风险承受度。如果你能承受的只是0.005,那么大于0.005,就可以认为是正态。这里的前提是先认为这个分布就是正态分布,大于0.05(或0.0005)时只是没有足够证据能证明它不是正态分布,所以就认为它是正态分布。
一点小技巧,p 在进行正态性检验时越大越好(数据正泰的可能性越大),其他一般越小越好(因素的显著性越大)。一般在minitab help都可以得到标准。
P 值就是接受原假设时出错的概率
在Minitab 中,很多统计检验的结论是根据p 值判断的,而不是根据拒绝或者不拒绝原假设判断的。
例如,在基本的t 检验中,原假设是H0,备择假设是HA ,一般情况下,H0:
,
,备择假设是HA :
。
检验35辆汽车,发现m.p.g 的值从14.4到28.8不等。将35辆汽车的m.p.g 数值放到Minitab 列MPG 中,然后在Minitab 运行的t 检验(菜单选项,统计> 基本统计>单样本t ,或者会话命令TTEST ),并得到以下的结果:
解释p 值
结果显示,这35辆汽车的样本均值是23.754。但是所有这种类型汽车的m.p.g 均值可能是25——我们需要了解是否有足够的证据来拒绝H0。
通常有两种方式可以判断,这两种方式都和显著性水平
是当H0为真时拒绝H0的概率。在这里,它表示,当总体均值是25m.p.g ,却得出总体均值不等于25m.p.g 结论的概率。
第一种方式判断是否有足够的证据拒绝H0,是计算检验统计量的值,并将它和预先指定的
比较。p 值是样本证据拒绝H0程度的指标。一般情况下,p 值越小,拒绝H0的样本证据的权重就越大。而且,p 值是拒绝H0的最小
进行比较,是小于0.05或者0.1,这需要根据我们研究的领域(我们的油耗数可能会改变!)来决定。可以查看我们所在领域alpha 可接受的值。
在例子中,假定
,
…的假设检验。在下面的例子中,变量DIAMETER 是统计显著的,因为p 值几乎等于0。
在正态性检验中,例如Anderson-Darling 检验或者Kolmogorov-Smirnov 检验,原假设是数据服从正态分布。在独立变量的卡方检验中,原假设是研究中的两个因子——例如,年龄和投票喜好——是相互独立的。
如果检验结果的p 值足够小,则有足够的证据来拒绝原假设,支持备择假设(“数据不服从正态分布”或者“因子不相互独立”)。
知道p 值判断的两个关键点,p 值判断就会变得简单:此领域中