P-Value در آزمون فرضیه – تفسیر نتیجه آماری

P-Value چیست؟

P-Value نمایشی آماری از احتمال درستی فرضیه صفر است. بنابراین P-Value احتمال عدم تغییر خروجی (Y) در نتیجه تغییری است که ما عمداً در ورودی (X) وارد می کنیم.

مثال: اگر ما یک فرضیه صفر داشته باشیم که می گوید هیچ رابطه آماری معنی داری بین کارایی کارگران در کارخانه نیویورک در مقایسه با کارخانه ساکرامنتو کالیفرنیا وجود ندارد، آنگاه مقدار P یک احتمال به این عبارت می دهد.

اگر بگوییم که برای آزمایش فرضیه زیر یک P-Value 0.05 اختصاص می دهیم. یعنی ما می گوییم 95 از 100 بار بازدهی متفاوتی نخواهد داشت. بنابراین ما می پذیریم که 5 درصد از مواقع ممکن است متفاوت باشند. در این مورد، فرضیه صفر تنها در صورتی رد می شود که ثابت کنیم که تفاوت در کارایی ها به وجود می آید، مثلاً 7٪ مواقع.

مقدار P مربوطه را تعیین کنید

P-Value بخش مهمی از مسئله فرضیه است. تغییر جزئی مقادیر P می تواند فرضیه انتخاب شده و کدام فرضیه رد شود را تغییر دهد. بنابراین انتخاب P-Value باید با دقت انجام شود. انواع مختلفی از خطاهای مرتبط با انتخاب P Value اشتباه وجود دارد. این خطاها بعدا توضیح داده شده است. قبل از انتخاب P-Value، مدیریت باید تصمیم بگیرد که کدام خطا را می تواند مرتکب شود.

پیوند بین P-Value و فاصله اطمینان

P-Value و فاصله اطمینان در هم تنیده شده اند. در واقع، اگر مقدار یکی را داشته باشید، می توانید به طور خودکار ارزش دیگری را استخراج کنید. فرمول استفاده شده در مقدار P = 1 – فاصله اطمینان. بنابراین برای مقدار P 0.05، فاصله اطمینان 0.95 یا 95٪ است.

نتیجه گیری به چه معناست؟

نتیجه گیری های آماری را نمی توان به معنای واقعی کلمه گرفت. قبل از اتخاذ هر گونه تصمیمی که بر اساس آنها باشد، باید به دقت درک کرد که چگونه آنها را تفسیر کرد. به عنوان مثال، در بالا بیان کردیم که فرضیه صفر در 95 درصد مواقع صادق است. آیا این بدان معناست که اگر بخواهیم 100 آزمایش را فوراً انجام دهیم، فرضیه صفر 95 بار یا بیشتر درست خواهد بود؟ خوب، نه واقعا.

اگرچه این همان چیزی است که انتظار می رود اتفاق بیفتد، کل موضوع آمار بر اساس قانون اعداد بزرگ است. این به این معنی است که این نتایج را می توان تنها پس از انجام 1000 کارآزمایی از نظر اعتبار آزمایش کرد. هنگامی که اعداد به اندازه کافی بزرگ باشند، 95٪ درست خواهد بود!