在试算表中计算p值（p-value）教学

p值（p-value）是什么？

p值（p-value）是一个机率值，它代表反对虚无假设的证据强度，而虚无假设（H0）是一种认为变数之间没有显著差异或影响的假设。 p值帮助研究者确定观察到的结果是否具有统计显著性，或者只是偶然发生的。

在试算表中使用T.TEST函数计算p值

T.TEST 函数在试算表中常用于比较两组资料集的平均值，并计算相应的p值。此函数假设两组资料级来自相同的母体，符合常态分布，并且具有相同的变异数。以下我们将举例教您使用：

例如，当您想要知道工厂的新制程与旧制程相比，是否确实降低了平均不良率，您可以进行单尾检定。

1. 将您的数据分别输入到两列。
2. 选取一个要放p值的空白储存格。
3.输入公式：=T.TEST(array1, array2, tails, type)

• "array1" 和 "array2" 指的是两组样本的数据范围。

• "tails" 代表检定的尾数（输入1 代表单尾检定， 2 代表双尾检定。

• "type" 代表要执行的t检定类型（输入 1 代表成对样本，2 代表独立样本。

此范例的公式请用：=T.TEST(A3:A7,B3:B7,1,1)

何时使用单尾检定或双尾检定

在假设检定中何时使用单尾检定或双尾检定，取决于特定的研究题目以及预期影响的方向性。

• 当您的假设有一个具体方向性时，意即您预期产生的影响有特定方向（要不是更大、就是更小），请使用单尾检定。例如，您正在测试一种新的教学方法是否提高了学生的测验成绩，而您本来就预期它会提高成绩，您可以使用单尾检定来验证。

• 当您想确定两个组别或两种条件之间是否存在显著差异，但没有具体的方向性假设，而希望找到变化的方向时（可能是增加、或是减少），使用双尾检定。例如，您正在测试一种新药对血压是否有影响，但不确定它会增加还是降低血压，则应使用双尾检定。

如何解释p值结果

• 若p值小于显著水准（通常为 0.05）代表结果具有统计显著性。

• 若p值大于显著水准代表结果不具统计显著性，我们无法拒绝虚无假设。

在上面的例子中，得出的p值远小于选定的显著水准 0.05。我们可以得出结论，有足够的证据支持虚无假设：新制程比起旧制程确实减少了平均不良率。

使用T.Test函数计算p值的实际应用

在以下情境中，使用试算表中的T.Test 函数可帮助研究者判定两个组别或两种条件之间，是否存在显著差异和影响，从而协助您做出明确的决策。

• 医学研究：比较服用降血压新药的患者和服用一般安慰剂的患者，验证新的血压药是否能有效降低血压。

• 市场研究：分析两个不同客户群体的平均消费模式，以确定是否存在任何显著差异。

• 教育研究：评估一种新的教学方法比起传统方法，能否帮助学生获得更高的考试成绩。

• 生产品质管理：比较新制程比起旧制程，是否能提升产品品质。

• 环境研究：分析城市和农村地区的环境监测站数据，调查空气污染程度是否存在差异。

试算表中的其他p值计算方法

在试算表中，您可以根据您想进行的假设检定，使用不同的统计函数来计算p值。以下是几种常见函数：

• Z检定：Z.TEST函数一般用于已知母体标准差的大样本。例如，使用 =Z.TEST(A1:A100, 50, STDEV(A1:A100)) 可以检验 A1:A100 中的样本平均值是否与 50 显著不同。

• 卡方检定：CHISQ.TEST函数是分析类别型资料的统计方法，用来评估两变数间是否相互独立。例如，如果您的观察值在储存格 A1:A4 中，而期望值在储存格 B1:B4 中，可以使用 =CHISQ.TEST(A1:A4, B1:B4)。

• 变异数分析（ANOVA）：ANOVA函数可用于检定多组相互独立样本的母体平均数是否具有显著差异。例如，如果您有三组数据在 A1:A20、B1:B20 和 C1:C20 中，可以使用 =ANOVA(A1:A20, B1:B20, C1:C20)。

• 相关性分析：您可以使用皮尔森（Pearson）函数来衡量两个变数之间的关联强度和关系方向。例如，您的两组数据在储存格 A1:A10 和 B1:B10 中，可以使用 =PEARSON(A1:A10, B1:B10)。

在试算表计算p值时可能出现的错误

避免以下错误，确保p值计算的准确性。

• 使用错误公式

• 对p值结果解读错误

• 误解统计检定方法隐含的前提假设，例如常态性、独立性和变异数同质性，使用检定前请多加留意。

• 输入错误资料

• 混淆单尾和双尾检定

• 未能识别与处理离群值或影响点