Calcolatore di P-Value

p-value
Avanti

Inserisci una statistica di test, z, t o chi-quadrato, insieme ai gradi di libertà dove rilevante, e il calcolatore restituisce il p-value per ipotesi a una o due code. È un elemento fondamentale per i compiti di statistica e i test A/B: una volta ottenuta la statistica di test dai tuoi dati, questo la converte nella probabilità di osservare qualcosa di almeno altrettanto estremo sotto l’ipotesi nulla.

Come vengono calcolati i p-value

  1. 1

    Scegli la distribuzione

    z per medie e proporzioni di campioni grandi, t per medie di campioni piccoli con deviazione standard nota, chi-quadrato per il test di adattamento e tabelle di contingenza.

  2. 2

    Inserisci la statistica

    Il tuo valore osservato di z, t o chi-quadrato dai dati.

  3. 3

    Scegli le code

    Due code per "diverso in entrambe le direzioni", una coda per ipotesi direzionali "maggiore" o "minore".

  4. 4

    Leggi il p-value

    L'area nelle code della distribuzione oltre la tua statistica.

Tabella di riferimento (due code)

Statistica p-value Interpretazione
z = 1.64 0.10 Marginale
z = 1.96 0.05 Soglia classica
z = 2.58 0.01 Forte
z = 3.29 0.001 Molto forte
t(20) = 2.09 0.05 ~1.96 equivalente per df = 20
t(5) = 2.57 0.05 I campioni piccoli spingono il critico più in alto

Cosa significa un p-value

Un p-value è la probabilità, assumendo che l’ipotesi nulla sia vera, di vedere una statistica di test almeno altrettanto estrema quanto quella che hai osservato. Un p piccolo significa che i dati sarebbero improbabili sotto l’ipotesi nulla, quindi l’ipotesi nulla è o errata, o hai avuto sfortuna.

Cosa non significa un p-value

  • Non è la probabilità che l’ipotesi nulla sia vera.
  • Non è la probabilità che replicherai il risultato.
  • Non è la dimensione dell’effetto. Un effetto insignificante e minuscolo può dare p < 0.001 con un campione sufficientemente grande.
  • Non è una soglia che separa “reale” da “non reale”, 0.05 è una convenzione, non una legge.

Scegliere una coda o due code

Usa una coda solo quando hai un’ipotesi direzionale genuina specificata prima di vedere i dati (il tuo farmaco può solo aiutare, non danneggiare). Altrimenti usa due code. Passare a una coda dopo il fatto per scendere sotto 0.05 è p-hacking e mina l’inferenza.

Errori comuni

  • Confronti multipli. Esegui 20 test, aspettati che uno colpisca p < 0.05 per caso. Usa Bonferroni o Benjamini–Hochberg.
  • N grande, effetto minuscolo. Un campione di milioni segnalerà differenze dello 0.1% come significative. Riporta sempre le dimensioni dell’effetto insieme ai p-value.
  • Dicotomizzazione. “Significativo vs non significativo” perde informazioni. p = 0.048 e p = 0.052 sono effettivamente la stessa forza di evidenza.
  • Interpretazione errata del chi-quadrato. p è una funzione sia della statistica che dei gradi di libertà; un chi-quadrato di 10 è significativo a df=2 (p=0.0067) ma non a df=20 (p=0.97).

Domande frequenti

Per convenzione 0.05, ma le soglie dovrebbero adattarsi al costo di errore. Le prove mediche spesso usano 0.01 o soglie più severe. Alcuni campi sostengono 0.005 come predefinito.

Campioni più grandi riducono l’errore standard, quindi effetti banali diventano “significativi”. Riporta sempre la dimensione dell’effetto (d di Cohen, rapporto di probabilità, differenza grezza) accanto al p-value.

Due code per default. Una coda è giustificata solo quando hai un’ipotesi direzionale genuina fissata prima della raccolta dei dati.

z presume che tu conosca la deviazione standard della popolazione (raro); t è usato quando la stimi dal campione. Per campioni grandi convergono.

Significa che i dati sarebbero insoliti sotto l’ipotesi nulla. La replicazione, la dimensione dell’effetto e il meccanismo contano più di un singolo p-value.

Strumenti correlati

Strumento disponibile in altre lingue