hi@zxh
_

p-value

Sep 1, 2018 · 4 min · math

一个例子:一个正常的硬币,在被投掷无数次后,结果一定会是正面朝上和反面朝上各占 50%。如果想要知道一个硬币是否正常,是否被做过手脚,显然是没办法投掷无数次的。因此,只能用有限的结果来判断“该硬币是否正常”。

P 值 (p-value)

在统计学上,通常会设定一个虚无假设(零假设,Null Hypothesis),记作 H0H_0。和一个与虚无假设对立的对立假设(Alternative Hypothesis),记做 H1H_1。如果证明虚无假设错误,则可以推出对立假设成立。

本例中:

  • H0H_0 : 该硬币是正常硬币
  • H1H_1: 该硬币被做过手脚

p-value:错误拒绝(reject)H0H_0 假设的概率,即 H0H_0 事实上成立,但我们计算出的结果却错误判断虚无假设不成立的概率。

卡方 (chi-square)

我们认为该硬币是正常硬币,因此我们对于投掷 10 次硬币的期望值 (expected value) 是正面 5 次,反面 5 次。而实际结果是正面 3 次,反面 7 次,这个结果就是我们对于投掷 10 次硬币的观测值(observed valued)。

通过分析期望值和观测值的差距,就可以判断出硬币是否正常,而这个期望值和观测值差距的判断方法就是 chi-square,公式为:

x2=i=1n(OiEi)2Eix^2 = \sum_{i=1}^{n} \frac{(O_i-E_i)^2}{E_i}

OO 为观测值,EE 为期望值。可以看到该公式与方差很相似,方差是一组数据与其均值的比较,而 chi-suaqre 是一组数据与另一组数据期望值的比较。

本例中,chi-square=(35)25+(75)25=1.6\text{chi-square} = \frac{(3-5)^2}{5} + \frac{(7-5)^2}{5} = 1.6

卡方分布 (chi-square distribution)

上图为卡方分布表,α\alpha 为错误拒绝 H0H_0 假设的概率,nn 为自由度,即独立变量数减 1。本例中,独立变量数为 2(正面和反面),所以自由度 n=1n = 1

当置信度为 95%,即错误拒绝 H0H_0 的概率为 0.05,意义就是我们有 95%的概率确信检验结果正确,有 5% 的概率会错误拒绝虚无假设。(所以大多数时候用 p-value<0.05\text{p-value}<0.05 来判断结果是否靠谱,当然根据情况也可以不用 0.05)

本例中,对照着卡方分布表,找到 n=1n = 1 所在的行,发现 1.6 介于 1.323 和 2.706 之间,查出其 p-value 介于 0.25 到 0.1 之间,大于 0.05。所以我们不能拒绝 H0H_0,即 H0H_0 成立,该硬币是正常硬币。

可以看到,当自由度相同,chi-square 越大,其 p-value 越小。因为如果观测值与期望值越一致,则说明检验现象与 H0H_0 越接近,则越没有理由拒绝 H0H_0。如果观测值与期望值越偏离,说明 H0H_0 越站不住脚,则越有理由拒绝 H0H_0,从而推出对立假设的成立。

一个极端的例子,如果掷 10 次硬币,刚好 5 次正面朝上 5 次反面朝上,此时 chi-square=0\text{chi-square} = 0,p-value 远大于 0.095,没有理由拒绝 H0H_0,即 H0H_0 成立,该硬币是正常硬币。

总结

做出 H0H_0H1H_1 这对互斥的假设,计算出 H0H_0 为真时的期望值和实际观测值,通过期望值和观测值求得 chi-square,再通过查卡方分布表得到 p-value,然后将 p-value 与 α\alpha(1 - 置信度)比较,如果 p-value<α\text{p-value} < \alpha,则拒绝 H0H_0,推出 H1H_1 成立,否则接受(accpet)H0H_0,推出 H1H_1 不成立。

大部分时候 p-value 用于检验独立变量与输入变量的关系,H0H_0 假设通常为假设两者没有关系,所以若 p-value<0.05\text{p-value} < 0.05,则可以推翻 H0H_0(两者没有关系),推出 H1H_1(两者有关系),我们就说这个独立变量重要(significant),因为这个独立变量与输出结果有关系。

Edit this page on GitHub Last updated: 3/7/2023, 2:57:21 PM