p = 5.0 %가 유의합니까?

오늘 저는 p- 값 0.05 (정확히)가 유의미한 지 (알파 = 5 %) 고려되는지 물었습니다. 나는 답을 알지 못했고 Google은 두 가지 대답을 모두 제시했다.

물론,이 웹 사이트들 중 어느 누구도 인용하지 않았습니다. 왜 하나-일반적인 지식이며 5 %는 어쨌든 임의적입니다. 그러나 그것은 학생들에게 기억해야 할 것을 말하는 데 도움이되지 않습니다.

따라서 가설 검정에 대한 필사적 인 질문은 다음과 같습니다. p- 값이 정확히 알파인 경우 결과를 중요하게 생각합니까? 그리고이 경우 권위있는 인용은 무엇입니까?

대단히 감사합니다

예를 들어 $\alpha$ 가 임의적 인 정도와 같은 실제적인 문제를 제외하고 유의 수준과 p- 값의 정의는이 질문에 대한 답을 모호하지 않게 만듭니다.

즉, 공식적으로 거부 규칙은 p = α 일 때 거부 하는 것 입니다.$p = \alpha$

개별적인 경우에만 문제가되지만, 그 상황에서 일 때 거부하지 않으면 , 제 1 종 오류율은 실제로 α 가 아닙니다 !$p=\alpha$$\alpha$

(내가 우려하는 한, '정식적인'인용은 없습니다; 당신은 실제로 가설 검정에 대한 Neyman-Pearson과 Fisherian의 접근 방식을 모두 파악해야하며 시간이 지남에 따라 발전한 것입니다.)

가설 검정을 올바르게 설명하는 유용한 통계 텍스트가 많이 있습니다.

p- 값의 정의는 관련 Wikipedia 기사 * 의 첫 문장에서 올바르게 제공됩니다 .

p- 값은 귀무 가설이 참이라고 가정하고 적어도 실제로 관측 된 것보다 극단적 인 검정 통계량을 얻을 확률입니다.

* (아니, 위키 백과는 권위가 아니며, 나는 그 정의가 옳다고 말하고있다)

간단하게하기 위해 포인트 널 (point null)을 고수합시다. 추가 문제로 물을 흐릿하게 만들지 않고 포인트를 얻는 역할을합니다.

이제 유의 수준 는 선택된 제 1 종 오류율입니다. 귀무 가설이 참일 때 거부되도록 선택한 비율입니다. 즉 , 널을 거부 해야하는 시간 의 비율 입니다. 이제 이산 형 분포를 갖는 검정 통계량을 고려하십시오. p 가 정확히 α 인 경우 는 실제로 ** 뿐입니다 . (또한 일반적으로 실제 알파가 5 %와 같은 멋지고 둥근 것과 다를 수 있습니다.)$\alpha$$p$ $\alpha$

** 글쎄, 나는 토론을 순수하게 불연속 적이거나 연속적으로 분산 된 테스트 통계에만 국한시키는 것 같습니다. 혼합 된 경우에, 개별 토론이 어떻게 적용되는지 알아낼 수 있습니다 (적용되는 상황에서).

$n=17$$\alpha = 4.904\%$$\frac{137500}{2^{17}}$

$H_0$$p=\alpha$$\alpha$

$H_0$$p=\alpha$$\alpha$

$p=\alpha$

$p=\alpha$

거부 규칙 을 미리 설명 하고 가정 (만약 가정이 충족되는 경우)에 원하는 유의 수준이 있으면 참조 할 필요가 없습니다.

$H_0$

$\alpha$

(다른 버전을 사용하는 경우 페이지 번호가 변경 될 수 있지만 색인이 있으므로 용어를 찾을 수 있습니다.주의를 기울이려면 '가설 테스트'또는 색인에서 유사한 항목을 찾아 목록을 찾아야합니다. '거부 지역')

흠, 선반에서 다른 책을 시험해 보자. Wackerly, Mendenhall & Scheaffer Mathematical Statistics with Applications, 5th edition 은 p412의 거부 영역과 p431의 p- 값 (C & B와 동일한 정의)을 정의합니다.

제가 초기 생물 통계 수업에서 교수로부터 배운 흥미로운 고백은 0.05의 중요성 수준이 황금의 진실보다는 합의를 통해 더 많이 도달했다는 것입니다. 그 이후로, 나는 "접근법"과 같이 0.05의 중요성 수준으로 여전히 주목할만한 연구 결과가 연구의 주목할만한 발견 인 것을 보았고, 0.05의 중요성 수준이 모든 연구 분야에 적용되지 않을 수 있다는 주장을 들었습니다. 그 말로, 나는 포인트 추정치와 신뢰 구간이 유의 수준보다 유익한 것으로 나타났습니다. 이 문제에 대한 흥미로운 기사 가 있습니다 (어쨌든 나에게).

p의 값은 일반적으로 앞에서 언급 한 (또는 게으름) 컨센서스에 대해 설정됩니다. 무언가가 중요하다고 말할 수 있으려면 효과 크기, 샘플 크기 및 데이터에 대해 얼마나 엄격한 지에 해당하는 p 값을 찾아야합니다. 이것을 전력 분석이라고합니다 (통계 내의 하위 필드입니다). 많은 사람들이 간단하지 않기 때문에 알지 못하거나 단순히 사용하지 않습니다. 그렇다고해도 괜찮습니다. 우리는 항상 의미있는 추론을 도출하기 위해 이런 종류의 연구를해야합니다.