Что считается сильным р-значением?

Question

Привет, я новичок в статистике и просто хотел получить разъяснения по p-значениям. До сих пор я узнал, что если мы используем уровень значимости 5%, то мы отвергаем нулевую гипотезу и принимаем альтернативную гипотезу, если значение р меньше 0,05.

Если p-значение больше 0,05, то мы говорим, что доказательств недостаточно, и мы не можем отвергнуть нулевую гипотезу. Я узнал, что мы не можем принять нулевую гипотезу, если значение р больше 0,05, но в то же время, если у нас сильное значение р, мы не можем его игнорировать

Таким образом, мой вопрос заключается в том, что считается высоким значением p, где я должен рассмотреть возможность принятия нулевой гипотезы, например, где я должен обрезаться при 0,7 и выше? 0,8? 0,9?

Answer 1

Не могу поспорить со ссылкой на утверждение ASA.

Пример, который помог мне в этом: если вы работаете с 5% -ным уровнем значимости (альфа =0,05) и рассчитываете значение р 0,5, ваши данные не дают достаточных доказательств, чтобы отвергнуть нулевую гипотезу.

Здесь есть два возможных сценария:

1. Нулевая гипотеза действительно верна
2. Нулевая гипотеза на самом деле неверна (ошибка типа II, ложноотрицательная)

Как только эта точка достигнута, вы не должны делать больше с p-значением. Заманчиво попытаться оправдать неудобные результаты, сказав, что (например) значение р 0,07 довольно близко к 0,05, поэтому есть некоторые доказательства в поддержку альтернативной гипотезы, но это не очень надежный подход. Это хорошая практика, чтобы заранее установить свой уровень значимости и придерживаться его.

Как примечание, уровни значимости являются выражением того, сколько неопределенности в ваших результатах вы готовы принять. Значение 5% означает, что вы готовы (в среднем, в течение большого количества экспериментов) ошибаться примерно в 5% случаев или в 1 из 20 экспериментов. В данном случае под "неправильным" мы подразумеваем ложное отклонение истинной нулевой гипотезы в пользу альтернативной гипотезы (это не так). Повышая уровень значимости, мы говорим, что готовы чаще ошибаться (с компромиссом необходимости собирать меньше данных).