Python 如何从t-Score找到P-Value

数据是当前社会中的宝贵资产，因为一切都严重依赖于数据。今天，所有技术都是数据驱动的，大量的数据定期生成。数据是未经处理的信息，数据科学家学会利用它。数据科学家是分析数据来源、清理和处理数据以了解数据创建的原因和方式，从而提供支持业务选择和公司利润的见解的专业人员。为了发现数据中的模式和趋势，数据科学家使用统计公式和计算机算法的组合。在本文中，我们将详细介绍P值和t值，以及如何在Python中从t值找到P值。

什么是P值

在统计学中，P值是在零假设成立的情况下，产生至少与观察结果一样严重结果的机会。P值用于取代拒绝点，显示拒绝零假设的最小显著水平。较低的P值表示有更多证据支持备择假设。

什么是t-值

t-值是从t-均值分布中的标准偏差数，也称为t-值。在t-检验和回归分析中，使用的检验统计量是t-值。当数据遵循t分布时，它也可用于指示观察值与均值的距离有多远。

在Python中从t-值找到P值

在Python中，可以使用scipy.stats.t.sf()函数获取与给定t-值对应的P值，其语法如下：

scipy.stats.t.sf(abs(x), df)

其中：

• x – t-值
• df – 自由度

1. 左尾检验

假设我们希望得到一个左尾假设检验的P值，其中t-值为-0.77，df = 15。

示例

!pip3 install scipy
import scipy.stats
#find p-value
scipy.stats.t.sf(abs(-.77), df=15)

输出

0.2266283049085413

一个0.2266的p值被使用。由于这个p值不小于0.05，如果我们应用显著性阈值为0.05，我们将无法拒绝零假设。

2. 右尾检验

假设我们希望得到一个右尾假设检验的p值，t-分数为1.87，自由度为24。

示例

import scipy.stats
#find p-value
scipy.stats.t.sf(abs(1.87), df=24)

输出

0.036865328383323424

0.0368是p值。如果我们应用显著性水平为0.05的阈值，那么我们的假设检验的零假设将会被拒绝，因为这个p值小于0.05。

3. 双尾检验

假设我们希望得到一个双尾假设检验的p值，其t-score为1.24，自由度为22。

示例

import scipy.stats
#find p-value for two-tailed test
scipy.stats.t.sf(abs(1.24), df=22)*2

输出

0.22803901531680093

0.2280 是 p 值。由于该 p 值不小于 0.05，如果我们将显著性阈值设为等于 0.05，则无法拒绝零假设。

结论

在这里，我们讨论了 p 值和 t 分数。这两者都是统计学中用于从数据中获取见解和帮助更准确预测的指标。此外，使用 Python，我们可以从 t 分数计算出 p 值。