Se for deg at du fordyper deg i analyse og statistikk og prøver å forstå alle disse tallene og datapunktene. Plutselig kommer du over en liten perle som kalles p-verdien. Det er som en hemmelig kode som forskere bruker til å avdekke mysteriene rundt hypotesetesting og signifikans.

Primært brukes p-verdien til å ta beslutninger i hypotesetesting. Det hjelper forskerne med å vurdere om de observerte dataene er nok til å forkaste nullhypotesen til fordel for en alternativ hypotese. Forskerne bruker også p-verdien til å sammenligne grupper eller teste korrelasjoner.

Innhent svar ved hjelp av SurveyMonkeys p-verdi-kalkulator overfor.

P-verdien representerer en sannsynlighetsverdi. Den måler sannsynligheten for et resultat, forutsatt at nullhypotesen er sann. Det er en sannsynlighetsmåler som viser hvor sannsynlig resultatet er, forutsatt at det ikke er noen reell forskjell (nullhypotesen).

P-verdien kvantifiserer hvor sterk beviset er mot nullhypotesen. Den sammenlignes vanligvis med et forhåndsbestemt signifikansnivå, for eksempel 0,05. Når p-verdien er lav, forteller den at «dette resultatet oppsto sannsynligvis ikke tilfeldig». Dette gir deg grønt lys til å forkaste nullhypotesen og vurdere at hypotesen din kan være sann. 

P-verdien er viktig fordi forskere bruker den til å avgjøre om de vil godta eller forkaste nullhypotesen. Noen eksempler på forskningsspørsmål som kan bruke p-verdien er:

En lav p-verdi antyder at det er forskjeller mellom gruppene du testet. Den indikerer også at det kan finnes reelle, forutsigbare sammenhenger mellom variabler.

Forskerne kan deretter tolke betydningen av funnene og formidle hvor sterke bevisene er til interessenter og kolleger.

Når du skal beregne en p-verdi, må du først fastslå sannsynligheten for at du får disse dataene hvis nullhypotesen var sann. Deretter sammenligner du denne sannsynligheten med valgt signifikansnivå (vanligvis 0,05) for å avgjøre om resultatene er statistisk signifikante.

Når du skal beregne en p-verdi fra en z-score, slår du opp z-scoren i en standard normalfordelingstabell. Eventuelt kan du bruke programvare til å finne tilsvarende sannsynlighet. Denne sannsynligheten angir hvor sannsynlig det er at du kan observere en så ekstrem verdi som z-scoren under nullhypotesen.

Følgende formler gir p-verdien:

Her er den trinnvise veiledningen for hvordan du beregner p-verdi fra en z-score:

For å beregne en p-verdi fra en t-score må du først fastslå t-scoren som representerer forskjellen mellom utvalgsgjennomsnittet og populasjonsgjennomsnittet. Deretter bruker du en t-fordelingstabell eller programvare for å finne sannsynligheten for å observere den t-scoren. Dette indikerer sannsynligheten for å innhente utvalgsresultatene under nullhypotesen.

Følgende formler gir p-verdien fra t-scoren.

Her representerer cdft,d den kumulative fordelingsfunksjonen til t-fordelingen med d frihetsgrader.

Her er den trinnvise veiledningen for hvordan du beregner p-verdien fra en t-score:

For å skaffe p-verdien for en Pearson-korrelasjonskoeffisient, bruker du først den beregnede koeffisienten til å utlede en t-statistikk. Deretter kan du finne den tilsvarende p-verdien ved hjelp av t-fordelingen med frihetsgrader (n - 2).

Formelen for å få t-statistikk fra en Pearson-korrelasjonskoeffisient er nedenfor:

Der:

Etter å ha innhentet t-statistikken, kan du beregne p-verdien ved hjelp av den kumulative distribusjonsfunksjonen til t-fordelingen. Denne bruker en frihetsgrad på n - 2, der n er utvalgsstørrelsen.

Dette er den generelle prosessen:

For å beregne p-verdien fra en kjikvadratisk score fastslår du frihetsgradene knyttet til kjikvadratfordelingen. Deretter kan du bruke statistiske tabeller eller programvare til å finne sannsynligheten for å få en like ekstrem kjikvadratverdi som den observerte.

Du kan finne p-verdien ved hjelp av følgende formel:

p-verdi=1− cdfχ² (x; df)

Der:

​Du subtraherer den kumulative sannsynligheten fra 1 fordi kjikvadratfordelingen er høyreskjevt, slik at halarealet til høyre for den observerte kjikvadratverdien tilsvarer p-verdien.

Her er de trinnvise instruksjonene for å beregne p-verdi fra en kjikvadrat-score:

Hvis p-verdien er mindre enn eller lik 0,05 (eller et hvilket som helst valgt signifikansnivå), antyder det at resultatet er statistisk signifikant. Dette betyr at det observerte resultatet er signifikant på α-nivå.

Dette betyr at sannsynligheten for å få et ekstremresultat, forutsatt at nullhypotesen er sann, er svært lav. Vanligvis er denne sannsynligheten mindre enn 5 %.

Derfor forkaster du nullhypotesen til fordel for den alternative hypotesen. Dette antyder at det er noe bevis som støtter påstanden om den alternative hypotesen.

Hvis p-verdien er større enn 0,05, antyder det at det observerte resultatet ikke er statistisk signifikant på det valgte signifikansnivået. Med andre ord er det ikke nok bevis til å forkaste nullhypotesen. Dette betyr at vi ikke kan konkludere med at det observerte resultatet avviker fra det som ville være forventet med nullhypotesen.

Les også: Slik analyserer du spørreundersøkelsesdata

Noen mener at en p-verdi på 0,05 betyr at det er 95 % sjanse for at testhypotesen er sann og 5 % sjanse for at den er usann Dette er en feiltolkning av p-verdien.

P-verdier indikerer sannsynligheten for du skal observere dataene, forutsatt at nullhypotesen er sann. De er ikke direkte mål på sannsynligheten for at hypoteser er sanne eller usann.

Det er også en vanlig misforståelse å behandle p-verdi som synonymt med effektstørrelse eller viktighet. Dette visker ut grensen mellom statistisk signifikans og praktisk signifikans.

En liten p-verdi antyder at det observerte resultatet sannsynligvis ikke skyldes tilfeldigheter. Den sier imidlertid ikke noe om effektens omfang. I tillegg sier den ikke noe om hvor stor den praktiske relevansen denne effekten har.

For eksempel kan selv små avvik fra nullhypotesen gi statistisk signifikante p-verdier i store datasett, til tross for at de er praktisk talt ubetydelige. Hvis et eksperiment viser signifikante forskjeller flere ganger, er det sannsynlig at du noen ganger vil observere ikke-signifikante resultater, fordi dette er basert på sannsynlighet.

Motsatt betyr ikke en stor p-verdi nødvendigvis at den observerte effekten er ubetydelig. Den antyder i stedet at dataene ikke gir overbevisende bevis mot nullhypotesen. 

For å kunne vurdere nøyaktig hvor praktisk viktige funnene er, er det viktig å supplere p-verdier med mål på effektstørrelse. Effektstørrelse kvantifiserer størrelsen på den observerte effekten. Det gjør at forskerne kan kontekstualisere resultater innenfor det bredere omfanget av forskningsspørsmålet eller -bruken. 

Denne forskjellen sikrer at statistisk signifikans samsvarer med meningsfulle implikasjoner i den virkelige verden. Det fører til informerte beslutninger og tolkning av forskningsresultater.

Flertestproblemet oppstår når forskere utfører mange hypotesetester på samme datasett uten å justere signifikansnivået på riktig måte. Dette øker sannsynligheten betraktelig for å støte på falske positiver, også kjent som Type I-feil. I disse situasjonene blir nullhypotesen feilaktig forkastet.

Se for deg et scenario der flere uavhengige tester utføres samtidig. Selv om hver test holder et lavt signifikansnivå (f.eks. α = 0,05), øker den kumulative sannsynligheten for å tilfeldigvis observere minst ett signifikant resultat. Dette skjer etter hvert som antall tester øker.

Forskere bruker statistiske korrekturteknikker som Bonferroni-korreksjon for å gjøre det vanskeligere å forkaste nullhypotesen. Med disse løsningene kan man lettere opprettholde stram kontroll over den samlede andelen falske positiver. De sørger for at sannsynligheten for falske positiver på tvers av alle testene holder seg under den spesifiserte terskelen.

Vurder de praktiske implikasjonene av funnene i den bredere sammenhengen til forskningsspørsmålet eller -bruken. Unngå å overfortolke statistisk signifikante resultater eller forkaste ikke-signifikante resultater uten nøye overveielse.

La oss si at du finner en statistisk signifikant forbedring i testresultatene blant elever/studenter som undervises med en ny metode. Denne forbedringen sammenlignes med de elevene/studentene som ble undervist med tradisjonelle metoder.

Du bør unngå å overtolke resultatene. I stedet bør du vurdere faktorer som effektstørrelse. Er forbedringen betydelig nok til å rettferdiggjøre en implementering av den nye undervisningsmetoden i stor skala? Ville resultatet bli det samme i andre undersøkelser med lignende vilkår? Finnes det andre faktorer, som kostnader, som må tas med i betraktningen?

Motsatt kan ikke-signifikante resultater skyldes andre faktorer, for eksempel en liten utvalgsstørrelse eller målefeil. 

Av denne grunn er det viktig å kritisk evaluere undersøkelsens utforming, datakvaliteten og potensielle kilder til skjevheter før du trekker konklusjoner.

Uavhengig av signifikans bør alle p-verdier for alle variabler i en undersøkelse inkluderes. Dette gir et helhetlig bilde av analysen. Det gjør det mulig for leserne å vurdere hvor robuste funnene er.

Ved å rapportere alle p-verdier, formidler forskerne hele rekkevidden av statistiske analyser, inkludert de med ikke-signifikante resultater. Denne åpenheten lar leserne vurdere hvor konsistente og pålitelige funnene er på tvers av ulike variabler og analyser. Det fremmer også integritet i forskningen ved å presentere dataene i sin helhet, uten skjevheter eller forvrengninger.

Du må være forsiktig når du tolker små p-verdier. De kan noen ganger være misvisende indikatorer på signifikansen til observerte effekter. 

Det er viktig å erkjenne at små p-verdier kan oppstå fra genuine effekter og store utvalgsstørrelser. Store utvalgsstørrelser øker den statistiske evnen til å oppdage trivielle avvik fra nullhypotesen.

Det kan derfor hende at små p-verdier i undersøkelser med store utvalgsstørrelser ikke nødvendigvis representerer meningsfulle eller praktisk signifikante effekter.