发布时间：
P值是衡量控制组与实验组差异大小的指标，*意思是P值小于.05，表示两组存在显著差异，**意思是P值小于.01，表示两组的差异极其显著，这个可以用SPSS统计，根据你的描述自变量应该是果蝇的性别（雌还是雄），因变量应该是寿命，自变量是名义变量，因变量是连续变量，所以用单因素方差分析就可以得出结果了。。。另外，在统计解释时一般不看F值，只需要看P值就可以了，但是在写论文时还是要将F值写出来，并把P值放在后面用括号括起来。
论文会有人重新算p值。P值是一种用于衡量研究结果是否具有统计学意义的指标，通常是根据原始数据和研究设计计算得出的。如果其他人对研究结果产生了质疑，或者想要进一步验证研究结果的可靠性和有效性，会重新计算P值。
采用spss软件，单因素分组对照计算。
t值和P值都用来判断统计上是否显著的指标。在p值就是拒绝原假设的最小alpha值，把统计量写出来，带进去算出来之后，根据统计量的分布来算p值。P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较。由R·A·Fisher首先提出。Fisher的具体做法
假定某一参数的取值，选择一个检验统计量，在该统计量的分布在假定的参数取值为真时应该是完全已知的从研究总体中抽取一个随机样本计算检验统计量的值计算概率值或者说观测的显著水平即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。
论文中p值也叫检验p值是否定原假设的强度。
p值统计学意义是结果真实程度(能够代表总体)的一种估计方法,专业上P 值为结果可信程度的一个递减指标。
P 值越大,我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。 如果P值很小,说明原假设情况的发生的概率很小,而如果出现了,根据小概率原理,我们就有理由拒绝原假设,P值越小,我们拒绝原假设的理由越充分。 总之,P值越小,表明结果越显著。
p值是指在一个概率模型中，统计摘要（如两组样本均值差）与实际观测数据相同，或甚至更大这一事件发生的概率。换言之，是检验假设零假设成立或表现更严重的可能性。p值若与选定显著性水平（或）相比更小，则零假设会被否定而不可接受。
然而这并不直接表明原假设正确。p值是一个服从正态分布的随机变量，在实际使用中因样本等各种因素存在不确定性。产生的结果可能会带来争议。
放到spss中，定义两个变量，第一个变量叫做：group，用1代表实验组，用2代表对照组，每个组两个数字；第二个变量叫分娩方式，分别用1、2、3代表阴道分娩、阴道助产和剖宫产。然后用描述性统计方法中的交叉列联表计算就ok了！希望对你有帮助！
P值是采用假设检验的方法来计算的。举个例子来说明：比较两个样本的均数有没有差别，采用反证法，首先建立假设检验，H0：假设两组没有差别，H1：假设两组有差别。通过假设两组没有差别计算出其没有差别的概率，一般取P＜作为临界值，若P＜则代表随机抽取的两组均数没有差别的概率小于，为小概率事件，此时拒绝H0，接受H1。P＞接受H0。但是P值的大小只能代表两者是否具有统计学差异，不能代表差异的大小。详细的计算方法要根据你采用的统计学方法具体计算，现在这步一般都采用统计软件SPSS、SAS等来完成。希望对你有所帮助。
P值即为拒绝域的面积或概率。
P值的计算公式是
=2[1-Φ(z0)] 当被测假设H1为 p不等于p0时；
=1-Φ(z0) 当被测假设H1为 p大于p0时；
=Φ(z0) 当被测假设H1为 p小于p0时；
总之，P值越小，表明结果越显著。但是检验的结果究竟是“显著的”、“中度显著的”还是“高度显著的”需要我们自己根据P值的大小和实际问题来解决。
扩展资料：
用Z表示检验的统计量，ZC表示根据样本数据计算得到的检验统计量值。
1、左侧检验
P值是当 时，检验统计量小于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值
2、右侧检验
P值是当μ=μ0时，检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值
3、双侧检验
P值是当μ=μ0时，检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值
p值是指在一个概率模型中，统计摘要（如两组样本均值差）与实际观测数据相同，或甚至更大这一事件发生的概率。换言之，是检验假设零假设成立或表现更严重的可能性。
p值若与选定显著性水平（或）相比更小，则零假设会被否定而不可接受。然而这并不直接表明原假设正确。p值是一个服从正态分布的随机变量，在实际使用中因样本等各种因素存在不确定性。产生的结果可能会带来争议。
参考资料：百度百科—P值
统计学中的X平方念作卡方。统计学中的P值和卡方计算方法是：先根据资料特点选择适合的卡方检验公式，将资料数据带入公式计算得到卡方值，再根据已经确定的检验水准结合自由度，通过查专用工具表即卡方值表，查得对应的接受假设的界值，将计算得到的卡方值与此值比较，从而得到接受假设的概率值，即P值。
P值的计算：一般地，用X 表示检验的统计量，当H0为真时，可由样本数据计算出该统计量的值C，根据检验统计量X的具体分布，可求出P值。具体地说：左侧检验的P值为检验统计量X 小于样本统计值C 的概率，即：P = P{ X < C}右侧检验的P值为检验统计量X 大于样本统计值C 的概率：P = P{ X > C}双侧检验的P值为检验统计量X 落在样本统计值C 为端点的尾部区域内的概率的2 倍：P = 2P{ X > C} (当C位于分布曲线的右端时) 或P = 2P{ X< C} (当C 位于分布曲线的左端时) 。若X 服从正态分布和t分布，其分布曲线是关于纵轴对称的，故其P 值可表示为P = P{| X| > C} 。p值的计算公式：=2[1-φ(z0)]当被测假设h1为p不等于p0时；=1-φ(z0)当被测假设h1为p大于p0时；=φ(z0)当被测假设h1为p小于p0时；其中，φ(z0)要查表得到。z0=（x-n*p0）/(根号下（np0(1-p0)）)最后，当p值小于某个显著参数的时候我们就可以否定假设。反之，则不能否定假设。注意，这里p0是那个缺少的假设满意度，而不是要求的p值。没有p0就形不成假设检验，也就不存在p值统计学上规定的p值意义：p值碰巧的概率对无效假设统计意义p＞碰巧出现的可能性大于5%不能否定无效假设两组差别无显著意义p＜碰巧出现的可能性小于5%可以否定无效假设两组差别有显著意义p＜碰巧出现的可能性小于1%可以否定无效假设两者差别有非常显著意义
P值是采用假设检验的方法来计算的。举个例子来说明：比较两个样本的均数有没有差别，采用反证法，首先建立假设检验，H0：假设两组没有差别，H1：假设两组有差别。通过假设两组没有差别计算出其没有差别的概率，一般取P＜作为临界值，若P＜则代表随机抽取的两组均数没有差别的概率小于，为小概率事件，此时拒绝H0，接受H1。P＞接受H0。但是P值的大小只能代表两者是否具有统计学差异，不能代表差异的大小。详细的计算方法要根据你采用的统计学方法具体计算，现在这步一般都采用统计软件SPSS、SAS等来完成。希望对你有所帮助。
P值是采用假设检验的方法来计算的。举个例子来说明：比较两个样本的均数有没有差别，采用反证法，首先建立假设检验，H0：假设两组没有差别，H1：假设两组有差别。通过假设两组没有差别计算出其没有差别的概率，一般取P＜作为临界值，若P＜则代表随机抽取的两组均数没有差别的概率小于，为小概率事件，此时拒绝H0，接受H1。P＞接受H0。但是P值的大小只能代表两者是否具有统计学差异，不能代表差异的大小。详细的计算方法要根据你采用的统计学方法具体计算，现在这步一般都采用统计软件SPSS、SAS等来完成。希望对你有所帮助。
P值指的是比较的两者的差别是由机遇所致的可能性大小。P值越小，越有理由认为对比事物间存在差异。例如，P<,就是说结果显示的差别是由机遇所致的可能性不足5%，或者说，别人在同样的条件下重复同样的研究，得出相反结论的可能性不足5%。
P>称“不显著”；P<=称“显著”，P<=称“非常显著”。
用 HR 来比较两组患者的生存情况具有以下优势：
1、在某些研究中，研究结束时试验组或对照组可能有 50% 以上的患者仍未发生终点事件或删失，在此种情况下中位生存时间无法获得；
2、生存数据常常服从偏态分布，仅用中位生存时间来代表生存数据整体的分布状态比较片面；
3、通过中位生存时间相减来比较两组患者的生存情况，无法对基线时不平衡的协变量进行调整，得到的效应估计值受到混杂因素的影响，而使用 HR 则可通过多变量 Cox 模型调整混杂因素的影响，得到无偏的效应估计值。
扩展资料：
统计学是研究数据的收集、整理、分析的一门科学。它的原理几乎应用到自然科学和社会科学的各个领域，也相应地产生了许多应用性分支，医学统计学就是其中之一。它是以医学理论为指导，借助于统计学的原理和方法，研究医学现象中数据的收集、整理、分析的一门应用性学科。
合理的统计分析能够帮助我们揭示事物或现象发生和发展的规律，阐明我们所关心的问题，如哪些因素对人群健康状况影响较大，某种疾病的可疑病因是什么，哪些指标可以用来筛选高危人群或早期诊断疾病，哪种治疗方法的有效率高，哪些是保护和促进人群健康的因素等等。医学统计方法很多，本篇着重讨论常用的医学统计方法。
参考资料来源：百度百科-医学统计