医学论文中统计分析p表示什么

统计学中P一般指概率。

以古典概率模型为例，概率的计算方法为：

古典定义

如果一个试验满足两条：

（1）试验只有有限个基本结果；

（2）试验的每个基本结果出现的可能性是一样的。

这样的试验便是古典试验。

对于古典试验中的事件A，它的概率定义为：P(A)=

其中n表示该试验中所有可能出现的基本结果的总数目。m表示事件A包含的试验基本结果数。

这里，仅仅举例了简单的古典概率，其还有很多种模型。你可以找统计学的相关书籍进行学习。

拓展内容：

概率亦称“或然率”。它反映随机事件出现的可能性大小的量度。随机事件是指在相同条件下，可能出现也可能不出现的事件。例如，从一批有正品和次品的商品中，随意抽取一件，“抽得的是正品”就是一个随机事件。设对某一随机现象进行了n次试验与观察，其中A事件出现了m次，即其出现的频率为m/n。经过大量反复试验，常有m/n越来越接近于某个确定的常数。该常数即为事件A出现的概率，常用P (A) 表示，与“几率”不同，一个事件的几率（odds）是指该事件发生的概率与该事件不发生的概率的比值。

参考资料：百度百科《概率》词条

结果的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。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，的p值通常被认为是可接受错误的边界水平。 在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果≥p>被认为是具有统计学意义，而≥p≥被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。

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。

P值（P value）就是当原假设为真时，比所得到的样本观察结果更极端的结果出现的概率。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。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。

发展史

R·A·Fisher（1890-1962）作为一代假设检验理论的创立者，在假设检验中首先提出P值的概念。他认为假设检验是一种程序，研究人员依照这一程序可以对某一总体参数形成一种判断。也就是说，他认为假设检验是数据分析的一种形式，是人们在研究中加入的主观信息。

（当时这一观点遭到了Neyman-Pearson的反对，他们认为假设检验是一种方法，决策者在不确定的条件下进行运作，利用这一方法可以在两种可能中作出明确的选择，而同时又要控制错误发生的概率。这两种方法进行长期且痛苦的论战。虽然Fisher的这一观点同样也遭到了现代统计学家的反对，但是他对现代假设检验的发展作出了巨大的贡献。）

1、t值

T检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n < 30），总体标准差σ未知的正态分布。

T检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。它与f检验、卡方检验并列。t检验是戈斯特为了观测酿酒质量而发明的,并于1908年在Biometrika上公布 。

2、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。

P值（P value）就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。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。

扩展资料

实用举例

1、t检验可用于比较男女身高是否存在差别

为了进行独立样本t检验，需要一个自（分组）变量（如性别：男、女）与一个因变量（如身高测量值）。根据自变量的特定值，比较各组中因变量的均值。用t检验比较下列男、女儿童身高的均值 。

假设

H0：男平均身高 = 女平均身高

H1：男平均身高 ≠ 女平均身高

选用双侧检验：选用α=的统计显著水平

2、P值

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P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。

如果P<，说明是较强的判定结果，拒绝假定的参数取值。

如果

如果P值>，说明结果更倾向于接受假定的参数取值。

参考资料来源：百度百科-t值

参考资料来源：百度百科-p值

P值即概率，反映某一事件发生的可能性大小。

统计学根据显著性检验方法所得到的P 值，一般以P < 为有统计学差异， P< 为有显著统计学差异，P<为有极其显著的统计学差异。其含义是样本间的差异由抽样误差所致的概率小于 、、。实际上，P值不能赋予数据任何重要性，只能说明某事件发生的几率。统计结果中显示Pr > F，也可写成Pr( >F)，P = P{ > F}或P = P{ > F}。

假设检验是推断统计中的一项重要内容。用SAS、SPSS等专业统计软件进行假设检验，在假设检验中常见到P值( P-Value，Probability，Pr)，P值是进行检验决策的另一个依据。

扩展资料：

P值由来

从某总体中抽

⑴、这一样本是由该总体抽出，其差别是由抽样误差所致；

⑵、这一样本不是从该总体抽出，所以有所不同。

如何判断是那种原因呢？统计学中用显著性检验来判断。其步骤是：

⑴、建立检验假设（又称无效假设，符号为H0）：如要比较A药和B药的疗效是否相等，则假设两组样本来自同一总体，即A药的总体疗效和B药相等，差别仅由抽样误差引起的碰巧出现的。

⑵、选择适当的统计方法计算H0成立的可能性即概率有多大，概率用P值表示。

⑶、根据选定的显著性水平（或），决定接受还是拒绝H0。如果P>，不能否定“差别由抽样误差引起”，则接受H0；如果P<或P <，可以认为差别不由抽样误差引起，可以拒绝H0，则可以接受另一种可能性的假设（又称备选假设，符号为H1），即两样本来自不同的总体，所以两药疗效有差别。

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} 。

计算出P值后，将给定的显著性水平α与P 值比较，就可作出检验的结论：

如果α > P值，则在显著性水平α下拒绝原假设。

如果α ≤ P值，则在显著性水平α下接受原假设。

在实践中，当α = P值时，也即统计量的值C刚好等于临界值，为慎重起见，可增加样本容量，重新进行抽样检验。

参考资料：假设检验中的P值-百度百科

统计学中的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

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。

P值小于适用的范围

当 P值 < 时比 P值 在与 之间时提供了更强的证据，这一标准仅适用于探索新现象，而不适用于验证性研究或者是重复研究之中。对于原本采用更加严格标准的领域，如基因研究或者高能物理领域，也不适用。

的标准适合于对证据的进行推断，而不是作为出版的标准。对于一个非常有原创性的效应，即使其结果在与之间，只要明确表示这是启示性的证据，也应该发表。

以上内容参考：百度百科-P值

我尽量用形象的语言说 p值越小 说明犯第一类错误的概率越小 你越可以推翻传统的、保守的观点 越可以接受新提出的、感兴趣的观点 什么是第一类错误 统计上把保守的、传统的观点作为原假设 新颖的、感兴趣的、想去论证的观点作为备择假设 就好比一个犯罪嫌疑人 在没有确凿的证据前都只能以他无罪为原假设 因为一个人无罪判他有罪 比 有罪判无罪 的后果严重的多 大家都不愿被冤枉 所以推广开来 你想证明一班的成绩比二班好 原假设就设为一班二班成绩相同 备择假设就设为一班比二班成绩好 若得出的P值较小 一般以作为临界值 比小就可以接受一班成绩比二班好的事实 若比大就说明没有足够证据证明一班成绩比二班好 保守起见拒绝备择假设 接受原假设纯手打

P 值是反映某一事件发生的可能性大小，即概率。一般以P < 为显著， P < 为非常显著。P(A)= 。n表示该试验中所有可能出现的基本结果的总数目。m表示事件A包含的试验基本结果数。

与“几率”不同，一个事件的几率（odds）是指该事件发生的概率与该事件不发生的概率的比值。

拓展资料：

关于统计定义

在一定条件下，重复做n次试验，nA为n次试验中事件A发生的次数，如果随着n逐渐增大，频率nA/n逐渐稳定在某一数值p附近，则数值p称为事件A在该条件下发生的概率，记做P(A)=p。这个定义成为概率的统计定义。

在历史上，第一个对“当试验次数n逐渐增大，频率nA稳定在其概率p上”这一论断给以严格的意义和数学证明的是雅各布·伯努利（Jacob Bernoulli）。

从概率的统计定义可以看到，数值p就是在该条件下刻画事件A发生可能性大小的一个数量指标。

由于频率  总是介于0和1之间，从概率的统计定义可知，对任意事件A，皆有0≤P(A)≤1，P(Ω)=1，P(Φ)=0。其中Ω、Φ分别表示必然事件（在一定条件下必然发生的事件）和不可能事件（在一定条件下必然不发生的事件）。

（参考资料：百度百科-概率）