如何在 Python 中从 t 分数中查找 P 值?
数据是一种宝贵的资产，在当今社会中发挥着至关重要的作用，因为一切都强烈依赖于数据。如今，所有技术都是数据驱动的，并且定期生成大量数据。数据是数据科学家学会利用的未经处理的信息。数据科学家是一名专业人士，他分析数据源，清理和处理数据，以了解数据产生的原因和方式，从而提供见解来支持业务选择，从而为公司带来利润。为了检测数据中的模式和趋势，数据科学家采用了统计公式和计算机算法的混合。在这篇文章中，我们将仔细研究 P 值和 t 分数，以及如何在 Python 中从 t 分数中找到 P 值。
什么是 P 值?
在统计学中，p 值是指在零假设有效的情况下，产生至少与统计假设检验的观察结果一样严重的结果的概率。p 值代替拒绝点来显示拒绝零假设的最低显著性水平。较低的 p 值表示有更多证据支持备选假设。
什么是 t 分数?
t 均值分布的标准差数与 t 分数相同，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 分数。当数据服从 t 分布时，它还可用于指示观察值与平均值的距离。
在 Python 中根据 t 分数计算 P 值
Python 中的 scipy.stats.t.sf() 函数具有以下语法，可用于获取与给定 t 分数相对应的 p 值 -
scipy.stats.t.sf(abs(x), df)
其中 -
- x - t 分数
- df - 自由度
1. 左尾检验
假设我们希望获取 t 分数为 -
0.77 且 df = 15 的左尾假设检验的 p 值。
示例
!pip3 install scipy import scipy.stats #find p-value scipy.stats.t.sf(abs(-.77), df=15)
输出
0.2266283049085413
使用 0.2266 p 值。由于此 p 值不小于 0.05，如果我们应用 = 0.05 的显著性阈值，我们将无法拒绝假设检验的零假设。
2. 右尾检验
假设我们希望获得 t 分数为 1.87 且 df = 24 的右尾假设检验的 p 值。
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阈值 = 0.05，则假设检验的零假设将被拒绝，因为这个 p 值小于 0.05。
3. 双尾检验
假设我们希望获得 t 分数为 1.24 且 df = 22 的双尾假设检验的 p 值。
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。由于此 p 值不小于 0.05，如果我们应用 = 0.05 的显著性阈值，我们将无法拒绝假设检验的零假设。
结论
这里讨论了 P 值和 t 分数。这两者都用于统计，以从数据中获取见解并帮助进行更准确的预测。此外，使用 Python，我们可以从 t 分数计算 P 值。
