Kim_Chris
t值和P值都用来判断统计上是否显著的指标。 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值啊，举个例子，比如说算出来的统计量的值为z，服从的是正态分布，如果是双边检验的话那么pvalue=2*(1-probnorm(abs(Z)));单边检验的话，应该是1-probnorm(z)。 
你应该说的是假设检验的p值法吧p值用来确定是否拒绝原假设H0，p<05 拒绝H0，否则接受。05是显著性水平
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 < 05 为有统计学差异， P<01 为有显著统计学差异，P<001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05 、01、001。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{ F05 > F}或P = P{ F01 > 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（05或01），决定接受还是拒绝H0。如果P>05，不能否定“差别由抽样误差引起”，则接受H0；如果P<05或P <01，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
p就是显著性=sigF的值是回归方程的显著性检验，表示的是模型中被解释变量与所有解释变量之间的线性关系在总体上是否显著做出推断。若F>Fa(k-1，n-k)，则拒绝原假设，即认为列入模型的各个解释变量联合起来对被解释变量有显著影响，反之，则无显著影响。
你需要的可能是一个故事。从前，你有个朋友，他每月开一辆小货车去市场里采购东西，然后再把所有这些东西转卖出去。月复一月，年复一年。但是，因为市场行情变动，每一个月他卖东西得到的毛爷爷数目并不一样，差不多有个5000块钱左右吧。你呢能看到他每个月的收入统计。时间长了，有一次，无聊的你准备戏耍一下这个无辜的小伙伴，你偷偷在他的小货车上装了一小瓶尿。既然他肯定会在集市上卖掉所有东西，那么这一小瓶尿他一定也会卖出去，只不过这瓶尿的价格可能也就是零吧。这一次他赚了5400块，这可比以往的平均数5000块钱还多。那问题就来了：为什么这个月他赚的比平常多呢？有两种情况：其一，你那瓶尿很值钱，他自然会多赚；其二，你那瓶尿根本不值钱，他多赚了只是因为这个月市场上行情不错。那到底是哪种情况呢？这个问题的实质是，你那瓶尿到底值不值钱。如果这瓶尿根本不值钱，那他卖东西和以前卖东西的情况没什么两样，只不过是市场行情影响而已。于是，你翻了他以前卖东西的纪录，算了算所有他的个人月收入超过5400块的概率，大概是1。也就是说在你这瓶尿没有任何价值的情况下，只靠市场行情，他只有1的概率卖到5400块。所以你得出的结论是，你的那瓶尿有价值，你这个结论的p值就是1。＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝故事讲完了，来分析一下。为什么要用p值？换句话说，为什么要做推断统计？我想，p值到底是啥并不重要，我知道你做研究时多半只是负责看看p到底有没有比05小的。而这个问题，才是我最想告诉你的。推断统计，之所以要“推断”，是因为我们没有办法正面验证某种情况。在这个故事中，你以前没干过偷偷把一瓶尿放在车上的事儿，他以前也没卖过你的尿，所以尽管你有的是他的销售数据，但那些旧账本没办法正面告诉你你的尿到底值不值钱。这就是“没办法正面验证”，在这样的情况下，你就没办法了么？非也，我们可以换个角度考虑这个问题，假设“你那瓶尿毫无价值”是成立的，他卖了这瓶尿跟没卖时候没什么两样，那这一次和以往自然也没什么两样。既然这次卖东西和以往一样，那旧账本中的记录就能帮到你了。你可以算算旧账本，他在没卖过你那瓶尿的情况下，赚到5400块及以上的可能性（概率），这个概率就是“你那瓶尿毫无价值”的概率，这里也就是这样，“你那瓶尿有价值”的概率，当然就是这个假设的相反情况，也就是9，这也是你的假设成立的可能性。那这个p值到底显著与否呢？那得看市场行情。这里市场行情是随机的，所以“显著”与否简单点就是在说你那瓶尿能不能跑赢市场。业内经常以两个标准差作为衡量“显著”的标准。绝大多数情况下，作为随机变量的市场行情服从正态分布。而正态分布中，超过两个标准差的概率是05，这也就是为什么大家要拿05作为“公认”的显著性水平尺度了。统计推断，核心就是反证法。你那瓶尿没价值的可能性越小，反而越能证明你那瓶尿有价值。“在原假设成立的情况下抽到的统计量与原假设之间的距离至少等于样本计算值与原假设之间的距离”这是你的书上写的定义，但是很明显，你把结尾最重要的“的概率”三个字漏掉了。正常情况下，这个定义应该是“在原假设成立的情况下抽到的统计量与原假设之间的距离至少等于样本计算值与原假设之间的距离的概率”不信你可以再看看你的书。但是，怎么可以容忍这么反人类的定义？我们来用这个故事做个转换吧：“在原假设成立的情况下” －> 在你那瓶尿不值钱情况下“抽到的统计量与原假设之间的距离” -> 他旧账本里的销售记录“至少等于” －> 大于或等于"样本计算值与原假设之间的距离" －> 他这一次的销售记录（5400块）“的概率” －> 的概率连起来读读，p值的定义就变成：“在你那瓶尿不值钱的情况下，他旧账本里的销售记录大于或等于他这一次的销售记录（5400块钱）（这个事件发生）的概率。”这一次，好懂了点吗？最后要说明，说得通俗易懂是要承担风险的，因为通俗很可能意味着不严谨，易懂很可能意味着不周全。以上有很多有失严谨之处，希望题主还要多多看书哇。最后的最后，为什么我要用“一瓶尿”这样一个非常粗俗不雅的故事？因为所谓的p value，不就是用来证明你的pee value的么？个人观点，仅供参考！
