Titre SEO (48): Calculateur de valeurs P - Tests Z, t, Chi Carré & F Méta-description (154): Calculez une valeur p à partir des statistiques z, t, chi-carré ou F. Le calculateur de valeurs p compare à alpha et explique cinq lectures erreuses courantes. URL : /statistics-calculators/p-value-calculator Schema : WebApplication + FAQPage + BreadcrumbList
Le calculateur de valeurs p convertit une statistique de test en une valeur p pour les tests z, t, chi carré ou F, avec une option à une ou deux queues lorsque le test le permet. Entrez la statistique, les degrés de liberté lorsque nécessaire, et le choix de la queue ; le calculateur retourne la valeur p, la compare à un α choisi, et colore la région de rejet sur un graphique de surface de queue.
Une valeur p répond : si l’hypothèse nulle était vraie, à quelle fréquence des données au moins à cet extrême apparaîtraient-elles par hasard ? Elle ne répond pas à savoir si le nulle est vrai. Cette distinction alimente la section sur les mauvaises interprétations ci-dessous.
Calculez une valeur p à partir d’une statistique de test
Les entrées prises en charge sont z, t avec des degrés de liberté, du chi carré avec des degrés de liberté, et F avec des degrés de liberté du numérateur et du dénominateur. Entrez la statistique à partir de la sortie du test ; la calculatrice la mappe sur la distribution de référence correspondante et retourne la probabilité de queue.
Pour z et t, posez une queue ou une queue avant de lire le nombre afin que la teinte corresponde à l’hypothèse.
Pour z et t, choisissez un coup à queue ou à deux queues avant de lire le nombre. Les tests Chi-carré et F sont généralement à un seul sens (queue supérieure) dans les formes enseignées dans les cours d’introduction ; l’interface reflète cela.
Choisissez un test à une queue ou à deux queues
Un test à deux queues demande si la statistique diffère de la valeur nulle dans l’une ou l’autre direction et double la plus petite surface à une queue pour les tests symétriques z et t. Un test unilatéral ne demande qu’une seule direction nommée.
Utilisez le bi-queue sauf si le plan de recherche s’est engagé dans une direction avant de voir les données ; changer après observation du signe divise p et gonfle les faux positifs.
Utilisez le bi-queue sauf si le plan de recherche s’est engagé dans une direction avant de voir les données. Passer au bi-queue après avoir observé le signe réduit de moitié la valeur p et gonfle les faux positifs. Les hypothèses directionnelles appartiennent au protocole, pas à un sauvetage post-hoc d’un 0.06.
Comparez la valeur p avec l’alpha
Alpha est le niveau de signification préchoisi, souvent 0.05 et parfois 0.01 ou 0.10. Si p est inférieur ou égal à alpha, rejetez l’hypothèse nulle ; si p est supérieur à alpha, échouez à la rejeter. Ne pas rejeter n’est pas la même chose que prouver la nullité vraie.
L’étude peut tout simplement manquer de puissance, c’est pourquoi les intervalles et les tailles d’effet appartiennent à toute décision binaire.
- Si p ≤ α, rejetons l’hypothèse nulle.
- Si p > α, ne rejetez pas l’hypothèse nulle.
« Ne pas rejeter » n’est pas la même chose que « prouver la nullité ». L’étude peut tout simplement manquer de puissance. Le calculateur met en évidence la comparaison une fois que vous avez placé α à côté du résultat.
Calculer une valeur p à deux queues à partir de z égale à 2.0
Pour z égal à 2.0 dans un test normal à deux queues, la surface d’une seule queue au-dessus de 2.0 est d’environ 0.0228. Doubler cette surface produit une valeur p à deux queues d’environ 0.0455. Contre alpha 0.05, ce résultat rejette le nul ; contre alpha 0.01, il ne le fait pas. Les données n’ont pas changé entre ces deux décisions ; seul le seuil a changé.
1. Zone à une seule queue au-dessus de 2.0 ≈ 0.0228 (plus précisément 0.02275). 2. P à deux queues = 2 × 0.02275 ≈ 0.0455. 3. Contre α = 0.05 : 0.0455 < 0.05 → rejeter le nul.
Contre α = 0.01, la même valeur p ne rejette pas. Les données n’ont pas changé ; le seuil a changé. C’est pourquoi α doit être fixée avant le regard p, et non négociée par la suite.
Lisez le graphique de la zone de queue
Le graphique montre la densité de référence, une ligne verticale à la statistique de test, et les régions de rejet ombrées pour le α choisi. Pour α à deux queues = 0.05 sur une courbe normale, les valeurs critiques se situent près de ±⟧1.96. Une statistique au-delà de l’une ou l’autre des valeurs critiques tombe dans l’ombre.
Vérifiez que les queues ombragées correspondent à la direction de test sélectionnée. Une statistique négative grande avec seulement une ombre de queue supérieure sélectionnée est une erreur de configuration, pas une preuve contre le nul. Les marqueurs de valeurs critiques à plus ou moins 1.96 pour l’alpha à deux queues 0.05 offrent une seconde vérification visuelle par rapport au chiffre p.
Si la ligne statistique se trouve à l’intérieur du centre non ombré alors que p est encore rapporté, le visuel et le chiffre s’accordent : ne pas rejeter à ce α. Utilisez le graphique pour vérifier les erreurs de signe (un grand z négatif avec seulement une ombre de queue supérieure sélectionnée).
Comprenez ce qu’une valeur p ne signifie pas
Cinq mauvaises lectures dominent les erreurs publiées, et chacune est erronée pour une raison spécifique expliquée ci-dessous. Une valeur p est une probabilité de queue selon le modèle nul, et non une probabilité directe qu’une hypothèse soit vraie, ni une taille d’effet, ni une chance de réplication. La coupure 0.05 est une convention, et un résultat non significatif n’est pas une preuve de l’absence d’effet.
1. Une valeur p n’est pas la probabilité que l’hypothèse nulle soit vraie. C’est la probabilité que des données soient au moins aussi extrêmes *si* le nulle était vrai. Ce sont des conditionnements différents. Les confondre transforme une probabilité de queue en un pari direct sur l’hypothèse.
2. Une valeur p n’est pas une taille d’effet. Une différence triviale atteint p < 0.05 avec un échantillon suffisamment grand. Indiquez séparément une différence moyenne, un rapport de risque ou un effet standardisé ; ne considérez pas petit p comme un « grand effet ».
3. Une valeur p n’est pas la probabilité de réplication. Un p de 0.03 ne signifie pas qu’une étude répétée a une probabilité de 97 % de trouver le même résultat. La réplication dépend de la puissance, de la taille réelle de l’effet et du plan de l’étude.
4. Le seuil 0.05 est une convention, pas une loi de la nature. p = 0.049 et p = 0.051 sont des preuves presque identiques. Les dichotomiser en « significatif » et « non » pour l’habitude de journal ne crée pas de ligne claire dans les données.
5. Non significatif ne signifie pas « aucun effet ». Ne pas atteindre α peut signifier que l’étude était sous-puissante. L’absence de preuve n’est pas une preuve d’absence ; vérifiez les intervalles de confiance et la puissance avant de revendiquer une conclusion nulle.
Ces points correspondent à l’énoncé 2016 de l’American Statistical Association sur les valeurs p. Le calculateur compare toujours p à α car ce flux de travail est ce que le travail de cours et de nombreux protocoles exigent ; la section ci-dessus est ce qui empêche que le chiffre ne soit surlu.
Lisez la valeur critique d’une alpha choisie
Les valeurs critiques sont les seuils sur l’échelle statistique qui correspondent à une règle alpha et de queue choisie. Pour un test normal à deux queues, elles sont environ 1.645 à 0.10, 1.960 à 0.05 et 2.576 à 0.01. Rejeter lorsque l’absolu z dépasse la valeur critique, qui est équivalente à p inférieur ou égal à alpha.
Pour les tests t, la coupure dépend aussi des degrés de liberté.
| α | Critique | z | |
|---|---|---|---|
| 0.10 | 1.645 | ||
| 0.05 | 1.960 | ||
| 0.01 | 2.576 |
Rejeter lorsque |z| dépasse la valeur critique (équivalent lorsque p ≤ α). Pour les tests t, la valeur critique dépend de df et est supérieure à z pour de petits échantillons. Le Calculateur d’Intervalles de Confiance utilise les mêmes valeurs critiques lors de la construction des intervalles.
Rapport des valeurs p sans les pièges habituels
Rapportez le p exact lorsque le logiciel le fournit, pas seulement une étoile ou un badge « p inférieur à 0.05 ». Associez-le à une taille d’effet ou un intervalle de confiance afin que les lecteurs puissent juger de l’amplitude. Préengagez-vous à l’alpha et aux règles à une contre deux queues dans le plan d’analyse lorsque le travail est confirmatoire.
Les analyses exploratoires produisent toujours des valeurs p, mais elles doivent être qualifiées d’exploratoires. Plusieurs tests non ajustés augmentent la probabilité d’au moins un faux positif ; ce problème n’est pas résolu par cette calculatrice, et il ne se résout pas en passant discrètement du bilatéral au bilatéral après avoir vu le signe.
Questions fréquentes
Qu’est-ce qu’une valeur p ?
Une valeur p est la probabilité, sous l’hypothèse nulle, d’obtenir une statistique de test au moins aussi extrême que celle observée. P plus petit signifie que les données sont moins compatibles avec le nul sous ce modèle.
Qu’est-ce que l’alpha ?
Alpha (α) est le niveau de signification préchoisi utilisé comme coupure de rejet/échec, couramment 0.05. C’est un choix de politique pour le contrôle des erreurs, et non une constante découverte.
Dois-je utiliser un test à une queue ou à deux queues ?
Utilisez les tests à deux queues sauf si une hypothèse directionnelle a été spécifiée avant de voir les données. Les tests à une queue sont plus faciles à « réussir » et sont souvent mal utilisés après coup.
P = 0.049 est-il significativement différent de p = 0.051 ?
Non. Ils représentent presque la même force de preuve. La ligne claire à 0.05 est conventionnelle.
Une valeur p significative prouve-t-elle l’hypothèse de recherche ?
Non. Cela indique des données inhabituelles sous le nul au α choisi, compte tenu des hypothèses du modèle. Des modèles de confusion, de biais et de mauvais modèles restent possibles.
Un résultat non significatif ne prouve-t-il pas d’effet ?
Non. L’étude peut manquer de puissance. Rapporter les intervalles et considérer les tailles d’effet avant de prétendre à une conclusion nulle.
Quelle statistique de test devrais-je entrer ?
Voici la statistique produite par votre procédure : z pour les tests normaux à grands échantillons, t pour les tests moyens avec σ estimé, chi-carré pour de nombreux tests catégoriels, F pour de nombreux tests de rapport de variance. Associez df à la même sortie.
Comment une valeur p à deux queues est-elle calculée à partir de z ?
Trouver la zone à une queue au-delà de |z|, puis doubler. Pour z = 2.0, une ≈ à une queue 0.0228 et ≈ à deux queues 0.0455.
Le logiciel peut-il être légèrement en désaccord sur p ?
Oui. Les algorithmes de queue et l’arrondi diffèrent à la quatrième décimale. Les désaccords dans les deux premières décimales signifient généralement des queues erronées, un df incorrect ou une famille de distribution incorrecte.
Résumé
Le calculateur de valeurs p transforme les statistiques z, t, chi-carré ou F en valeurs p, les compare à α et teinte la région de rejet. Un z à deux queues = 2.0 donne p ≈ 0.0455, qui rejette en 0.05 et non en 0.01.
Une valeur p n’est pas la probabilité que le null soit vrai, ni la taille d’effet, ni la probabilité de réplication ; 0.05 est une convention ; et la non-signification n’est pas une preuve de l’absence d’effet.
Utilisez cette page pour la décision de signification ; utilisez le calculateur de score Z lorsque vous n’avez besoin que de la zone de score standardisée et de courbe.
Calculateurs connexes
Calculateur de score Z · Calculateur d’intervalles de confiance · Calculateur de taille d’échantillon · Calculateur d’écart-type