Archief - Statistiek: P-value

Zit dus met een probleempje ivm statistiek. Zit dus in 't zesde middelbaar en heb dus al verscheidene keren gevraagd aan die lkr maar op de manier dat die dat uitlegt (die blijft da maar gewoon vertalen wat er in da boek staat) versta ik dat dus van geen kanten.

't Gaat dus over de statistiek en wat dat 'k niet versta is dus de betekenis van die "P-value". Hoe je 't berekent en wat het grafisch voorstelt weet ik, maar wat het in theorie/praktijk betekent versta ik dus niet. Aangezien we daar mondeling examen hebben moet 'k da dus wel kunnen uitleggen.

Volgens de cursus(*):

...the P-value approach has been adopted widely in practice.
The P-value is the probability that the test statistic will take on a value
that is at least as extreme as the observed value of the statistic when
the null hypothesis H0 is true. Thus, a P-value conveys much more
information about the weight of evidence against H0, and so a decision
maker can draw a conclusion at any specified level of significance. We
now give a formal definition of a P-value.

Definition
"The P-value is the smallest level of significance that would lead to
rejection of the null hypothesis H0 with the given data."

Klik om te vergroten...

Wat is dan het verschil met die type I error probability (alpha-value in die cursus)? 'k Versta niet echt waarom dat die P-value meer toereikend is dan die alpha-value?



(*) Applied Statistics and Probability for Engineers
by Montgomery, Douglas C.; Runger, George C.;

de p-waarde is de kans dat , als de nulhypothese zou kloppen, de toetstatistiek een waarde zou aannemen die even extreem is als de testwaarde die ge verkregen/berekend hebt via de steekproef.

Als ge het grafisch en theoretisch begrijpt, dan zou de praktijk toch moeten volgen?

Eigenlijk is de grafische voorstelling het belangrijkste om dat begrip te snappen

voor een significantieniveau geldt: ge berekent een kritische waarde op basis van uw significantieniveau (alfa) en als uw waarde daar voorbij valt, dan kunt ge uw nulhypothese verwerpen met 100(1-alfa)% zekerheid. Zo een P waarde berekent (zoals hierboven reeds gezegd) de kans dat uw testwaarde uw berekende waarde nog gaat overtreffen. Als die kans kleiner is dan uw alfa, dan weet ge dat uw waarde sowieso voorbij die kritische waarde valt. Uit een P-waarde kunde echter nog zien hoe ver die relatief daar voorbij valt

Als ek het zo zelf lees moet ek mezelf alleen gelijk geven als ik zeg : grafisch is het duidelijker

Zoals al gezegd kan je met de alfa enkel 'wel' of 'niet' over statistisch significante verschillen spreken. Met p-waarde kan je de verschillen nog beter beoordelen op hun significantie, kleinere p-waarde betekent statistisch significantere resultaten.

Een impromptu voorbeeld. Alle personen in de studie zijn ziek door een infectie met een bepaalde bacterie. Willekeurig delen we de personen in in 2 groepen, groep A en B. Groep A is de controlegroep en behandelen we niet. Groep B geven we een experimenteel medicijn. Vervolgens kunnen we voor deze 2 groepen verschillende paramaters bekijken zoals vb. periode tot genezing om het simpel te houden.

Indien het medicijn werkt verwachten we dat Groep B sneller geneest. Wanneer we de duur tot genezing van beide groepen met elkaar vergelijken kunnen we aan de hand van verschillende testen significantie bepalen. Simpelweg gebruiken we hier een normale student t test. We zien dat de duur tot genezing in groep B inderdaad korter is dan in groep A met een p-waarde van vb. 0,03.

Deze p-waarde houdt in dat als je je totaal aantal personen na het experiment opnieuw willekeurig zou indelen in 2 groepen , dus personen met en zonder behandeling door elkaar in dezelfde groep, je slechts 3% kans hebt dat je een even groot of groter verschil bemerkt in je 2 nieuwe willekeurige populaties. Om een sterke p-waarde te bekomen heb je een groot aantal samples met lage variatie nodig en natuurlijk een verschil in gemeten parameters.

Type 1 error houdt in dat je een statistisch significant verschil vaststelt wanneer deze in werkelijkheid er niet is. Zodra je je alfa bepaalt bepaal je ook je type 1 error. Als je een alfa van 5% kiest is er dus 5% kans dat je statistisch significant verschil ook gemeten wordt in identieke groepen.

Type 2 error houdt in dat je geen statistisch significant verschil vaststelt wanneer deze er wel is, mogelijk veroorzaakt door te weinig samples of teveel variatie.

Al deze info kan fout zijn, het is al een tijdje geleden dat ik nog enige statistiek heb moeten gebruiken Eventueel kan je op internet wat manuals opzoeken van statistische analyse programma's. Deze hebben meestal een duidelijke praktijkgerichte uitleg over verschillende statistische tests.

p = P{ P < p }

denk dat wij dezelfste leerkracht hebben, nuja ik begrijp er momenteel nog niks van dus gij zit nog wa verder

Een P-waarde zegt gewoon hoe groot de kans is dat je op je verdeling een nog actievere waarde aantreft. Veel meer is daar niet aan

Versta het ondertss wel. Thanks voor de replies.
@Dildo: oe noem je gij?