如何在 Python 中根据 t 分数查找 P 值？

---

数据是一种宝贵的资产，在当今社会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，并且定期生成海量数据。数据是未经处理的信息，数据科学家学习如何利用这些信息。数据科学家是一种专业人士，他们分析数据源，清理和处理数据，以便了解数据是如何以及为何创建的，以便提供见解来支持业务决策，从而为公司带来利润。为了检测数据中的模式和趋势，数据科学家使用统计公式和计算机算法的组合。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 中根据 t 分数查找 P 值。

什么是 P 值？

在统计学中，p 值是在原假设成立的情况下，产生至少与观察到的统计检验结果一样极端的结果的概率。p 值用于代替拒绝点来表示拒绝原假设的最小显著性水平。p 值越低，表示更有证据支持备择假设。

什么是 t 分数？

t 分数，也称为 t 值，是指与 t 分布均值相差多少个标准差。t 分数是 t 检验和回归分析中使用的检验统计量。当数据服从 t 分布时，它也可以用来表示观察值距离均值的距离。

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，它可以用来获取与给定 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

假设我们希望获取一个左尾假设检验的 p 值，其中 t 分数为 -
0.77 且 df = 15。

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 的 p 值。由于此 p 值不小于 0.05，因此如果我们应用 = 0.05 的显著性阈值，我们将无法拒绝假设检验的原假设。

2. 右尾检验

假设我们希望获取一个右尾假设检验的 p 值，其中 t 分数为 1.87 且 df = 24。

示例

import scipy.stats
#find p-value
scipy.stats.t.sf(abs(1.87), df=24)

输出

0.036865328383323424

p 值为 0.0368。由于此 p 值小于 0.05，因此如果我们应用 = 0.05 的显著性阈值，我们将拒绝假设检验的原假设。

3. 双尾检验

假设我们希望获取一个双尾假设检验的 p 值，其中 t 分数为 1.24 且 df = 22。

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

p 值为 0.2280。由于此 p 值不小于 0.05，因此如果我们应用 = 0.05 的显著性阈值，我们将无法拒绝假设检验的原假设。

结论

这里讨论了 P 值和 t 分数。这两者都用于统计学中，从数据中获取见解并帮助更准确地预测。此外，我们可以使用 Python 从 t 分数计算 P 值。