读完《假设检验之P值与显著性》后，可以先挑一个小样例走完整流程，再判断哪些步骤已经能独立完成。
查看大图假设检验之P值与显著性应用复盘卡
读到这里，可以把《假设检验之P值与显著性》整理成一张复盘表：先说清主线，再拿一个小任务检查结果。
查看大图统计学阅读地图卡
学习《假设检验之P值与显著性》不必一口气吃完所有细节。先挑一个能动手验证的小问题，再顺着图和正文补齐概念。
P值越小，表示观察到的结果在零假设下发生的可能性越小，从而我们越倾向于拒绝零假设。
P值的计算
假设我们进行一项新的药物疗效的研究，希望验证新药对血压的影响。我们设置如下假设：
H0H_0H0: 新药对血压没有影响（μ=μ0\mu = \mu_0μ=μ0）
H1H_1H1: 新药对血压有影响（μ≠μ0\mu \neq \mu_0μ=μ0）
我们收集了样本数据，并计算得到样本均值和标准误。假设我们计算得到的统计量为ttt，根据ttt的分布，我们可以计算相应的P值。一般情况下，我们使用以下公式：
P-value=P(T≥∣tobservation∣)P\text{-value} = P(T \geq |t_{observation}|)P-value=P(T≥∣tobservation∣)
其中，TTT是对应的概率分布（如t分布）。
如何解释P值
在假设检验中，我们设定一个显著性水平（α\alphaα），通常为0.05。这意味着我们愿意接受5%的错误拒绝零假设的风险。
如果 $P \leq \alpha$，我们拒绝零假设，认为结果显著。
如果 $P > \alpha$，我们不能拒绝零假设，认为结果不显著。
实例
以Python为例，我们将演示如何通过scipy.stats库进行一次简单的假设检验，并计算P值。
import numpy as np
from scipy import stats
# 假设样本数据
data = np.random.normal(loc=5, scale=2, size=30) # 均值为5，标准差为2的正态分布
mu_h0 = 5 # 零假设的均值
# 进行单样本t检验
t_statistic, p_value = stats.ttest_1samp(data, mu_h0)
print(f"t统计量: {t_statistic:.4f}, P值: {p_value:.4f}")
在这个代码中，我们生成了一个样本数据，进行单样本t检验，并计算P值。结果中，如果P值低于0.05，我们可以认为新药的效果显著，反之则不显著。
不同显著性水平
值得注意的是，显著性水平的选择并非唯一。科研领域的不同，可以采用不同的显著性水平。例如在生命科学中，研究者可能会选择更为严格的0.01作为显著性水平。
综上所述，P值的计算和解释是在假设检验中至关重要的步骤。它不仅帮助我们判断数据结果的显著性，还能引导后续的研究和决策。
小结
本篇文章中，我们详细探讨了P值及其与显著性之间的关系。这为我们的下一篇内容——“假设检验之常见的假设检验方法”做好了铺垫。在进行各种假设检验时，了解和正确使用P值是至关重要的，这将帮助我们更好地理解数据背后的信息。