- 综合排序
- 最热优先
- 最新优先
- 来自专栏数说工作室
P值之死
有一天，我走进统计学的神殿 ，将所有谎言都装进原假设的盒子里， “P值为零”， 一个声音传来， “但你已经不能再拒绝，因为，P值已经死了” 从此，这个世界上充斥着谎言。 实际上，问题并不在数据中，而是P值出了问题，正如罗斯福大学的经济学家史蒂芬所说，“P值没有起到人们期望的作用，因为它压根就不可能起到这个作用。” ? 为什么呢？为什么P值没有达到人们的期望？ 现在和数说君一起来梳理一下P值和假设检验的历史，并从中寻找答案吧。 ? 二、P值和假设检验的历史 1. Fisher P值能风靡学术界这么多年，费雪是第一推手，被他推动的除了P值，还有被称为“费雪学派”（Fisherian）的假设检验思想。 这就是假设检验里的“小概率事件原理”，这个概率就是后来风靡学术界的“P值”，一般认为概率小于5%，就是不靠谱的事情，则需要拒绝原假设。
1.5K70发布于 2018-04-08 - 来自专栏数说工作室
【温故】P值之死
P值的争论，纪念一下100年前的今天。 实际上，问题并不在数据中，而是P值出了问题，正如罗斯福大学的经济学家史蒂芬所说，“P值没有起到人们期望的作用，因为它压根就不可能起到这个作用。” ? 为什么呢？为什么P值没有达到人们的期望？ 现在和数说君一起来梳理一下P值和假设检验的历史，并从中寻找答案吧。 ? 二、P值和假设检验的历史 1. Fisher P值能风靡学术界这么多年，费雪是第一推手，被他推动的除了P值，还有被称为“费雪学派”（Fisherian）的假设检验思想。 这就是假设检验里的“小概率事件原理”，这个概率就是后来风靡学术界的“P值”，一般认为概率小于5%，就是不靠谱的事情，则需要拒绝原假设。
99720发布于 2018-08-02 - 来自专栏数说工作室
浅议P值校正
P值，通常被我们用来判断是否接受一个假设，关于P值的前世今生，可以看数说君的了一篇文章《P值之死》，在微信公众号中回复“P值”查看。 我们的P值就是跟这个标准做比较，我们通常把α取为0.05，复习一下吧： P<α=0.05，则拒绝H0； P>α=0.05，不能拒绝H0； 这个标准，意味着我们要承担α=5%的错误拒绝的概率。 至于P值是怎么来的，为什么用P值和α相比来判断，可以去看《P值之死》，里面已经进行了详细的梳理。 对于每一个检验的P值，有： P<α=0.05/m，我们才能拒绝H0； 这样我们就校正了显著水平，当然我们也可以让α保持不变，去校正P值： P*m<α=0.05，我们才能拒绝H0； 也就是说，每一个检验做出来的 P值，我们都要乘以m，叫做校正后的P值，然后去和0.05进行比较。
7.3K61发布于 2018-04-08 - 来自专栏祥子的故事
统计| p值的计算
p值的计算，R语言和python的实现 今天来说说频率中假设检验要依赖的评估指标：p值，对，你也许很清楚的知道它表达的意思，但是它是怎么算得的呢？不知道你是否知道呢？ 这次将介绍几种分布计算p值的方法（套路）。 这里以两样本均值的假设检验为例来说明。 ，原假设发生的概率，若是p值小于0.05，发生概率小于0.05时，认为是小概率发生了，即是差异性显著，拒绝原假设。 公式： 双边假设的p值： p=P(z<−|x¯−y¯S2xn+S2ym−−−−−−−√|) p = P( z < -| \frac{ \overline{x} - \overline{y {\sqrt{ \frac{S_{x}^{2}}{n} + \frac{S_{y}^{2}}{m}}} | ) 代码 > x <- 0.3 > y <- 0.5 > sx <- 3 > sy <- 5
4K20发布于 2019-02-18 - 来自专栏Q青之家
QQWeb登陆P值算法
QloginPCode 腾讯WEB登陆协议p值算法，node.js编写，下面是服务端源码，算法请自行去github下载 点击下载 var http = require('http'); var RequestUrl get.vcode; response.writeHeader(200, { "Content-type": "text/html;charset=utf8" }) try { var p = login.getmd5(uin, pwd, vcode); response.write(p); } catch (err) { response.write(err.toString
70320发布于 2021-08-12 - 来自专栏数据指象
功效分析：P值的胞弟
学过统计学基础的同学们，对P值耳熟能详，脱口而出；关于功效我们多半像个丈二和尚，摸不着头脑。 2，P值与功效 P值：拒绝原假设而犯错第一类错误的概率。是在【基准显著水平】做拒绝或不拒绝原假设的定性指标。 功效是：1-β（第二类错误的概率）概率来定义，它衡量真实事件发生的概率。 为什么有了P值检测，还有功效检测呢？实验最重要的是提升可信度和说服力，P值虽好但也不是处处皆好，所以多一个功效检测，多一道安心的保障。 4，主角的效应值的开场 影响功效的因素有3个：样本大小，显著性水平，效应值。 5，总结 功效的分析围绕着：样本量，置信水平，效应值；其中的效应值是重点，全文也作了很多描述。 R中也为我们提供可丰富的包，可以借助计算机来完成各种复杂的计算。
94140编辑于 2022-04-27 - 来自专栏量化投资与机器学习
为什么说p值像根针？一场关于p值的战争！
如果你对p值比较陌生，简单来说呢，p值是一个告诉你是否应该认为原假设很荒谬的决策工具。 反对p值 当人们（经常是贝叶斯学派）批判p值的时候，通常可以归结为两种论点： 1、关于定义或公式。 支持p值 你应该对那些对p值怀有极端狂热的人也抱有怀疑。p值只是在一些非常特定的情形下才有用。但当p值有用的时候，就会不鸣则已，一鸣惊人。 p值是特定方式下决策的有力工具 质疑这一点非常困难。 p值的另一种情况 如果你对分析学感兴趣（不是统计学），p值是一种有用的方法来汇总数据，迭代搜索。请不要像统计学家那样去解释p值。除非数据内含特定的模式，否则p值无法说明任何事情。 如果是为别人计算p值，对你来说可能是没有用的。p值应该与那些做出相同简化假设、按相同方式制定决策的人分享。 用别人的p值是危险的事情……它们就像针：如果你要用，就用自己的！ 这就是为什么p值有点像医生用的针头。它们是供个人使用的，共用p值是很危险的事情。
70620发布于 2019-07-10 - 来自专栏用户7627119的专栏
【R语言】P值转换成***
我们在做一些统计学分析的时候，总是能得到一个p值。但是在画图的时候，一般会把p值转换成星号（*），显示在图上。那么今天小编就来跟大家聊一聊，怎么用R语言，将P值转换成对应的*。 #install.packages("gtools") library(gtools) star2=stars.pval(pval) pval star2 这个函数连转换的参数都帮你省了，只需要输入p值就可以了
91530编辑于 2022-09-21 - 来自专栏生信补给站
scRNA分析|自定义你的箱线图-统计检验，添加p值，分组比较p值
本文主要解决以下几个问题 （1）指定统计检验方式（2）指定比较组并添加P值（3）任意比较（4）分组比较 （5）使用星号代替P值 等 一 载入R包 数据 使用本文开始的基因集评分的结果 和 ggpubr + stat_compare_means(aes(group = group)) 三 可视化调整 除上述之外还有一些常见的小调整，比如去掉p值前面的统计方法， 将P值改为星号，调整坐标轴和标签等等 = paste0("p =", ..p.format..)) ) 2，将p值改为星号 p1+stat_compare_means(comparisons = my_comparisons, aes(label = paste0("p =", ..p.format..)), # 只显示p值大小，不呈现计算方法 color="grey50", # 字体的颜色 method = "wilcox.test", # size=5, # p值的文字的大小
6K31编辑于 2023-03-08 - 来自专栏前端数据可视化
p5.js 使用npm安装p5.js后如何使用？
安装 p5.js 进入 p5-demo 项目后，使用以下命令安装 p5.js npm install p5 --save 安装完成后再使用 npm run dev 运行项目。 创建画布 在创建画布前，需要先引入 p5.js。引入后可以尝试输出 p5.js 的版本。 打开 main.js 输入以下内容 import p5 from 'p5' // 引入 p5 console.log(p5.VERSION) // 输出当前使用 p5.js 的版本 打开浏览器的控制台可以看到当前使用的 p5.js 版本，在写本文时所用的是 v1.5.0 此时如果你打算像 《p5.js 光速入门》 那样直接使用 setup() 创建画布是不可能的了，因为在 module 模式下引入的 p5.js 的 在 module 模式下开发，可以使用 import p5 from 'p5' 的方式引入 p5.js。 使用 new p5(sketch) 的方式创建 p5 程序。
3.2K10编辑于 2022-12-28 - 来自专栏给永远比拿愉快
假设检验和P值那些事
假设检验和P值那些事 记得大学时候学习概率论与数理统计的时候，学习过假设检验，但我不记得课本上有提到过P值。 P值 上面讲了检验假设的一般过程，好像跟P值没什么关系？但是P值其实和检验假设息息相关的。上面的求解过程是通过判断样本观测值是否落在拒绝域而做出判断的，其实我们还可以通过计算P值直接进行判断。 那么什么是$P$值呢？ 我的理解就是P值是在原假设成立的情况下，出现比当前样本观测值更极端（包括当前样本观测值）情况的概率。 其实这样说还是挺抽象的，我们通过计算来进行说明。 计算的过程就是上面讲解假设减压和P值的过程。
1.7K10发布于 2019-01-22 - 来自专栏生信小驿站
绘制韦恩图及计算P值
（1）计算韦恩venn图交集的P值 #======================================================= #======================= 计算韦恩图P值的代码为 > phyper(inter-1, a, 20000-a, b, lower.tail = F) [1] 2.098632e-06 可以看到P值小于0.05，因此该overlap 计算venn图P值的具体资料大家可以检索：超几何分布检验（hypergeometric test）与费歇尔精确检验（fisher's exact test）； Statistical significance cat.dist = catdist1, scaled = FALSE) pdf(file = 'venn_anti_gene.pdf', height = 5, width = 5) p dev.off()
3.3K10编辑于 2021-12-06 - 来自专栏后端技术
张龙netty学习笔记 P4 P5 P6
创建EventLoopGroup，一般创建两个(也可以只一个，但效率稍低，不建议)。
50330发布于 2019-05-25 - 来自专栏优雅R
「R」ggplot2 添加矫正p值
ggpubr 实现了 ggplot2 绘图添加 p 值的良好支持，但读者需要注意它是没有经常矫正的。矫正 p 值需要额外的处理。 % mutate(y.position = 35) stat.test # A tibble: 3 x 9 dose .y. group1 group2 statistic p method p.adj y.position 1 0.5 len OJ VC 3.1697328 0.0064 T-test p <- ggboxplot( ToothGrowth, x = "supp", y = "len", color = "supp", palette = "jco", facet.by = "dose", ylim = c(0, 40) ) p + stat_pvalue_manual(stat.test, label = "p.adj") ?
1.9K10发布于 2020-07-03 - 来自专栏优雅R
「R」ggplot 图 P 值格式化
「ggpubr」 包中的 stat_compare_means() 函数是非常常用于对 ggplot 图形添加统计比较结果的方法，近期有粉丝问到了如何对其展示的 P 值进行格式化，这里简要地做一个记录。 len supp dose #> 1 4.2 VC 0.5 #> 2 11.5 VC 0.5 #> 3 7.3 VC 0.5 #> 4 5.8 VC 0.5 #> 5 p + stat_compare_means() 可以看到图中是以检验方法+P值的结果来展示 P 值的，那么该如何修改它呢？ ，下面是一个简单的修改： p + stat_compare_means(aes(label = paste0("P = ", round(as.numeric(..p.format..), 1)))) stat_compare_means 提供的说明修改 P 值的位置： p + stat_compare_means(aes(label = paste0("P = ", round(as.numeric
1.6K10编辑于 2022-01-21 - 来自专栏Listenlii的生物信息笔记
Nature: P值到底能不能用？
P值为0.05并不意味着给定假设有95%的可能是正确的。相反，它表示，如果零假设为真，并且所有其他假设都是有效的，那么有5%的机会获得一个至少与观察到的结果一样极端的结果。 如使用简单的线性回归，并关注其中一个变量作为预测变量，将在5%的样本中产生P < 0.05(图1a)。 然而如果我们测试每一个变量，现在有40%的几率会发现至少有一个P < 0.05。 (a) H0为真时，1000次统计检验的模拟P值。分布均匀，平均5% P < 0.05(蓝色)。 (b)在H0为真时，10次试验的1 000次模拟中最小P值的分布情况。 补充P值的一个常见建议是报告效果的置信区间。 图2显示了与图1中的测试场景相对应的置信区间。 当我们在零值为真时进行100次单一假设检验时，只有5%的置信区间不覆盖0(图2a)。 首先，如果同时拟合所有10个变量并在P≤0.05时进行检验，如预期的那样，只有5%的时间拒绝预测因素和SBP之间没有关联的原假设。
1K20发布于 2021-07-30 - 来自专栏前端数据可视化
p5.js map映射
本文简介 p5.js 为开发者提供了很多有用的方法，这些方法实现起来可能不难，但却非常实用，能大大减少我们的开发时间。 本文将通过举例说明的方式来讲解 映射 map() 方法。 什么是映射 从 p5.js 文档 中可以看到对映射的说明 说明：从一个范围内映射一个数字去另一个范围。 好家伙，使用映射来说明映射。 map() 语法 除了普通的映射规则外，p5.js 的 map() 方法还提供了映射后最大值和最小值的限制。 let gray = map(mouseX, 0, windowWidth, 0, 255, true) background(gray) } </script> mouseX 是 p5 我在 《# p5.js 光速入门》 里有讲到。 再举个例子 根据当前鼠标所在位置x轴设置画布背景色的色调，根据鼠标所在位置y轴设置画布背景色的饱和度。
4.4K51编辑于 2023-03-12 - 来自专栏前端数据可视化
p5.js 变换操作
p5.js 同样具备变换功能，而且还封装了很多方便的函数去实现变换功能。本文就简单介绍一下 p5.js 的变换操作方法。 为了方便讲解(我懒)，本文使用 CDN 的方式引入 p5.js。 如果你在项目中使用 npm 的方式安装 p5.js ，可以参考 《p5.js 使用npm安装p5.js后如何使用？》 的用法。 x 的值为负数时向左平移，正数则向右平移。y 的值为负数时向上平移，正数则向下平移。 语法2接受的参数是一个平移向量，这个语法在入门阶段用得不多。 .js 使用npm安装p5.js后如何使用？》 如果传入大于0小于1的值就是缩小，大于1的值就是放大。
2.4K10编辑于 2023-03-13 - 来自专栏前端数据可视化
p5.js 状态管理
p5.js 作为一个 canvas 库，也理所当然的提供了状态管理的方法。在 p5.js 里这两个方法叫 push() 和 pop()。 本文主要讲解 p5.js 的 push() 和 pop() 的用法。 之后你还想创建其他正方形，而且希望使用 p5.js 默认的样式，而不是使用绿色正方形。 以上就是 p5.js 的状态管理功能。 这是原生 canvas 就已经提供的能力，想了解原生方面的知识可以看 《canvas 状态管理》 推荐阅读 《p5.js 光速入门》 《p5.js 使用npm安装p5.js后如何使用？》
1.8K20编辑于 2023-02-26 - 来自专栏前端数据可视化
p5.js 光速入门
function draw() { square(10, 10, 80) } </script> 圆角半径 圆角半径参数遵循以下规则： 省略的角半径参数设置为参数列表中先前指定的半径值的值 意思是，如果只传入1个半径值，那么后面3个圆角半径的值会取左上的圆角半径。 220, 220) } function draw() { square(10, 10, 80, 10) } </script> 如果是传入2个圆角半径，那第三和第四个圆角半径的值会取第二个的值 如果传4个参数，并且 w 和 h 的值不一样，那画出来就是一个椭圆。 基础样式 p5.js 提供了几个设置样式的方法，我挑常用的几个来讲讲。 颜色 p5.js 支持多种颜色值，比如 颜色关键字、十六进制CSS颜色字符串、RGB、HSB、HSL、灰度。
6.2K41编辑于 2022-12-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号