Tänk dig följande scenario: du dyker djupt ner i en värld av analyser och statistik och försöker förstå alla olika siffror och datapunkter. Plötsligt stöter du på en liten pärla som kallas p-värde. Det är som en hemlig kod som forskare använder för att låsa upp mysterierna med hypotesprövning och signifikans.

Den främsta användningen av p-värdet är för att fatta beslut vid hypotesprövning. Det hjälper forskare att bedöma om de observerade uppgifterna räcker för att förkasta nollhypotesen för en alternativ hypotes. Forskare använder också p-värdet för att jämföra grupper eller testa samband.

Samla in svar med hjälp av SurveyMonkeys beräkningsfunktion för p-värde ovan.

P-värdet står för sannolikhetsvärde. Det mäter sannolikheten för ett resultat, förutsatt att nollhypotesen är sann. Det är en sannolikhetsmätare som visar hur sannolikt ditt resultat är, förutsatt att det inte antas någon verklig skillnad (nollhypotesen).

P-värdet kvantifierar bevisstyrkan mot nollhypotesen. Det jämförs vanligtvis med en förutbestämd signifikansnivå, till exempel 0,05. När p-värdet är lågt säger det till dig: ”Det här resultatet kom förmodligen inte till av en slump.” Detta ger dig grönt ljus att förkasta nollhypotesen och anse att din hypotes kan stämma. 

P-värdet är viktigt eftersom forskarna använder det för att avgöra om de ska acceptera eller förkasta nollhypotesen. Några exempel på forskningsfrågor som kan använda p-värdet är:

Ett lågt p-värde tyder på att det finns skillnader mellan de grupper du testat. Det indikerar också att det kan finnas verkliga, förutsägbara samband mellan variabler.

Forskare kan sedan tolka signifikansen av sina resultat och kommunicera hur stark evidensen är till intressenter och kollegor.

För att beräkna ett p-värde måste du först fastställa sannolikheten för att få dina data om nollhypotesen var sann. Jämför sedan sannolikheten med din valda signifikansnivå (vanligtvis 0,05) för att avgöra om resultaten är statistiskt signifikanta.

För att beräkna ett p-värde från en z-poäng behöver du slå upp z-poängen i en tabell för standard-normalfördelning. Alternativt kan du använda programvara för att hitta motsvarande sannolikhet. Denna sannolikhet representerar sannolikheten för att observera ett värde så extremt som z-poängen enligt nollhypotesen.

Du får fram p-värdet med följande formler:

Här är instruktioner steg för steg på hur du beräknar p-värdet från en z-poäng:

Om du vill beräkna ett p-värde från en t-poäng bestämmer du först det t-värde som representerar skillnaden mellan ditt urvalsmedelvärde och populationsmedelvärdet. Använd sedan en t-fördelningstabell eller -programvara för att hitta sannolikheten för att observera t-poängen. Detta anger sannolikheten för att du får dina provresultat enligt nollhypotesen.

Följande formler ger p-värdet från t-poängen.

Där cdft,d representerar den kumulativa fördelningsfunktionen för t-Student-distributionen med d frihetsgrader.

Här är instruktioner steg för steg på hur du beräknar p-värdet från en t-poäng:

För att få p-värdet för en Pearson-korrelationskoefficient använder du först den beräknade koefficienten för att härleda en t-statistik. Sedan kan du hitta dess associerade p-värde med hjälp av t-fördelningen med frihetsgrader (n - 2).

Formeln för att få t-statistik från en Pearson-korrelationskoefficient hittar du nedan:

Där:

När du har fått t-statistiken kan du beräkna p-värdet med den kumulativa fördelningsfunktionen i t-fördelningen. Detta använder n - 2 frihetsgrader, där n är urvalsstorleken.

Så här går det till:

Om du vill beräkna p-värdet från en chitvåpoäng bestämmer du de frihetsgrader som är kopplade till chitvåfördelningen. Använd sedan statistiska tabeller eller programvara för att hitta sannolikheten för att få ett lika extremt chi-värde som det observerade.

Du kan få fram p-värdet med hjälp av följande formel:

p-värde=1− cdfχ² (x; df)

Där:

​Du subtraherar den kumulativa sannolikheten från 1 eftersom chitvåfördelningen är snedvriden åt höger, så svansytan till höger om det observerade chitvåvärdet motsvarar p-värdet.

Här är instruktioner steg för steg på hur du beräknar p-värdet från en chitvåpoäng:

Om p-värdet är mindre än eller lika med 0,05 (eller valfri vald signifikansnivå) tyder det på att resultatet är statistiskt signifikant. Detta innebär att det observerade resultatet är signifikant på α-nivån.

Detta innebär att sannolikheten för att få ett extremt resultat, förutsatt att nollhypotesen är sann, är mycket låg. Vanligtvis är denna sannolikhet mindre än 5 %.

Därför förkastar du nollhypotesen till förmån för den alternativa hypotesen. Detta tyder på vissa bevis som stöder påståendet med alternativhypotesen.

Om p-värdet är högre än 0,05 tyder det på att det observerade resultatet inte är statistiskt signifikant vid den valda signifikansnivån. Det finns med andra ord inte tillräckligt med bevis för att förkasta nollhypotesen. Detta innebär att vi inte kan dra slutsatsen att det observerade resultatet skiljer sig från vad som skulle förväntas enligt nollhypotesen.

Läs också: Så här analyserar du enkätdata

Vissa tror att ett p-värde på 0,05 betyder att det är 95 % chans att testhypotesen är sann och 5 % att den är falsk. Detta är en feltolkning av p-värdet.

P-värden indikerar sannolikheten för att data observeras, förutsatt att nollhypotesen är sann. De är inte direkta mått på sannolikheten för att hypoteser är sanna eller falska.

Att behandla p-värdet som synonymt med effektstorlek eller betydelse är en vanlig missuppfattning. Detta gör att gränsen mellan statistisk signifikans och praktisk signifikans suddas ut.

Ett lågt p-värde anger att det observerade resultatet sannolikt inte beror på slumpen. Det visar dock inte effektens storlek. Den speglar inte heller den praktiska relevansen av den effekten.

Till exempel kan även små avvikelser från nollhypotesen ge statistiskt signifikanta p-värden i stora datamängder, trots att de är praktiskt taget insignifikanta. Om ett experiment ger signifikanta skillnader flera gånger är det dessutom sannolikt att resultaten är insignifikanta ibland, eftersom detta är baserat på sannolikhet.

Omvänt betyder ett högt p-värde inte nödvändigtvis att den observerade effekten är trivial. Istället tyder det på att uppgifterna inte ger övertygande bevis mot nollhypotesen. 

För att kunna bedöma den praktiska betydelsen av resultat är det viktigt att du kompletterar p-värden med mått på effektstorlek. Effektstorlek kvantifierar storleken på den observerade effekten. Det hjälper forskare att kontextualisera resultat inom forskningsfrågans eller tillämpningens vidare räckvidd. 

Denna distinktion ser till att statistisk signifikans överensstämmer med meningsfulla verkliga konsekvenser. Den vägleder informerat beslutsfattande och tolkning av forskningsresultat.

Problemet med flera tester uppstår när forskare utför flera hypoteser på samma datauppsättning utan att justera signifikansnivån. Den här metoden ökar markant sannolikheten för att påträffa falskt positiva svar, även kallade typ I-fel. I dessa situationer förkastas nollhypotesen felaktigt.

Föreställ dig ett scenario där flera oberoende tester utförs samtidigt. Även om varje test håller en låg signifikansnivå (t.ex. α = 0,05) ökar den kumulativa sannolikheten för att observera minst ett signifikant resultat enbart av en slump. Detta inträffar när antalet tester ökar.

Forskare använder statistiska korrigeringstekniker som Bonferroni-korrigeringen för att göra det svårare att förkasta nollhypotesen. Dessa lösningar hjälper till att upprätthålla sträng kontroll över den totala andelen falska positiva resultat. De säkerställer att sannolikheten för falskt positiva svar för alla test förblir under den angivna tröskeln.

Fundera över de praktiska konsekvenserna av dina resultat i det bredare sammanhanget för din forskningsfråga eller ansökan. Undvik att övertolka statistiskt signifikanta resultat eller avfärda icke-signifikanta resultat utan noggranna överväganden.

Anta att du ser en statistiskt signifikant förbättring av provresultaten bland elever som undervisas med en ny metod. Denna förbättring jämförs med de som undervisas med den traditionella metoden.

Du bör undvika att övertolka resultaten. Tänk istället på faktorer som storleken på effekten. Är poängförbättringen tillräckligt betydande för att det ska vara motiverat att implementera den nya undervisningsmetoden i stor skala? Skulle detta kunna upprepas i andra studier under liknande förhållanden? Finns det andra faktorer, som kostnad, som måste beaktas?

Omvänt kan icke-signifikanta resultat bero på andra faktorer, till exempel litet urval eller mätfel. 

Därför är det viktigt att kritiskt utvärdera studiens design, datakvalitet och potentiella källor till partiskhet innan du drar slutsatser.

Oavsett signifikans ska alla p-värden för alla variabler i en studie inkluderas. Detta ger en heltäckande bild av analysen. Den gör det möjligt för läsarna att bedöma om resultaten är hållbara.

Genom att rapportera alla p-värden kan forskarna förmedla alla typer av statistiska analyser, inklusive de med icke-signifikanta resultat. Denna insyn låter läsarna utvärdera konsekvensen och tillförlitligheten hos resultaten för olika variabler och analyser. Den främjar också forskningens integritet genom att data presenteras i sin helhet, utan snedvridning eller förvrängning.

Tolkning av låga p-värden kräver försiktighet. De kan ibland vara missvisande indikatorer på signifikansen av observerade effekter. 

Det är viktigt att inse att låga p-värden kan uppstå från genuina effekter och stora urvalsstorlekar. Stora urvalsstorlekar ökar den statistiska förmågan att upptäcka triviala avvikelser från nollhypotesen.

Därför behöver inte låga p-värden i studier med stora urvalsstorlekar nödvändigtvis spegla meningsfulla eller praktiskt signifikanta effekter.