F-statistik, F-kritiskt värde och P-värde

Tänk på om du har två vänner som båda diskuterar om vilken som bor längre från jobbet /skola. Du erbjuder att reglera debatten och be dem att mäta hur långt de har att resa mellan hem och arbete. De rapporterar båda tillbaka till dig, men en rapporterar i miles och den andra rapporterar i kilometer, så du kan inte jämföra de två siffrorna direkt. Du kan konvertera mil till kilometer eller kilometer till miles och göra jämförelsen, vilken konvertering du gör spelar ingen roll, du kommer att komma till samma beslut på något sätt.

Det liknar teststatistik, du kan inte jämföra ditt alfavärde med F-statistiken du behöver för att antingen konvertera alfa till ett kritiskt värde och jämföra F-statistiken med det kritiska värdet eller så måste du konvertera din F-statistik till ett p-värde och jämföra p-värdet till alfa.

Alpha väljs i förväg (datorer är vanligtvis 0,05 om du inte anger det på annat sätt) och representerar din vilja att falskt avvisa nollhypotesen om det är sant (typ I-fel) F-statistiken beräknas utifrån data och representerar hur mycket variationen mellan medel överstiger den förväntade på grund av en slump. En F-statistik större än det kritiska värdet motsvarar ett p-värde mindre än alfa och båda betyder att du avvisa nollhypotesen.

Vi jämför inte F-statistiken med 1 för det kan vara större än 1 bara på grund av slump, det är bara när det är större än det kritiska värdet som vi säger att det är osannolikt att det beror på slumpen och hellre vill avvisa nollhypotesen.

I lektioner som jag undervisar har jag funnit att elever som inte är lika unga som de andra och återvänder till skolan efter att ha arbetat ett tag ofta ställer de bästa frågorna och är mer intresserade av vad de faktiskt kan göra med svaren (snarare än oroa dig bara om det är på testet), så var inte rädd att fråga.

Kommentarer

• Det här svaret från @GregSnow är mycket bra . Jag trodde bara att jag ' pekade på wikipedia-sidan och förklarade p-värde – de första par styckena i särskilt – eftersom förståelse som verkar vara en viss bugbear. (Jag ' d ekar också hans kommentarer angående äldre studenter.)
• Se även statdistributions.com/f . I många exempel, när de två avvikelserna som används för att beräkna F är uppdelade för att erhålla ett förhållande, får man den typ av distribution som visas – OM ingenting annat än slump fungerar. Frågan är, hur osannolikt skulle en given F vara under ett sådant antagande?

Så kort sagt, avvisa noll när ditt p-värde är mindre än alfa-nivån. Du bör också avvisa noll om ditt kritiska f-värde är mindre än ditt F-värde, du bör också avvisa nollhypotesen. F-värdet ska alltid användas tillsammans med p-värdet för att avgöra om dina resultat är tillräckligt signifikanta för att avvisa noll hypotes. Om du får ett stort f-värde betyder det att något är viktigt, medan ett litet p-värde betyder att alla dina resultat är signifikanta. F-statistiken jämför bara den gemensamma effekten av alla variablerna tillsammans. För att uttrycka det enkelt, avvisa nollhypotesen bara om din alfa-nivå är större än ditt p-värde.

Källa: http://www.statisticshowto.com/f-value-one-way-anova-reject-null-hypotheses/

Jag hade läst det inlägg du rekommenderade, men jag kände att det hade fått ett problem och jag förstår fortfarande inte. Jag fångade innehållet och bifogade som en bild nedan. Kan du hjälpa till att förklara det tydligt?

Kommentarer

• F-kritiskt värde är INTE någon statistik. Försök hitta andra böcker att läsa.