我有一堆独立的 p 值，现在我想使用 Fisher 方法将它们组合起来。每个单独的 p 值都来自单边测试。我对费舍尔方法测试的“方面”有点困惑，即当我在 R 中计算费舍尔方法 p 值时，我使用：
1 - pchisq( -2*sum(log(p-values)), df)
哪里df = 2*length(p-values)。
这是单方面的测试吗？应该是因为当检验统计-2*sum(log(p-values))量远小于时df，Fisher 的 p 值接近 1。这里应该有问题吧？如果我的检验统计量非常小，我应该如何（或者我应该？）拒绝空值？我只是对“接近 1”的 p 值感到不舒服。
顺便说一下，我用的是检验模型拟合优度的方法，小p值表示模型失拟。
i) 首先，一个建议：
使用pchisq( -2*sum(log(p-values)), df, lower.tail=FALSE)而不是-对于小 p 值1- ...，您最终可能会获得更高的准确性。要查看它们有时会给出不同的结果，请尝试以下操作：
x=70;c(1-pchisq(x,1),pchisq(x,1,lower.tail=FALSE))
ii) 是的，它是片面的。卡方统计量的小值表明分量 p 值往往很大（即，缺乏反对整体 null 的证据）。想象一下，您正在进行 t 检验，样本均值非常非常接近……即异常小。你会因为它们非常接近而拒绝它们相等的原假设吗？
显然不是。您可能会得出其他错误的结论（例如您的一个假设可能是错误的，或者您使用了非常糟糕的测试，或者您的计算可能是错误的，或者有人篡改了数据，或者......） - 但您不会得出结论手段不同，因为它们非常接近！
确实-在这种情况下您会怎么做：
> t.test(x,y,var.equal=TRUE)
Two Sample t-test
data: x and y
t = 1e-04, df = 18, p-value = 0.9999
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-0.7213824 0.7214315
sample estimates:
mean of x mean of y
-0.2161466 -0.2161711
所以有一个两个样本的t检验 非常接近 1 (~0.999944)。你得出什么结论？
那么现在，在拟合优度的情况下，真正接近 1 的 p 值可能会告诉你什么样的事情？