如果您的数据是，并且您的假设则 p 值为。$\mathcal{D}$$H_0$$p = \mathbb{P}(\mathcal{D}\mid H_0)$

值告诉您以下内容：$p$

如果为真，我当前观察到的数据的可能性有多大？$H_0$

因此，如果非常低，仅表示数据不会轻易发生在为真的世界中。这并不意味着是错误的：数据本身可能是错误的。你有一个选择：你要么拒绝理论要么拒绝数据。如果你想计算，你需要应用贝叶斯规则 “向后工作”意味着$p$$H_0$$H_0$$\mathcal{D}$$H_0$$\mathcal{D}$$\mathbb{P}(H_0\mid\mathcal{D})$

$$\mathbb{P}(H_0\mid\mathcal{D}) \propto \mathbb{P}(\mathcal{D}\mid H_0)\mathbb{P}(H_0) =p\,\mathbb{P}(H_0)$$ $\mathbb{P}(H_0\mid\mathcal{D}) = \mathbb{P}(\mathcal{D}\mid H_0)$这在几乎所有情况下都是错误的。要应用公式，您需要计算，这就是$\mathbb{P}(H_0)$

一开始就存在真正影响的可能性

但是，您永远不会拥有的值。$\mathbb{P}(H_0)$

不用方程式回答：

p值是惊喜的量度。鉴于零假设为真（实验设计），您在数据中偶然发现至少这个极端值的可能性有多大。

您根据测试数据计算 p。您永远不能包含实际数据。如果您可以获得实际数据，则首先不需要进行假设检验。所以测试数据甚至是一个随机样本，它可以来自实际分布的任何部分。鉴于这种随机性，您不能使用您计算的 p 值说他的结果只有 ap*100% 的可能性是误报。

希望这能回答你的问题。