সত্যিকারের পুরানো প্রশ্নের উত্তর দেওয়ার মতো কিছুই নয়, তবে এখানে যায় ...
পি-মানগুলি প্রায় বৈধ অনুমান পরীক্ষা are এটি জেনেসের 2003 এর সম্ভাব্যতা তত্ত্বের বই (পুনরাবৃত্ত পরীক্ষাগুলি: সম্ভাব্যতা এবং ফ্রিকোয়েন্সি) থেকে নেওয়া কিছুটা অভিযোজিত এক্সারপ্ট। ধরুন আমাদের কাছে এমন একটি নাল হাইপোথিসিস যা আমরা পরীক্ষা করতে চাই। আমরা তথ্য আছে এবং পূর্বে তথ্য । মনে করুন যে কিছু অনির্দিষ্ট হাইপোথিসিস যা আমরা বিরুদ্ধে পরীক্ষা । বিপরীতে পূর্ববর্তী প্রতিকূল অনুপাতটি তখন প্রদত্ত: ডি আমি এইচ একটি এইচ 0 এইচ একটি এইচ 0এইচ0ডিআমিএইচএকজনএইচ0এইচএকজনএইচ0
P(HA|DI)P(H0|DI)=P(HA|I)P(H0|I)×P(D|HAI)P(D|H0I)
এখন ডানদিকে প্রথম শব্দটি ডেটা থেকে স্বতন্ত্র, সুতরাং তথ্যটি কেবল দ্বিতীয় পদটির মাধ্যমে ফলাফলকে প্রভাবিত করতে পারে। এখন, আমরা সর্বদা একটি বিকল্প অনুমান যেমন- - একটি "নিখুঁত ফিট" হাইপোথিসিস আবিষ্কার করতে পারি। সুতরাং আমরা উপরে কোনও বিকল্প অনুমানকে ডেটা কতটা সমর্থন করতে পারে তার পরিমাপ হিসাবে আমরা use ব্যবহার করতে পারি । সেরকম কোন বিকল্প হাইপোথিসিস যে ডেটার উপর সমর্থন পারে তার চেয়ে অনেক বেশী দ্বারা । আমরা বিকল্পগুলির শ্রেণিটিকেও সীমাবদ্ধ করতে পারি, এবং পরিবর্তনটি হ'ল যে সেই শ্রেণীর মধ্যে সর্বাধিক সম্ভাবনা (ধ্রুবককে স্বাভাবিককরণ সহ) দ্বারা প্রতিস্থাপন করা হয়েছে। যদি পি ( ডি | এইচ এ আই ) = 1 1HAP(D|HAI)=1 এইচ011P(D|H0I)H0 1পি(ডি|এইচ0আমি)এইচ0এইচএকটিটন(ডি)>T0টি(ডি)ডিটি(ডি)1P(D|H0I)1P(D|H0I)খুব ছোট হতে শুরু করে, তারপরে আমরা সন্দেহ করতে শুরু করি, কারণ এবং মধ্যে বিকল্পের সংখ্যা বেড়ে যায় (কিছু না-পূর্বের সম্ভাব্যতা সহ)। তবে পি-ভ্যালু দিয়ে এটি করা প্রায় খুব প্রায়, তবে একটি ব্যতিক্রম সহ: আমরা কিছু পরিসংখ্যান এবং কিছু পরিসংখ্যানের "খারাপ" অঞ্চলের জন্য এর সম্ভাবনা গণনা করি না । আমরা এর সম্ভাব্যতা গণনা করি - তথ্যটি আসলে আমাদের কাছে রয়েছে তার কিছু উপসেটের চেয়ে ।H0HAt(D)>t0t(D)Dt(D)
লোকেরা পি-মানগুলি ব্যবহার করে এমন আরেকটি কারণ হ'ল তারা প্রায়শই একটি "যথাযথ" হাইপোথিসিস পরীক্ষার পরিমাণে থাকে তবে এটি গণনা করা সহজ। আমরা এটি জ্ঞাত বৈকল্পিকের সাথে সাধারণ গড় পরীক্ষা করার খুব সাধারণ উদাহরণ দিয়ে দেখাতে পারি। আমাদের কাছে একটি অনুমিত মডেল (পূর্বের তথ্যের অংশ ) সহ । আমরা পরীক্ষা করতে চাই । তারপরে আমাদের কিছুটা গণনার পরে:x i ∼ N o r m a l ( μ , σ 2 ) I H 0 : μ = μ 0D≡{x1,…,xN}xi∼Normal(μ,σ2)IH0:μ=μ0
P(D|H0I)=(2πσ2)−N2exp(−N[s2+(x¯¯¯−μ0)2]2σ2)
যেখানে এবং । এ থেকে জানা যায় এর সর্বোচ্চ মান অর্জন করা হবে যখন । সর্বাধিক মান:এস2=1x¯¯¯=1N∑Ni=1xiপি(ডি|এইচ0আই)μ0= ¯ xs2=1N∑Ni=1(xi−x¯¯¯)2P(D|H0I)μ0=x¯¯¯
P(D|HAI)=(2πσ2)−N2exp(−Ns22σ2)
সুতরাং আমরা এই দুটি অনুপাত গ্রহণ করি এবং আমরা পাই:
P(D|HAI)P(D|H0I)=(2πσ2)−N2exp(−Ns22σ2)(2πσ2)−N2exp(−Ns2+N(x¯¯¯−μ0)22σ2)=exp(z22)
যেখানে হ'ল "জেড-স্ট্যাটিস্টিক"। বড় মান নাল অনুমানের উপর সন্দেহ পোষণ করুন, সাধারণ গড় সম্পর্কে যা অনুমানের সাথে ডেটা দ্বারা দৃ supported়ভাবে সমর্থিত সম্পর্কে অনুমানের তুলনায় আপেক্ষিক। আমরা আরও দেখতে পাচ্ছি যে হ'ল প্রয়োজনীয় তথ্যের একমাত্র অংশ এবং এটি পরীক্ষার জন্য পর্যাপ্ত পরিসংখ্যান। | z| । Xz=N−−√x¯¯¯−μ0σ|z|x¯¯¯
এই সমস্যার জন্য পি-মান পদ্ধতির প্রায় একই রকম, তবে বিপরীতে। আমরা পর্যাপ্ত পরিসংখ্যান with দিয়ে শুরু করি এবং আমরা এর নমুনা বিতরণকে ক্যালকুলেট করি, যা সহজেই হিসাবে দেখানো হয় - যেখানে আমি দৈব চলক পার্থক্য করার জন্য একটি বড় হাতের অক্ষর ব্যবহার করেছেন পর্যবেক্ষিত মান থেকে । এখন আমাদের এমন একটি অঞ্চল সন্ধান করা দরকার যা নাল অনুমানের উপর সন্দেহ পোষণ করে: এটি সহজেই সেই অঞ্চলগুলিতে দেখা যায় যেখানেবড়. সুতরাং আমরা সেই সম্ভাবনাটি গণনা করতে পারি যে¯ এক্স ~এনণদমিএকটিঠ(μ, σ 2x¯¯¯X¯¯¯¯∼Normal(μ,σ2N)X¯¯¯¯x¯¯¯|X¯¯¯¯−μ0||X¯¯¯¯−μ0|≥|x¯¯¯−μ0|নাল অনুমান থেকে পর্যবেক্ষণ করা ডেটা কতটা দূরে তার পরিমাপ হিসাবে। আগের মত, এটি একটি সাধারণ গণনা, এবং আমরা পাই:
p-value=P(|X¯¯¯¯−μ0|≥|x¯¯¯−μ0||H0)
=1−P[−N−−√|x¯¯¯−μ0|σ≤N−−√X¯¯¯¯−μ0σ≤N−−√|x¯¯¯−μ0|σ|H0]
=1−P(−|z|≤Z≤|z||H0)=2[1−Φ(|z|)]
এখন, আমরা দেখতে পাচ্ছি যে পি-মানটি একঘেয়েমি হ্রাসকারী ক্রিয়া , যার অর্থ আমরা মূলত "যথাযথ" অনুমান পরীক্ষা হিসাবে একই উত্তর পাই as যখন পি-ভ্যালু নির্দিষ্ট প্রান্তিকের নীচে থাকে তখন প্রত্যাখ্যান করা যখন প্রতিকূল প্রতিকূলগুলি একটি নির্দিষ্ট প্রান্তিকের উপরে থাকে তখন প্রত্যাখ্যান করা একই জিনিস। যাইহোক, নোট করুন যে সঠিক পরীক্ষাটি করার সময়, আমাদের বিকল্পগুলির ক্লাসটি সংজ্ঞায়িত করতে হয়েছিল এবং আমাদের এই শ্রেণীর উপরের সম্ভাবনা সর্বাধিকতর করতে হয়েছিল। পি-মানটির জন্য, আমাদের একটি পরিসংখ্যান খুঁজে বের করতে হবে এবং এর নমুনা বিতরণ গণনা করতে হবে, এবং পর্যবেক্ষণ করা মানটিতে এটি মূল্যায়ন করতে হবে। কিছু অর্থে একটি পরিসংখ্যান নির্বাচন করা বিকল্প বিকল্পটি আপনি যে বিবেচনা করছেন তা সংজ্ঞার সমতুল্য।|z|
যদিও এই উদাহরণে তারা উভয়ই সহজ কাজ, তবে আরও জটিল ক্ষেত্রে এগুলি সবসময় এতো সহজ নয়। কিছু ক্ষেত্রে এর নমুনা বিতরণ ব্যবহার এবং গণনা করার জন্য সঠিক পরিসংখ্যান চয়ন করা আরও সহজ হতে পারে। অন্যদের মধ্যে বিকল্পগুলির শ্রেণিটি সংজ্ঞায়িত করা এবং class শ্রেণীর উপরে সর্বোচ্চ করা সহজ হতে পারে।
এই সাধারণ উদাহরণটি প্রচুর পরিমাণে পি-মান ভিত্তিক পরীক্ষার জন্য অ্যাকাউন্ট করে, কারণ এতগুলি অনুমানের পরীক্ষাগুলি "আনুমানিক স্বাভাবিক" বিভিন্ন প্রকারের। এটি আপনার মুদ্রা সমস্যারও প্রায় দ্বিগুণ উত্তর দেয় (দ্বিপদীটির সাধারণ অনুমান ব্যবহার করে)। এটি আরও দেখায় যে এই ক্ষেত্রে পি-মানগুলি আপনাকে ভুল পথে পরিচালিত করবে না, কমপক্ষে একটি একক অনুমানের পরীক্ষার ক্ষেত্রে। এই ক্ষেত্রে, আমরা বলতে পারি যে একটি পি-মান হল নাল অনুমানের বিরুদ্ধে প্রমাণের একটি পরিমাপ।
তবে বে-ফ্যাক্টরের তুলনায় পি-ভ্যালুগুলির কম ব্যাখ্যামূলক স্কেল রয়েছে - পি-মান এবং নলের বিরুদ্ধে প্রমাণের "পরিমাণ" এর মধ্যে লিঙ্কটি জটিল। পি-মানগুলি খুব দ্রুত খুব ছোট হয়ে যায় - যা তাদের সঠিকভাবে ব্যবহার করা কঠিন করে তোলে। তারা ডেটা দ্বারা সরবরাহিত শূন্যের বিরুদ্ধে সমর্থনকে অত্যুক্তি দেখায়। - আমরা নাল বিরুদ্ধে সম্ভাব্যতা যেমন P-মান ব্যাখ্যা যদি মতভেদ আকারে হয় , যখন প্রকৃত প্রমাণ এবং মতভেদ আকারে হয় যখন প্রকৃত প্রমাণ । অথবা এটি অন্য কোনও উপায়ে বলতে গেলে, পি-মান ব্যবহারের সম্ভাবনা হিসাবে নালটি এখানে মিথ্যা, এটি পূর্ববর্তী প্রতিক্রিয়াগুলি নির্ধারণের সমতুল্য। পি মান হিসাবে0.193.870.05196.830.1শূন্যের বিরুদ্ধে বিহিত পূর্ববর্তী প্রতিক্রিয়াগুলি এবং পি-ভ্যালু এর জন্য বিরুদ্ধে বিহিত পূর্ববর্তী ।2.330.052.78