时间为等级资料，最好用非参数检验而非卡方。
P值是采用假设检验的方法来计算的。举个例子来说明：比较两个样本的均数有没有差别，采用反证法，首先建立假设检验，H0：假设两组没有差别，H1：假设两组有差别。通过假设两组没有差别计算出其没有差别的概率，一般取P＜作为临界值，若P＜则代表随机抽取的两组均数没有差别的概率小于，为小概率事件，此时拒绝H0，接受H1。P＞接受H0。但是P值的大小只能代表两者是否具有统计学差异，不能代表差异的大小。详细的计算方法要根据你采用的统计学方法具体计算，现在这步一般都采用统计软件SPSS、SAS等来完成。希望对你有所帮助。
采用spss软件，单因素分组对照计算。
t值和P值都用来判断统计上是否显著的指标。在p值就是拒绝原假设的最小alpha值，把统计量写出来，带进去算出来之后，根据统计量的分布来算p值。P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较。由R·A·Fisher首先提出。Fisher的具体做法
假定某一参数的取值，选择一个检验统计量，在该统计量的分布在假定的参数取值为真时应该是完全已知的从研究总体中抽取一个随机样本计算检验统计量的值计算概率值或者说观测的显著水平即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。
P值是采用假设检验的方法来计算的。举个例子来说明：比较两个样本的均数有没有差别，采用反证法，首先建立假设检验，H0：假设两组没有差别，H1：假设两组有差别。通过假设两组没有差别计算出其没有差别的概率，一般取P＜作为临界值，若P＜则代表随机抽取的两组均数没有差别的概率小于，为小概率事件，此时拒绝H0，接受H1。P＞接受H0。但是P值的大小只能代表两者是否具有统计学差异，不能代表差异的大小。详细的计算方法要根据你采用的统计学方法具体计算，现在这步一般都采用统计软件SPSS、SAS等来完成。希望对你有所帮助。
采用spss软件，单因素分组对照计算。
t值和P值都用来判断统计上是否显著的指标。在p值就是拒绝原假设的最小alpha值，把统计量写出来，带进去算出来之后，根据统计量的分布来算p值。P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较。由R·A·Fisher首先提出。Fisher的具体做法
假定某一参数的取值，选择一个检验统计量，在该统计量的分布在假定的参数取值为真时应该是完全已知的从研究总体中抽取一个随机样本计算检验统计量的值计算概率值或者说观测的显著水平即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。
1、t指的是T检验，亦称student t检验（Student's t test），主要用于样本含量较小（n<30），总体标准差σ未知的正态分布资料。
计算：t的检验是双侧检验，只要T值的绝对值大于临界值就是不拒绝原假设。
2、P值（P value）就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。
计算：概率定义为：P(A)=m/n，其中n表示该试验中所有可能出现的基本结果的总数目。m表示事件A包含的试验基本结果数。
统计学是关于认识客观现象总体数量特征和数量关系的科学。它是通过搜集、整理、分析统计资料，认识客观现象数量规律性的方法论科学。由于统计学的定量研究具有客观、准确和可检验的特点，所以统计方法就成为实证研究的最重要的方法，广泛适用于自然、社会、经济、科学技术各个领域的分析研究。
参考资料：百度百科-统计学
t值和P值都用来判断统计上是否显著的指标。p值就是拒绝原假设的最小alpha值，把统计量写出来，带进去算出来之后，根据统计量的分布来算p值。P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较。由R·A·Fisher首先提出。
扩展资料：
Fisher的具体做法是：
假定某一参数的取值。
选择一个检验统计量(例如z 统计量或Z 统计量) ，该统计量的分布在假定的参数取值为真时应该是完全已知的。
从研究总体中抽取一个随机样本计算检验统计量的值计算概率P值或者说观测的显著水平，即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。
如果P<，说明是较强的判定结果，拒绝假定的参数取值。
如果 如果P值>，说明结果更倾向于接受假定的参数取值。 1：T 这是数理统计中的一种统计量 T统计量2:而统计量指不含未知参数的样本函数。如样本x�1，x�2，…，x�n的算术平均数(样本均值)＝1n(x�1+x�2+…+x�n)就是一个统计量。从样本构造统计量，实际上是对样本所含总体的信息提炼加工；根据不同的推断要求，可以构造不同的统计量。3:为什么要构造统计量，这个主要是为了参数估计与检验，具体就相当复杂了。。。4：最后P叫做P值是T、F等一些统计量在置信区间为α下的一种指标吧，5：总之呢，这个涉及到了描述统计学，数理统计学以及计量的很多知识6：希望你看看相关书籍 自己掌握吧 ,t值和P值都用来判断统计上是否显著的指标。p值就是拒绝原假设的最小alpha值嘛，把统计量写出来，带进去算出来之后，根据统计量的分布来算p值啊，举个例子，比如说算出来的统计量的值为z,服从的是正态分布，如果是双边检验的话那么pvalue=2*(1-probnorm(abs(Z)));单边检验的话，应该是1-probnorm(z);具体问题具体分析，不同的检验方法求p值方法也不一样，统计的书上肯定都有；T值计算方法相似。 t:骨密度指标p:统计学意义（p值）ZT 结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，的p值通常被认为是可接受错误的边界水平。 在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果≥p>被认为是具有统计学意义，而≥p≥被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。 所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。 论文中p值也叫检验p值是否定原假设的强度。 p值统计学意义是结果真实程度(能够代表总体)的一种估计方法,专业上P 值为结果可信程度的一个递减指标。 P 值越大,我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。 如果P值很小,说明原假设情况的发生的概率很小,而如果出现了,根据小概率原理,我们就有理由拒绝原假设,P值越小,我们拒绝原假设的理由越充分。 总之,P值越小,表明结果越显著。 p值是指在一个概率模型中，统计摘要（如两组样本均值差）与实际观测数据相同，或甚至更大这一事件发生的概率。换言之，是检验假设零假设成立或表现更严重的可能性。p值若与选定显著性水平（或）相比更小，则零假设会被否定而不可接受。 然而这并不直接表明原假设正确。p值是一个服从正态分布的随机变量，在实际使用中因样本等各种因素存在不确定性。产生的结果可能会带来争议。 无论从事何种领域的科学研究还是统计调查，显著性检验作为判断两个乃至多个数据集之间是否存在差异的方法，一直被广泛应用。笔者并非统计学专业出身，一直以来对显著性检验的原理及应用困惑不解。 “显著性检验”的英文名称是“significance test”。在统计学中，显著性检验是“统计假设检验”(Statistical hypothesis tesing)的一种，显著性检验是 检测科学实验中的实验组与对照组之间是否存在差异以及差异是否显著的办法。 “统计假设检验”指出了“显著性检验”的前提条件是“统计假设”，换言之“无假设，不检验”。 任何人在使用显著性检验之前必须知道假设是什么。 一般而言，把要检验的假设称之为原假设，记为H0，把与H0相对应的假设称之为备择假设，记为H1。 如果原假设为真，而检验的结论却劝你放弃原假设，此时，我们把这种错误称之为第一类错误。通常把第一类错误出现的概率记为 。 如果原假设不为真，而检验的结论却劝你接受原假设。此时，我们把这种错误称之为第二类错误，通常第二类错误出现的概率记为 。 通常只限定犯第一类错误的最大概率α， 不考虑犯第二类错误的概率β。我们把这样的假设检验称为显著性检验，概率α称为显著性水平。显著性水平是数学界约定俗成的，一般有α =这三种情况。代表着显著性检验的结论错误率必须低于5%或或1%（统计学中，通常把在现实世界中发生几率小于5%的事件称之为“不可能事件”）。 因为我们想要判断样本与我们对总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与总体真实情况之间不一致所引起的。 卡方检验(Chi-Square Test)在大数据技术场景中，通常用来检验某个变量或特征是不是和应变量有显著关系。 举例，我们要观察性别和在线买不买生鲜食品有没有关系。通过在线上生鲜市场收集数据，得到下面的表格： 观察到的现象： 通过上表我们发现有66%(599/907)的人不在线上购买生鲜，34%的人线上购买生鲜，根据这一比例，我们可以得到男女不同性别是否线上购买生鲜的理论分布数据： 卡方的计算公式： 自由度：(行数-1)*(列数-1)=1 置信度：90% 查表格的：性别与是否线上购买生鲜是有关系的。 假设检验是推断统计中的一项重要内容，在假设检验中长常见到P值(P-value,Pr)，P值是进行检验决策的一个重要依据。 P值即概率，是反映某一事件发生的可能性大小。在统计学中根据显著性检验得到的P值，一般以P<为有统计学差异，P<为有显著统计学差异，P<为有极其显著统计学差异。其含义是样本间的差异由抽样误差所致的概率小于、、。 计算出P值后，将给定的α与P 值比较，就可作出检验的结论： 如果α > P值，则在显著性水平α下拒绝原假设。 如果α ≤ P值，则在显著性水平α下不拒绝原假设。 从某总体中抽 ⑴、这一样本是由该总体抽出，其差别是由抽样误差所致； ⑵、这一样本不是从该总体抽出，所以有所不同。 如何判断是那种原因呢？统计学中用显著性检验来判断。其步骤是： ⑴、建立检验假设（又称无效假设，符号为H0）：如要比较A药和B药的疗效是否相等，则假设两组样本来自同一总体，即A药的总体疗效和B药相等，差别仅由抽样误差引起的碰巧出现的。⑵、选择适当的统计方法计算H0成立的可能性即概率有多大，概率用P值表示。⑶、根据选定的显著性水平（或），决定接受还是拒绝H0。如果P>，不能否定“差别由抽样误差引起”，则接受H0；如果P<或P <，可以认为差别不由抽样误差引起，可以拒绝H0，则可以不拒绝另一种可能性的假设（又称备选假设，符号为H1），即两样本来自不同的总体，所以两药疗效有差别。 放到spss中，定义两个变量，第一个变量叫做：group，用1代表实验组，用2代表对照组，每个组两个数字；第二个变量叫分娩方式，分别用1、2、3代表阴道分娩、阴道助产和剖宫产。然后用描述性统计方法中的交叉列联表计算就ok了！希望对你有帮助！ Microsoft Excel 提供了一组数据分析工具，称为“分析工具库”，在建立复杂统计或工程分析时可节省步骤。只需为每一个分析工具提供必要的数据和参数，该工具就会使用适当的统计或工程宏函数，在输出表格中显示相应的结果。其中有些工具在生成输出表格时还能同时生成图表。 相关的工作表函数 Excel 还提供了许多其他统计、财务和工程工作表函数。某些统计函数是内置函数，而其他函数只有在安装了“分析工具库”之后才能使用。 访问数据分析工具 “分析工具库”包括下述工具。要使用这些工具，请单击“工具”菜单上的“数据分析”。如果没有显示“数据分析”命令，则需要加载“分析工具库”加载项 （加载项：为 Microsoft Office 提供自定义命令或自定义功能的补充程序。）程序。 方差分析 方差分析工具提供了几种方差分析工具。具体使用哪一种工具则根据因素的个数以及待检验样本总体中所含样本的个数而定。 方差分析：单因素 此工具可对两个或更多样本的数据执行简单的方差分析。此分析可提供一种假设测试，该假设的内容是：每个样本都取自相同基础概率分布，而不是对所有样本来说基础概率分布都不相同。如果只有两个样本，则工作表函数 TTEST 可被平等使用。如果有两个以上样本，则没有合适的 TTEST 归纳和“单因素方差分析”模型可被调用。 方差分析：包含重复的双因素 此分析工具可用于当数据按照二维进行分类时的情况。例如，在测量植物高度的实验中，植物可能使用不同品牌的化肥（例如 A、B 和 C），并且也可能放在不同温度的环境中（例如高和低）。对于这 6 对可能的组合 {化肥，温度}，我们有相同数量的植物高度观察值。使用此方差分析工具，我们可检验： 使用不同品牌化肥的植物的高度是否取自相同的基础总体；在此分析中，温度可以被忽略。不同温度下的植物的高度是否取自相同的基础总体；在此分析中，化肥可以被忽略。 是否考虑到在第 1 步中发现的不同品牌化肥之间的差异以及第 2 步中不同温度之间差异的影响，代表所有 {化肥，温度} 值的 6 个样本取自相同的样本总体。另一种假设是仅基于化肥或温度来说，这些差异会对特定的 {化肥，温度} 值有影响。 方差分析：无重复的双因素 此分析工具可用于当数据按照二维进行分类且包含重复的双因素的情况。但是，对于此工具，假设每一对值只有一个观察值（例如，在上面的示例中的 {化肥，温度} 值）。使用此工具我们可以应用方差分析的第 1 和 2 步检验：包含重复的双因素情况，但没有足够的数据应用第 3 步的数据。 相关系数 CORREL 和 PEARSON 工作表函数可计算两组不同测量值变量之间的相关系数，条件是当每种变量的测量值都是对 N 个对象进行观测所得到的。（任何对象的任何丢失的观测值都会引起在分析中忽略该对象。）系数分析工具特别适合于当 N 个对象中的每个对象都有多于两个测量值变量的情况。它可提供输出表和相关矩阵，并显示应用于每种可能的测量值变量对的 CORREL（或 PEARSON）值。 与协方差一样，相关系数是描述两个测量值变量之间的离散程度的指标。与协方差的不同之处在于，相关系数是成比例的，因此它的值独立于这两种测量值变量的表示单位。（例如，如果两个测量值变量为重量和高度，如果重量单位从磅换算成千克，则相关系数的值不改变）。任何相关系数的值必须介于 -1 和 +1 之间。 可以使用相关分析工具来检验每对测量值变量，以便确定两个测量值变量的变化是否相关，即，一个变量的较大值是否与另一个变量的较大值相关联（正相关）；或者一个变量的较小值是否与另一个变量的较大值相关联（负相关）；还是两个变量中的值互不关联（相关系数近似于零）。 协方差 “相关”和“协方差”工具可在相同设置下使用，当您对一组个体进行观测而获得了 N 个不同的测量值变量。“相关”和“协方差”工具都可返回一个输出表和一个矩阵，分别表示每对测量值变量之间的相关系数和协方差。不同之处在于相关系数的取值在 -1 和 +1 之间，而协方差没有限定的取值范围。相关系数和协方差都是描述两个变量离散程度的指标。 “协方差”工具为每对测量值变量计算工作表函数 COVAR 的值。（当只有两个测量值变量，即 N=2 时，可直接使用函数 COVAR，而不是协方差工具）在协方差工具的输出表中的第 i 行、第 j 列的对角线上的输入值就是第 i 个测量值变量与其自身的协方差；这就是用工作表函数 VARP 计算得出的变量的总体方差。 详细操作步骤如下： 1、若为office2010则选择文件，点击选项打开，待加载项后找到一个“分析工具库”点击“转到”； 2、 若为office2003，则点击工具打开加载项； 3、使用“分析工具库”，点“确定”； 4、在“数据”菜单里面，找到“数据分析”； 5、点击选择开始分析，即可。 统计学意义（p值）ZT 结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体中任意变量间均无关联，我们重复类似实验，会发现约20个实验中有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。）在许多研究领域，的p值通常被认为是可接受错误的边界水平。 在最后结论中判断什么样的显著性水平具有统计学意义，不可避免地带有武断性。换句话说，认为结果无效而被拒绝接受的水平的选择具有武断性。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。通常，许多的科学领域中产生p值的结果≤被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果≥p>被认为是具有统计学意义，而≥p≥被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。 所有的检验统计都是正态分布的吗并不完全如此，但大多数检验都直接或间接与之有关，可以从正态分布中推导出来，如t检验、f检验或卡方检验。这些检验一般都要求：所分析变量在总体中呈正态分布，即满足所谓的正态假设。许多观察变量的确是呈正态分布的，这也是正态分布是现实世界的基本特征的原因。当人们用在正态分布基础上建立的检验分析非正态分布变量的数据时问题就产生了，（参阅非参数和方差分析的正态性检验）。这种条件下有两种方法：一是用替代的非参数检验（即无分布性检验），但这种方法不方便，因为从它所提供的结论形式看，这种方法统计效率低下、不灵活。另一种方法是：当确定样本量足够大的情况下，通常还是可以使用基于正态分布前提下的检验。后一种方法是基于一个相当重要的原则产生的，该原则对正态方程基础上的总体检验有极其重要的作用。即，随着样本量的增加，样本分布形状趋于正态，即使所研究的变量分布并不呈正态。医学论文表格中检验值和p值
医学论文p值怎么算表格