医学论文p值怎么算表格

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。

P(T<=t)单尾(T<=t)双尾这就是P值啊，就是*10^(-49),这个P值很小，是拒绝原假设的P值1、打开excel表格，输入需要的两组数据。2、选择一个空白表格，选择函数fx，类别选择：统计。3、选择TTEST，点击第一组数值，拖动鼠标把第一组方框数据选中。同样点击第二组数值选中第二组方框数据。4、尾数和类型都输入“2”，点击确认即可。如果P小于，说明这两组数据是极显著差异性。5、如果P值说明这两组数据是显著差异性。如果P值大于说明这两组数据是非显著差异性。

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。

总之，P值越小，表明结果越显著。但是检验的结果究竟是“显著的”、“中度显著的”还是“高度显著的”需要我们自己根据P值的大小和实际问题来解决。

计算：

为理解P值的计算过程，用Z表示检验的统计量，ZC表示根据样本数据计算得到的检验统计量值。

1、左侧检验

P值是当

时，检验统计量小于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值

2、右侧检验

P值是当μ=μ0时，检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值

3、双侧检验

P值是当μ=μ0时，检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值

扩展资料

美国统计协会公布了P值使用的几大准则：

准则1：P值可以表达的是数据与一个给定模型不匹配的程度

这条准则的意思是说，我们通常会设立一个假设的模型，称为“原假设”，然后在这个模型下观察数据在多大程度上与原假设背道而驰。P值越小，说明数据与模型之间越不匹配。

准则2：P值并不能衡量某条假设为真的概率，或是数据仅由随机因素产生的概率。

这条准则表明，尽管研究者们在很多情况下都希望计算出某假设为真的概率，但P值的作用并不是这个。P值只解释数据与假设之间的关系，它并不解释假设本身。

准则3：科学结论、商业决策或政策制定不应该仅依赖于P值是否超过一个给定的阈值。

这一条给出了对决策制定的建议：成功的决策取决于很多方面，包括实验的设计，测量的质量，外部的信息和证据，假设的合理性等等。仅仅看P值是否小于是非常具有误导性的。

准则4：合理的推断过程需要完整的报告和透明度。

这条准则强调，在给出统计分析的结果时，不能有选择地给出P值和相关分析。举个例子来说，某项研究可能使用了好几种分析的方法。

而研究者只报告P值最小的那项，这就会使得P值无法进行解释。相应地，声明建议研究者应该给出研究过程中检验过的假设的数量，所有使用过的方法和相应的P值等。

准则5：P值或统计显著性并不衡量影响的大小或结果的重要性。

这句话说明，统计的显著性并不代表科学上的重要性。一个经常会看到的现象是，无论某个效应的影响有多小，当样本量足够大或测量精度足够高时，P值通常都会很小。反之，一些重大的影响如果样本量不够多或测量精度不够高，其P值也可能很大。

准则6：P值就其本身而言，并不是一个非常好的对模型或假设所含证据大小的衡量。

简而言之，数据分析不能仅仅计算P值，而应该探索其他更贴近数据的模型。

声明之后还列举出了一些其他的能对P值进行补充的分析方手段，比如置信区间，贝叶斯方法，似然比，FDR（False Discovery Rate）等等。这些方法都依赖于一些其他的假定，但在一些特定的问题中会比P值更为直接地回答诸如“哪个假定更为正确”这样的问题。

声明最后给出了对统计实践者的一些建议：好的科学实践包括方方面面，如好的设计和实施，数值上和图形上对数据进行汇总，对研究中现象的理解，对结果的解释，完整的报告等等——科学的世界里，不存在哪个单一的指标能替代科学的思维方式。

参考资料来源：百度百科-P值