平时一直不明白P值到底是个啥，原来就是小概率事件中的小概率啊！同时也知道了概率论中讲的是N-P的思想，至此我对这两者有了个较为清晰的认识，知晓了其发展历程，很受用！另外知道了，统计学的功能只是inductive inference,而非inductive behavior（归纳推断而非归纳行动），所以统计检验应止步于归纳结论，不应涉足行动判断。。。那么统计学既然不能用行动来改造客观世界，又有何用？求解。

不错的文章，支持

很有意思很有水平，高手

很好的文章，我就刚刚遇到变量间不显著的问题。受启发。

Nature 评论原文：http://www.nature.com/news/scientific-method-statistical-errors-1.14700

无论是赞同还是批评作者对P值的意见，都可以先看看再作评价

学习了。谢谢分享！

谢谢分享，看看~~

求求你认真看一下nature和statistical error和p value are not error probability好不好，虽然原文英文的而且很长，但想要发表评论的话还是认真看一下好吗，我真的不想再浪费口舌再解释了！
1.p值检验和拒绝域不一样！p值是一次抽样的结果，结果出来就没了，而拒绝域方法虽然也是一次抽样且结果一样，但是它给出了这次抽样的两类错误，并且这两种错误是根据分布得到的极限概率，所以neyman才敢把备泽假设纳入进来才敢考虑接受假设的行为，至于你说的现在的文章都不算功效，这正是这篇文章所要说的现在的人把两种方法混用了啊！
2. 本文包括很多统计学家都没说这两个体系哪个正确（实际上nature杂志的《statistical error》就说np的拒绝域方法就比p值严谨），cumming建议摒弃显不显著的提法，采用置信区间，还有很多统计学家给出了其他建议，自己去看看好不好？

各位看官看兴趣的，也别觉得我对或者谁对，自己看一下我建议的两篇文章：
statistical errors（nature2月发的文章）
p value are not error probability
不放心的话把Fisher老祖的文章弄出来读读，neyman的我都附在参考文献里了，我看到还有人说我给的参考文献不靠谱，我倒，如果两位老祖的文章都不靠谱，真不知道谁的靠谱了。。。

大家先看一下，这篇文章解释的不深，可能还需要辅助其他文章，但非常感谢附上，欢迎讨论共同进步，但还是请先了解一下，这才是理性批评。

传统的数理统计学派与贝叶斯学派之争！
有益的探讨，不等于该观点是正确的。

把难懂并且枯燥的统计学内容编辑成故事真好

我们教计量的老师说计量是伪科学==不知道是不是这样。。

从来就没有完美的理论！ p值是不是会死需要等他死了才能断定，在没有提出更好的方法之前，简单、可行的办法就是好办法。并不是不知道、了解、理解 功效；如果对功效的追求代价太大，有他和没他也没太大区别。

有意思！

this is a good idea,well, you'd better advise more detail solutions

尽管你不想费什么口舌，我还是要说一下我的认识！花不少时间写这东西。
p值之争
N-P检验方法：
首先主观给定一个显著性水平alpha，比如0.05，这个视研究的目的和研究者的承受力确定；
根据原假设下检验统计量的分布、备择假设和上面给定的alpha确定拒绝域；
然后根据一次抽样得到的检验统计量是否落入拒绝域判断拒绝原假设，还是不能拒绝H0或等价地把检验统计量值和拒绝域的临界值比较。
此时拒绝原假设所犯的第一类错误最大是alpha！注意这里的说法，有“最大”二字，并没有给出实际的第一类错误。

P值方法：
计算一次抽样的统计量的值；
根据原假设下检验统计量的抽样分布、备择假设和统计量的数值计算p value
然后比较p值和alpha的大小，下判断。
此时，p值是根据这一样本做出拒绝原假设实际所犯的第一类错误。(怎么能说p值方法没有给出第一类错误呢？这个才是实际的第一类错误！)

两种方法只是形式上的不同，前者是统计量和临界值比较(抽样分布的横坐标上)，后者是p值和alpha的比较(是概率的比较，即抽样分布密度曲线下的面积)。本质上并没有什么不同。

N-P方法，之所以看上去拒绝域不随样本的变化而变，是因为在抽样分布和拒绝域给定的条件下，拒绝域由事先主观给定的显著性水平alpha决定，即alpha对应拒绝域的临界值。
P值方法，p值如果不随样本的变化而变化才真的有问题呢？因为p值对应的是统计量。
注意上述两句话(红色)中的对称(应)，两句话左边对左边，右边对右边。
从动、静角度看，alpha和拒绝域是静，是主观给定的，而p值和统计量是动，由样本确定；
临界值和统计量在一个维度(数值，抽样分布的横坐标)，alpha和p值在另一个维度(概率)，它们分别是事物的两个表面，但本质上并无不同。

至于你说的“p值检验和拒绝域不一样！p值是一次抽样的结果，结果出来就没了，”也不敢苟同。p值方法中，一旦主观给定，alpha就是不变的(无论哪个方法)，就等价于你说的NP方法中拒绝域不变。怎么能说“结果出来就没了”？

第二类错误，p值方法和N-P方法一样也是可以给出的。只是无论哪种方法，当备择假设是复合假设时，第二类错误都难以或无法给出。在实际中有什么指导作用吗？这也是一直以来在假设检验时大都不给出第二类错误的主要原因。


你都说P值死了，难道不是说p值错了吗？

Nature 和 Science 上发表的东西错误的也不少，我记不清哪一年发表的一篇研究：说是听莫扎特音乐可以提高智力水平(这个可以搜到)，你相信这是科学的吗？难道你推荐的两篇文章就一定没错吗？ 所以不能拿这刊物说事，应该允许别人质疑。

科学是发展的，p值也应该有新的解释

对这些东西的理解，不同的人领悟是不同的。这有时有些像佛家的悟道。

频率学派和Bayesian学派争论不是一天两天了，至少几十年的时间

人的认识也是有限的，可能有很多我们没有认识到的地方，几十年、几百年后，说不定发现这些都是错的呢


说实话，我并不想参与这些争论之中。

good sharing anyway

所以说随机抽样和稳健性检验很重要。

不错。。。。。。。。。。。。。。

没吃透，先收了，回头慢慢嚼

p值之死，还是漫画版的，有意思！

有意思的文章

如果基于这种解释，是否后续给出p值的检验结论的同时要附上置信区间，这样结果才比较信服？

收藏留着看

不要说得太绝对了！

黑得妙～大赞～

先顶再看好习惯

收藏、好东西额

P值之死反映了一个论文中常见的问题，到底是依赖于显著性来建模还是依赖于相关专业领域的实际

不明觉厉