حاسبة القيمة الاحتمالية

القيمة الاحتمالية (p-value) هي احتمال ملاحظة نتائج اختبار متطرفة بنفس القدر، أو أكثر تطرفًا من النتائج الفعلية — بافتراض أن فرض العدم $H_0$ صحيح.

صوريًا، بالنسبة لإحصائية اختبار $T$ بقيمة ملاحَظة $t$:

• يمين الذيل: $p = P(T \geq t \mid H_0)$
• يسار الذيل: $p = P(T \leq t \mid H_0)$
• ثنائي الذيل: $p = 2 \cdot P(T \geq |t| \mid H_0)$

التفسير: القيمة الاحتمالية الصغيرة تعني أن البيانات الملاحَظة ستكون مفاجئة لو كان $H_0$ صحيحًا، إذًا لدينا دليل ضد $H_0$. القيمة الاحتمالية الكبيرة تعني أن البيانات متسقة مع $H_0$ — لكنها لا تثبت أن $H_0$ صحيح.

قاعدة القرار: قارن $p$ بمستوى دلالة مختار مسبقًا $\alpha$ (عادةً 0.05):

• $p < \alpha$ → ارفض $H_0$ ('ذو دلالة إحصائية')
• $p \geq \alpha$ → افشل في رفض $H_0$ (دليل غير كافٍ)

ما ليست عليه القيمة الاحتمالية:

• ليست احتمال أن $H_0$ صحيح.
• ليست احتمال أن الفرض البديل $H_1$ صحيح.
• ليست مقياسًا لحجم الأثر.
• لا تميّز 'الدلالة العملية' عن 'الدلالة الإحصائية'.

خطوة بخطوة

1. اذكر الفرضيات $H_0$ و $H_1$.
2. اختر اختبارًا مناسبًا للبيانات (اختبار z، اختبار t، كاي تربيع، اختبار F، ...).
3. احسب إحصائية الاختبار من البيانات.
4. حدّد الذيل (الأذيال) بناءً على $H_1$: يمين الذيل ($>$)، يسار الذيل ($<$)، أو ثنائي الذيل ($\neq$).
5. أوجد القيمة الاحتمالية من توزيع الاختبار.
6. قارن بـ $\alpha$ واستنتج.

القيم الاحتمالية من إحصائية z

بالنسبة لمتغير طبيعي معياري $Z$:

• يمين الذيل: $p = 1 - \Phi(z)$
• يسار الذيل: $p = \Phi(z)$
• ثنائي الذيل: $p = 2(1 - \Phi(|z|))$

مرجع سريع: $z = 1.96$ → ثنائي الذيل $p \approx 0.05$. $z = 2.576$ → ثنائي الذيل $p \approx 0.01$.

القيم الاحتمالية من إحصائية t

استخدم توزيع t بـ $n - 1$ درجة حرية (أو كما يحدده الاختبار). نفس منطق الذيل كـ z، لكن للتوزيع أذيال أثقل قليلًا لدرجات حرية صغيرة.

القيم الاحتمالية من إحصائية كاي تربيع

اختبارات كاي تربيع هي بطبيعتها يمين الذيل لأن $\chi^2 \geq 0$ والقيم الأكبر تشير إلى ملاءمة أسوأ لـ $H_0$:

$p = P(\chi^2_{df} \geq \text{observed})$

أحادي الذيل مقابل ثنائي الذيل: أيهما تستخدم؟

• ثنائي الذيل: عندما تهتم بالانحراف عن $H_0$ في أي اتجاه. الافتراضي في معظم السياقات الأكاديمية.
• أحادي الذيل: عندما يكون الفرض البديل اتجاهيًا ومحددًا مسبقًا ($H_1: \mu > 0$، وليس $\mu \neq 0$). ينصّف القيمة الاحتمالية إذا طابق الاتجاه.

لا تختر الذيل أبدًا بعد رؤية البيانات — هذا تلاعب بالقيمة الاحتمالية.

عتبات الدلالة الشائعة

حذّرت الجمعية الإحصائية الأمريكية من معاملة $\alpha = 0.05$ كخط فاصل قاطع — السياق وحجم الأثر يهمان أكثر من تجاوز عتبة.

• 'القيمة الاحتمالية هي احتمال أن $H_0$ صحيح': خطأ. القيمة الاحتمالية تُحسب بافتراض أن $H_0$ صحيح؛ فهي لا تقيس مدى احتمال $H_0$.
• معاملة $p = 0.049$ و $p = 0.051$ كمختلفين جوهريًا: ليسا كذلك. عتبة 0.05 اصطلاح، وليست تحوّلًا طوريًا.
• اختيار الذيل بعد رؤية البيانات: إذا رأيت $z = -2$ وانتقلت إلى اختبار يسار الذيل، فقد ضاعفت معدل إيجابياتك الكاذبة. حدّد مسبقًا.
• الخلط بين الدلالة وحجم الأثر: أثر ضئيل مع عينة ضخمة يمكن أن يكون 'ذا دلالة عالية' لكنه غير ذي صلة عمليًا. أبلغ دائمًا عن أحجام الأثر إلى جانب القيم الاحتمالية.
• تضخم المقارنات المتعددة: تشغيل 20 اختبارًا عند $\alpha = 0.05$، يُتوقع إيجابي كاذب واحد بالصدفة. استخدم تصحيحات بونفيروني أو FDR.
• '$p > 0.05$ يثبت $H_0$': لا. الفشل في الرفض ليس مثل القبول. يعني فقط أن البيانات ليس لديها دليل كافٍ ضد $H_0$ عند حجم العينة هذا.