P Değeri Hesaplayıcı

Q: Hesaplayıcı olmadan p değerini elle nasıl hesaplarım?

Bir z testi için standart normal CDF'yi kullanın: sağ kuyruklu test için p = 1 - Phi(z), sol kuyruklu test için p = Phi(z). Phi(z) değerleri normal dağılım tablosundan gelir: z değerinizi (iki ondalığa yuvarlanmış) arayın, tablodaki olasılığı okuyun ve sağ kuyruk için tümleyeni alın. t, χ² ve F testleri için ise ilgili istatistik tabloları gerekir; bu hesaplayıcının tam olarak yerini aldığı şey de budur — CDF'yi sayısal olarak hesaplar.

Q: İyi veya normal bir p değeri nedir?

Nesnel olarak "iyi" bir değer yoktur — p değeri verilerinize ve örneklem büyüklüğünüze bağlıdır. Geleneksel olarak p ≤ 0.05 olan sonuçlar istatistiksel olarak anlamlı, p ≤ 0.01 olanlar ise oldukça anlamlı kabul edilir. Ancak bu eşikler kanıt değil, teamüldür. Küçük bir p değeri sıfır hipoteze karşı güçlü kanıt gösterir; bulgunuzun büyük veya önemli olduğu anlamına gelmez. P değeriyle birlikte her zaman etki büyüklüğünü ve güven aralığını rapor edin.

Q: P değeri, sıfır hipotezinin doğru olma olasılığı mıdır?

Hayır — bu en yaygın yanlış yorumlamadır. P değeri, sıfır hipotezinin doğru olduğu varsayıldığında , sizinkinden en az kadar uç bir test istatistiği gözlemleme olasılığıdır. 0,03'lük bir p değeri, sıfır hipotezinin doğru olma ihtimalinin %3 olduğu anlamına gelmez. Alternatif hipotezinizin doğru olma olasılığını da söyleyemez; bu, Bayesçi bir yaklaşım gerektirirdi.

Q: P değerim neden SPSS, R veya Excel'dekinden farklı?

Önce kuyruk sayısını kontrol edin: yazılımlar varsayılan olarak iki kuyruklu p değeri raporlayabilir; bu da tek kuyruklu değerin kabaca iki katıdır. Ardından serbestlik derecelerini doğrulayın; Welch t testi gibi testler, standart havuzlanmış sürümden farklı bir df kullanır. Son olarak, test istatistiğinin yuvarlanması veya χ² testlerinde süreklilik düzeltmesi kullanılması p değerini hafifçe kaydırabilir. Üçüncü veya dördüncü ondalık basamaktaki küçük farklar genellikle yalnızca yuvarlamadan kaynaklanır.

Q: İki kuyruklu p değerini tek kuyrukluya dönüştürebilir miyim (veya tersi)?

Test istatistiği tek yönlü alternatifinizin yönünü işaret ediyorsa, tek kuyruklu p değeri iki kuyruklu değerin yarısıdır: p_one = p_two/2. Ters yönü işaret ediyorsa, tek kuyruklu p değeri 0,5'i aşar ve sonuç anlamlı olamaz. Önemli olan, kuyruk sayısına testi çalıştırmadan önce karar vermenizdir — anlamlılığa ulaşmak için sonradan geçiş yapmak yanlış pozitif oranını şişirir ve p-hacking (p değeri manipülasyonu) olarak kabul edilir.

Q: Test istatistiğim negatifse ne olur?

Negatif değerler z ve t istatistikleri için tamamen normaldir — yalnızca örneklem ortalamasının hipotez edilen değerin altında kaldığını gösterirler. Negatif sayıyı olduğu gibi girin; hesaplayıcı otomatik olarak sol kuyruğu kullanır. Ancak χ² ve F istatistikleri kareli büyüklüklerden oluştukları için asla negatif olamaz. χ² veya F değeriniz negatifse, bir yerlerde hesaplama hatası yapılmıştır — formüllerinizi yeniden kontrol edin.

Q: Bir p değeri 0 veya 1'den büyük olabilir mi?

P değeri bir olasılık olduğu için her zaman kesin olarak 0 ile 1 arasındadır. Son derece küçük olabilir (örneğin 2.1 × 10^-5, 2.1e-05 olarak görüntülenir) ancak asla tam sıfır olamaz — "0.000" yazdıran yazılımlar yalnızca yuvarlama yapmaktadır. 1'in üzerinde bir değer veya negatif bir sayı alırsanız bir giriş hatası yapılmıştır; örneğin test istatistiği yerine olasılık girmek veya çıktı alanını yanlış okumak gibi.

Güncellendi: 3 Ekim 2026

İki kuyruklu, sol kuyruklu veya sağ kuyruklu testler için p değerini bulmak amacıyla bir z, t, ki-kare veya F test istatistiği girin. Dağılımı, serbestlik derecesini ve anlamlılık düzeyini seçerek sonucunuzun istatistiksel olarak anlamlı olup olmadığını görün.

Testinizin P Değerini Bulun

P Değeri Formülü

Formül

\[ p = \begin{cases} 2 \cdot \min\big(P(T \le t),\; P(T \ge t)\big) & \text{iki kuyruklu test (}\neq\text{)} \\ P(T \ge t) & \text{sağ kuyruklu test (}>) \\ P(T \le t) & \text{sol kuyruklu test (}<\text{)} \end{cases} \] Burada:

\(T\) — sıfır hipotezi \(H_0\) altında test istatistiğinin rassal değişkeni (Z, t, χ² veya F)
\(t\) — test istatistiğinizin gözlenen değeri
\(P(T \ge t)\) — sağ kuyrukta, \(t\) değerinden en az kadar uç bir değer gözleme olasılığı

P değeri, sıfır hipotezi altında hesaplanan, gözlenenden en az kadar uç bir test istatistiği elde etme olasılığıdır. Hangi kuyrukların "uç" sayılacağı alternatif hipoteze bağlıdır.

Her dağılım için kuyruk olasılıkları ilgili kümülatif dağılım fonksiyonundan gelir: Z için standart normal CDF \(\Phi(z)\), \(df\) serbestlik dereceli Student t CDF'si, ki-kare CDF'si veya \(df_1\) ve \(df_2\) serbestlik dereceli F CDF'si. Hesaplayıcı bunları sayısal olarak değerlendirir, bu yüzden istatistik tablolarına gerek yoktur.

P Değeri – Hesaplama Örneği

Örnek: iki örneklemli bir t testi \(t = 2.5\) test istatistiği ve \(df = 20\) verdi; alternatif hipotez iki yönlüdür (\(\neq\)).

\[ p = 2 \cdot P(T \ge 2.5) = 2 \times 0.0106 = 0.0213 \]

Sonuç: p değeri 0,0213'tür. \(0.0213 \le 0.05\) olduğundan, sonuç \(\alpha = 0.05\) düzeyinde istatistiksel olarak anlamlıdır — \(H_0\) reddedilir.

Hesaplayıcı Nasıl Kullanılır?

Test istatistiğinizi girin (verilerinizden zaten hesapladığınız z, t, χ² veya F değeri).
\(H_0\) altında istatistiğin uyduğu Dağılımı seçin: Standart normal (Z), Student t, Ki-kare (χ²) veya F dağılımı.
Alternatif hipotezinize uyan Kuyruk türünü seçin: İki kuyruklu (≠), sağ kuyruklu (>) veya sol kuyruklu (<).
t veya χ² seçtiyseniz Serbestlik derecesini (df) girin. F dağılımını seçtiyseniz hem Pay df (df₁) hem de Payda df (df₂) değerini girin; bu alanlar otomatik olarak görünür.
Anlamlılık düzeyini (α) seçin — 0,05, 0,01 veya 0,10 — böylece hesaplayıcı testin sonucunu bildirebilir.
P değerini, istatistiğinizin yönündeki Kuyruk olasılığını ve her iki kuyruk olasılığı ile α düzeyindeki reddetme/reddetmeme kararını listeleyen Ayrıntılar ve sonucu okuyun.

P Değeri Nedir?

P değeri tek bir özel soruyu yanıtlar: sıfır hipotezi doğru olsaydı, gözlemlediğinizden en az kadar uç bir test istatistiği elde etme olasılığı nedir? 0 ile 1 arasında bir olasılıktır; sıfır hipotezinin doğru veya yanlış olma olasılığı değildir. Küçük bir p değeri, gözlenen verilerin \(H_0\) altında şaşırtıcı olacağı anlamına gelir; bu da sıfır hipoteze karşı kanıttır.

Araştırmacılar p değerini önceden belirlenmiş bir anlamlılık düzeyi \(\alpha\) ile karşılaştırır; bu genellikle 0,05'tir. \(p \le \alpha\) ise sonuç istatistiksel olarak anlamlı kabul edilir ve yaygın uygulama \(H_0\)'ı reddetmektir. \(p > \alpha\) ise \(H_0\) reddedilemez. Reddetmemenin \(H_0\)'ın doğru olduğunu kanıtlamakla aynı şey olmadığına dikkat edin — bu yalnızca verilerin buna karşı yeterli kanıt sunmadığı anlamına gelir.

Kuyruk sayısı önemlidir. İki kuyruklu test her iki yöndeki sapmaları da yakalar, dolayısıyla p değeri her iki uç kuyruğu da kapsar. Sağ kuyruklu test, alternatif bir değerin sıfır hipotez değerinden büyük olduğunu iddia ettiğinde kullanılır (doğal olarak sağ kuyruklu olan χ² ve F testlerinde yaygındır). Sol kuyruklu test, alternatif daha küçük bir değer iddia ettiğinde geçerlidir. Yanlış kuyruk seçimi gerçek bir sonucu anlamsız gösterebilir; bu yüzden kuyruklar, verileri incelemeden önce formüle ettiğiniz alternatif hipoteze uymalıdır.

Kanıtın gücünü gayri resmî biçimde yorumlamak gerekirse: \(p < 0.001\) çok güçlü, \(p < 0.01\) güçlü, \(p < 0.05\) orta ve \(p < 0.10\) zayıf kanıttır. 0,10'un üzerindeki değerler \(H_0\)'a karşı pek kanıt sunmaz. Bunlar teamüllerdir, sihirli anlamı olan eşikler değildir.

Hangi Dağılımı Seçmelisiniz?

Standart normal (Z) — popülasyon varyansının bilindiği veya örneklem büyüklüğünün Merkezî Limit Teoremi için yeterli olduğu durumlarda ortalamalar ve oranlar hakkındaki büyük örneklemli testler. Önce istatistiğin kendisini hesaplamanız gerekiyorsa Z Skoru Hesaplayıcıyı kullanın.
Student t — küçük örneklemle veya popülasyon varyansı bilinmediğinde ortalamalar hakkındaki testler; genellikle \(n - 1\) veya \(n_1 + n_2 - 2\) olan tek bir df değeri gerektirir.
Ki-kare (χ²) — uyum iyiliği testleri ve kontenjans tablolarındaki bağımsızlık testleri; df, kategori veya hücre sayısına bağlıdır. Bu testler neredeyse her zaman sağ kuyrukludur.
F dağılımı — ANOVA ve varyans karşılaştırmaları; pay df \(df_1\) ve payda df \(df_2\) gerektirir. Neredeyse her zaman sağ kuyrukludur.

Henüz test aşamasında değilseniz, ilgili olasılık ve tahmin görevleri için Normal Dağılım Hesaplayıcımız ve Güven Aralığı Hesaplayıcımız bu konuları kapsar.

Varsayımlar, Sınırlamalar ve Pratik İpuçları

Hesaplayıcı önceden hesaplanmış bir istatistik gerektirir. Ham verilerden z, t, χ² veya F hesaplamaz — testinizden gelen istatistiği girmelisiniz. Değeri istatistik yazılımınızdan veya ders notlarınızdan kontrol edin.
İstatistik, \(H_0\) altında seçilen dağılıma uymalıdır. Bu, testin kendi varsayımlarının geçerli olmasını gerektirir: rastgele örnekleme; Z/t için yaklaşık normallik veya büyük örneklem; χ² için en az 5 olan beklenen hücre sayıları ve standart ANOVA için varyans homojenliği.
α'yı testten önce belirleyin. Anlamlılık düzeyini p değerini gördükten sonra seçmek yanlış pozitif oranını şişirir. Anlamlılık düzeyiniz listede yoksa, bildirilen p değerini α'nızla elle karşılaştırın.
χ² ve F için sağ kuyruklu testler kullanın. Bu istatistikler negatif olamaz ve testleri geleneksel olarak tek yönlüdür; hesaplayıcının iki kuyruklu seçeneği küçük olan kuyruğu ikiye katlar ki bu, bu dağılımlar için gerçek bir hipoteze nadiren uyar.
İstatistiksel anlamlılık pratik önem değildir. Yeterince büyük bir örneklemde, önemsiz ve küçük farklar bile anlamlı hale gelir. P değeriyle birlikte etki büyüklüğünü ve bir güven aralığını rapor edin ve örneklem büyüklüğünüzün mantıklı biçimde planlandığından emin olun — Örneklem Büyüklüğü Hesaplayıcıya bakın.
Çok küçük p değerleri bilimsel gösterimle raporlanır (ör. \(2.1 \times 10^{-5}\) anlamına gelen 2.1e−05).

Sıkça Sorulan Sorular

Hesaplayıcı olmadan p değerini elle nasıl hesaplarım?

Bir z testi için standart normal CDF'yi kullanın: sağ kuyruklu test için \(p = 1 - \Phi(z)\), sol kuyruklu test için \(p = \Phi(z)\). \(\Phi(z)\) değerleri normal dağılım tablosundan gelir: z değerinizi (iki ondalığa yuvarlanmış) arayın, tablodaki olasılığı okuyun ve sağ kuyruk için tümleyeni alın. t, χ² ve F testleri için ise ilgili istatistik tabloları gerekir; bu hesaplayıcının tam olarak yerini aldığı şey de budur — CDF'yi sayısal olarak hesaplar.

İyi veya normal bir p değeri nedir?

Nesnel olarak "iyi" bir değer yoktur — p değeri verilerinize ve örneklem büyüklüğünüze bağlıdır. Geleneksel olarak \(p \le 0.05\) olan sonuçlar istatistiksel olarak anlamlı, \(p \le 0.01\) olanlar ise oldukça anlamlı kabul edilir. Ancak bu eşikler kanıt değil, teamüldür. Küçük bir p değeri sıfır hipoteze karşı güçlü kanıt gösterir; bulgunuzun büyük veya önemli olduğu anlamına gelmez. P değeriyle birlikte her zaman etki büyüklüğünü ve güven aralığını rapor edin.

P değeri, sıfır hipotezinin doğru olma olasılığı mıdır?

Hayır — bu en yaygın yanlış yorumlamadır. P değeri, sıfır hipotezinin doğru olduğu varsayıldığında, sizinkinden en az kadar uç bir test istatistiği gözlemleme olasılığıdır. 0,03'lük bir p değeri, sıfır hipotezinin doğru olma ihtimalinin %3 olduğu anlamına gelmez. Alternatif hipotezinizin doğru olma olasılığını da söyleyemez; bu, Bayesçi bir yaklaşım gerektirirdi.

P değerim neden SPSS, R veya Excel'dekinden farklı?

Önce kuyruk sayısını kontrol edin: yazılımlar varsayılan olarak iki kuyruklu p değeri raporlayabilir; bu da tek kuyruklu değerin kabaca iki katıdır. Ardından serbestlik derecelerini doğrulayın; Welch t testi gibi testler, standart havuzlanmış sürümden farklı bir df kullanır. Son olarak, test istatistiğinin yuvarlanması veya χ² testlerinde süreklilik düzeltmesi kullanılması p değerini hafifçe kaydırabilir. Üçüncü veya dördüncü ondalık basamaktaki küçük farklar genellikle yalnızca yuvarlamadan kaynaklanır.

İki kuyruklu p değerini tek kuyrukluya dönüştürebilir miyim (veya tersi)?

Test istatistiği tek yönlü alternatifinizin yönünü işaret ediyorsa, tek kuyruklu p değeri iki kuyruklu değerin yarısıdır: \(p_{one} = p_{two}/2\). Ters yönü işaret ediyorsa, tek kuyruklu p değeri 0,5'i aşar ve sonuç anlamlı olamaz. Önemli olan, kuyruk sayısına testi çalıştırmadan önce karar vermenizdir — anlamlılığa ulaşmak için sonradan geçiş yapmak yanlış pozitif oranını şişirir ve p-hacking (p değeri manipülasyonu) olarak kabul edilir.

Test istatistiğim negatifse ne olur?