R语言 如何在R中计算T分数的P值

为了接受或拒绝公司或某人给你的样本，或者基本上只是为了检查数据，需要计算P值。计算完p值后，我们将p值与显著性水平（α）进行比较，即根据公司的情况，选择0.05或0.01。如果计算出的p值小于显著性水平，我们就可以拒绝该样本，否则我们就可以接受该样本。

R有一个简单的函数，当调用适当的参数时，会产生一个期望的结果。

语法： pt(q, df, lower.tail = TRUE)

参数 。

• q： T分数
• df： 自由度(n-1)
• lower.tail： 如果该值为TRUE，那么我们将计算q左边的概率，这被称为 左尾测试 ，否则将计算q右边的概率，即FALSE。 这就是所谓的 右尾测试。

方法 。

• 定义所有需要传递给函数的值
• 通过使用t-score、df和函数计算p值。
• 比较p值和显著性水平。
• 打印结果

左尾检验

一种假设检验，其拒绝区域位于分布的最左边。如果备用假设（Ha）包含小于不等式，那么它就是一个左尾检验。让我们举个例子，t分数为-1.549，df为14。

例子 。

# Finding the p-value.
p_value=pt(q=-1.549, df=14, lower.tail = TRUE)
 
p_value

输出 。

0.07184313

结果P值大于0.05的显著性水平，也大于0.1的显著性水平。因此，我们可以得出结论：在α=0.05的显著性水平和α=0.01的显著性水平上，我们可以接受样本（无效假设）。

右尾检验

一种假设检验，其拒绝区域位于分布的最右边。如果另一个假设包含大于不等式，那么它就是一个左尾检验。让我们举个例子，t分数为1.87，df为24。

例子 。

# Finding the p-value
p_value=pt(q=1.87, df=24, lower.tail=FALSE)
 
p_value

输出 。

0.03686533

结果P值小于显著性水平0.05，也可以看出，它大于显著性水平0.1。因此，我们可以得出结论：在α=0.05的显著性水平下，应该拒绝 “空头假设”，而在α=0.01的显著性水平下，我们可以接受样本。

双尾检验

当替代假设（HA ）等于一个给定的量（HA = x ）时，采用双尾检验，其拒绝区域被平均划分在分布的两个临界值之间。通过向函数pt(q, df, lower.tail = FALSE)乘以2，我们可以用这种假设检验得到所需的p值。

让我们举个例子，把t分数定为1.24，df定为22。

例子 。

# Finding the p-value
p_value=2*pt(q=1.24, df=22, lower.tail=FALSE)
 
p_value

输出 。

0.228039

我们得到的P值小于显著性水平0.05，大于显著性水平0.1。因此，这里可以得出结论，在α=0.05的显著性水平下，应该拒绝 “牛 “的假设，而在α=0.01的显著性水平下，我们可以接受样本。