#統計 P値は対数スケールで見た方が誤解が減るかもしれないという話もあります。S値 S値 = -log₂ P値 (単位はbit) とおいて、P値の違いの大きさは、S値の差の大きさで測ると良いです。 80%のP値と40%のP値の違いは1bitに過ぎず、8%のP値と4%のP値の1bitの違いに等しい。 biostat.ucdavis.edu/sites/g/files/… pic.twitter.com/9ui1NcUnFL

- 統計的に見て米国金利の上昇はドル円のレートに対して減少効果を持つ傾向がありますが、ここではp値が0.067と0.05を超えており、有意とは言えません。 2. **JP_Rates（日本金利）**: - 回帰係数：1.038 - 日本の金利変動はドル円に対して統計的に有意な影響を示していません（p値が0.969）

#統計 P値が確率的な不確定性を考慮した推定のための道具にちょうどなっていることの理解のためには、コイン投げの場合について、「表の出る確率はp=1/2」という仮説だけではなく、「表の出る確率はp=aである」の型の仮説のP値をすべての値aについて考えて、そのグラフをプロットするとよいと思う。

「帰無仮説」は「SMD=0.00 仮説」「RR=1.00 仮説」「HR=1.00 仮説」と言い換えた方が良い。そうすれば「SMD=0.00 仮説のＰ値」「SMD=0.24 仮説のＰ値」とかが自然になる。「事後分布のＰ値」（ベイズ版Ｐ値）はやめて、「事後分布の両外側 95%BCI」とした方が良い。

BT9　判定日 無事着床してました🌱 E2 365 P4 14.6 hcg 179.1 各値も悪くないとのことで、引き続き同じ薬を継続(エストラーナテープ4枚/2日、ルテウム2個/日、エストラジオール4錠/日) 第二子妊活時は、ホルモン補充してもP値が8を切ってたので、今回P値が上がってて嬉しい。

#統計 コインを20回投げたら5回表が出た状況で、「表が出る確率はp=1/2」という帰無仮説のP値はグラフから5%未満であることもわかります。 P値を2値的判断の道具とみなす不適切な説明ではそのような単独のP値しか使わない。 だから、ダメなのです。nullismという病気。 pic.twitter.com/PzsuKZq5Uj

#統計 P値を「有意差を出す」という2値的判断のための道具とみなさずに、Greenlandさんのように、推定の道具だとみなせば良いのです。P値は 背景となるモデルの下でのデータの数値とパラメータの値の相性の良さの指標の1つ なので、パラメータの値の推定に使えます。 biostat.ucdavis.edu/sites/g/files/… pic.twitter.com/PvybEJEzWO

#統計 「仮に～ならば、～となる確率(P値と呼ぶ)は小さい」のスタイル(例: 仮に当たりが出る確率が1/2なら、20回中当たりが5回以下しか出ない確率は約2%である)でのP値に関するよく見る説明は、P値が仮説とデータの数値の相性の良さを表すことの説明だとみなせばよい。2値的判断は必須ではない。

#統計 P値<αという条件による2値的判断のためにP値について説明すると、危険で間違った説明になりがち。安全なP値の説明法が必要です。それが P値は、データの数値とモデル(検定したい仮説を含む)の相性の良さ(整合性、適合度)の指標の1つである なのです。この説明は2値的判断を前提にしていない。

#統計 薬の承認のための治験は第1,2,3相に分割された多段階勝ち抜き戦のすべてに勝利する制度になっています。 最終の第3相までに効く可能性が十分にある薬のみを残すことに成功すれば、第3相での最終決着をP値<αを使う仮説検定で行ってもそれなりに合理的だということになります。

#統計 あなたが財布から無作為に取り出した100円玉を10回投げたら10回とも表が出たとします。 そのときの「表の出る確率は1/2である」の両側P値は0.2%程度とかなり小さくなります。 それを理由に「その100円玉は細工されている」と判断することは合理的でしょうか？続く

返信先:@HKTChSSなのでこの場合 1.陽性と仮定する 2.p値が有意水準以下 3.陽性ではなく、陰性だと思われる 4.実際は陽性だった というのが第一種の過誤で　 1.陽性と仮定する 2.p値が有意水準以上 3.陽性だと思われる 4.実際は陰性だった というのが第二種の過誤です

返信先:@HKTChSSまず第一種の過誤が 1.帰無仮説を仮定 2.p値が有意水準以下 3.帰無仮説を棄却し、対立仮説を採用 4.しかし、実際は帰無仮説が正しい というので、 第二種の過誤が 1.帰無仮説を仮定 2.p値が有意水準以上 3.帰無仮説を棄却しない 4.しかし、実際は対立仮説が正しい というのになります。

各尤度にＰ値が付与されるので（帰無）仮説値の確率分布（尤度分布）が正規分布ならＰ値の分布は正規分布である。それの横軸とビン幅を人為的に変更すると平坦分布に見えるだけ。 尤度：観測値の棒グラフ１本。 Ｐ値：観測値 "以上" の大差（尤度分布の両外側）の累積値。 x.com/takekan/status… pic.twitter.com/c8NWrcZ7r9

#統計 「20回中当たりが2回」というデータの数値と「当たりが出る確率は1/2」という仮説の相性は常識的な感覚でも非常に悪いと感じるのが普通だと思います。 その感覚を二項分布モデルを使って定量化した結果がClopper-PearsonのP値の0.04%になります。 そういう感覚の他の定量化に尤度もある。

#統計 このことは、 「20回中当たりが2回」というデータの数値 と 二項分布モデル+「当たりが出る確率は1/2」という仮定 の相性が非常に悪いことを意味していると解釈できます。 P値はこういう考え方で得られる値です。もっと一般の場合も数学的にややこしくなるだけで考え方は同じ。

#統計 もっと極端に「20回中当たりが2回」というデータ数値が得られた場合には、仮に当たりが1/2の確率で出るなら、20回中2回以下しか当たりが出ない確率は0.02%になり、2倍して得られるCPのP値は0.04%程度の非常に小さな値になります。続く

#統計 「20回中当たりが5回」というデータの数値に関する二項分布モデル+「当たりが出る確率は1/2」のClopper-PearsonのP値は4.14%で尤度は1.48%です。 どちらも、データの数値とモデル+パラメータの値の設定の相性の良さの指標として使われます。ただし、P値と尤度は別の取り扱いが必要です。続く

#統計 正確には二項分布モデルを仮定しているので、二項分布モデルに関するP値になります。 仮に当たりが出る確率が1/2だとしたら、20回中当たりが__ちょうど__5回出る確率は1.48%になり、これは尤度(ゆうど)と呼ばれます。 P値と尤度の違いに注意！続く

#統計 P値に関する解説の追加 あるルーレットを20回まわしたら当たりが5回出たとする。 このとき、仮に当たりが出る確率が1/2だとしたら、20回中当たりが5回__以下__しか出ない確率は2.07%になり、その2倍の4.14%がClopper-PearsonのP値になります。続く

例えば、全ての疾患に効果ゼロなビタミンＡサプリを 1,000 種類の疾患に１件づつ臨床試験 (RCT) したなら、そのうち約25の疾患が好影響側で有意差がつき、約25の疾患が悪影響側で有意差がつく。それがＰ値の定義であるが、疾患間で多重性があるので（経験ベイズつまり客観ベイズの）事前分布で補正する

#統計 P値<5%やらP値<1%は冷静に色々考えてみれば、科学的信頼性を保証するための条件としては弱すぎる条件です。 P値について教える場合には、そういう弱い条件をクリアした程度で自信過剰にならないように注意するべきです。

くだんのp値警察👮も何が正解か言わずにメンツ潰しのダメ出しツイートした後、引用ポストで叩かれ始めたらほぼ1日かけて延々と誤魔化しのお気持ちツイートしてたな。 長すぎて読めなかったよ。

『table 1はSMDを使いましょう』 それはNG。できるだけ MD に戻すべき。 『使うときは統計的に妥当な方法でp値を計算する』 「正確な確率計算」が無理なら（学生にやらせてるような）シミュレーションをする。

基本的にベイズの方が１段階以上は複雑な計算をするので「ベイズを適切に理解していて、Ｐ値の定義は理解できなかった」はほとんど起こり得ない。その下のベイズの記述は間違いだらけ。 x.com/megikaya/statu…

ここ数日の日本語圏𝕏上でのＰ値の話題で「帰無仮説とは具体的に何か？」を解説した専門家が１人も登場しなかったことは、「Ｐ値に基づく仮説検定」をまともに理解してる専門家など１人もいないことを露呈してる。 x.com/ueafam/status/…

「大雑把な例え話」としても、もっとマシな例え方があるだろうと思う。「観測値が真値である確率」や「１−P値＝対立仮説が真値である確率」とか「もっともよくある誤解」として知られてる文章ほぼそのままではさすがにまずい。医師国家試験も薬剤師国家試験もP値を誤解してるが訂正されてない。 pic.twitter.com/SgI1jjWt7b

想定している話と逆の内容を前提にした時、目の前の得られた結果より酷い外れ値を同じ前提のもとで引く確率がp値で、目の前の結果より酷い外れ値が出てくる確率が5 or 1％切るなら逆の内容の前提がおかしいと判断すると理解しているがどうなんやろうかね

はじめてP値の説明聞いたあと、「0.1%水準で***つけることとかが多い」みたいなのを知ったとき、「厳しすぎひん？？」ってなった。 30%水準とかでも僕は「すごーい」とか思えちゃう。

#統計 P値は背景となるモデルの下でのデータの数値とパラメータの値の相性の良さの指標でした。 信頼水準1-αの信頼区間は「P値≥αとなるパラメータの値の範囲」なので、「閾値αの設定によってデータの数値と相性が良いと判定されたパラメータの範囲」だと解釈されます。 scholar.google.co.jp/scholar?cluste… pic.twitter.com/R7MVEZzoBO

P値は、0から1までの範囲の値を取ります。

#統計 私による P値はデータの数値とモデル+パラメータの値な設定の相性の良さ(整合性、適合度)の指標の1つである という説明は、「統計的有意性とP値に関するASA声明」の原則1でのP値の説明と本質的に同じものだとみなされます。 安全牌のASA声明準拠！😁 pic.twitter.com/5MaulAdrK9

p値関連の話がまたTLで増えてる。統計検定1級を受けようとしてる身が言うのもあれだが、「カセツケンテイヲセヨ」という問題で算出すべき値としか考えてないっす。🙃

#統計 P値について解説している最新の宇宙怪人しまりす本の第1話のタイトルは「背後仮定も含めて解釈することが重要なんですね」です。 背後仮定は数学的にはパラメータ付き確率分布によるモデルとして実装されています。P値を使う場合にはモデル全体を見ないとダメ。 asakura.tameshiyo.me/9784254122978?… pic.twitter.com/GwYkRxVI4Q

#統計 モデルとしてパラメータ付き確率分布(最初は二項分布でよい)を使うことの理解はP値についてのざっくりとした理解においても必須。 なぜならば、P値は「表の出る確率は1/2である」のような帰無仮説単体に結び付いている値ではなく、モデル全体(とデータの数値)に結び付いている値だからです。

#統計 P値に関する細部の説明を省略してざくっと説明するには、適当な具体例を使って P値は、データの数値とモデル+パラメータの値の設定の相性も良さ(compatibility、整合性、適合度)の指標の1つ と説明するのが良いと思っています。ただし、モデル=パラメータ付き確率分布の理解が必須になる。

#統計 ②のリンク1/2 asakura.co.jp/detail.php?boo… 佐藤俊哉著『宇宙怪人しまりす 統計よりも重要なことを学ぶ』 P値について解説している第1話を試し読みできます。 第2話以降にも重要な話が書いてあります。

#統計 ①のリンク2/2 佐藤俊哉さんの講義動画 youtu.be/vz9cZnB1d1c?si… 仮説検定とP値の誤解 この動画は素晴らしいです。内容も素晴らしいですが，非常に聴きやすい点も驚異的だと思いました。自分の講義を録画したことがある人の多くはそう感じると思います。いやあ、これは本当にすごい。

#統計 ①のリンク1/2 統計的有意性とP値に関するASA声明 biometrics.gr.jp/news/all/ASA 注意するべき点の修正版(観されたデータの数値→観測されたデータの数値) ↓ pic.twitter.com/beoJpblsVc