Dans les tests d'hypothèses statistiques, la valeur p (valeur de probabilité) est une mesure de probabilité de trouver les résultats observés, ou plus extrêmes, lorsque l'hypothèse nulle d'un test statistique donné est vraie. La valeur p est une valeur principale utilisée pour quantifier la signification statistique des résultats d'un test d'hypothèse Test d'hypothèse Le test d'hypothèse est une méthode d'inférence statistique. Il est utilisé pour tester si une déclaration concernant un paramètre de population est correcte. Tests d'hypothèses .
La principale interprétation de la valeur p est de savoir s'il existe suffisamment de preuves pour rejeter l'hypothèse nulle. Si la valeur p est raisonnablement faible (inférieure au niveau de signification), nous pouvons affirmer qu'il y a suffisamment de preuves pour rejeter l'hypothèse nulle. Sinon, nous ne devons pas rejeter l'hypothèse nulle.
Les conclusions sur le test d'hypothèse sont tirées lorsque la valeur p d'un test est comparée au niveau de signification, qui joue le rôle d'un benchmark. Les niveaux de signification les plus courants sont 0,10, 0,05 et 0,01. Le niveau de signification de 0,05 est considéré comme conventionnel et le plus couramment utilisé.
Comment utiliser la valeur P dans les tests d'hypothèses?
Afin d'utiliser la valeur p dans les tests d'hypothèse, suivez les étapes ci-dessous:
- Déterminez votre niveau de signification (α). Le niveau de signification doit généralement être choisi au cours des premières étapes de la conception d'un test d'hypothèse. Les niveaux de signification les plus courants sont 0,10, 0,05 et 0,01.
- Calculez la valeur p. Il existe de nombreuses applications logicielles qui proposent le calcul. Par exemple, Microsoft Excel permet le calcul de la valeur p à l'aide de l'outil d'analyse des données.
- Comparez la valeur p obtenue avec le niveau de signification (α) et tirez les conclusions pertinentes. La règle générale ici est que si le chiffre est inférieur au niveau de signification, alors il y a des preuves suffisantes pour rejeter l'hypothèse nulle d'une expérience.
Le degré de signification statistique varie généralement en fonction du niveau de signification. Par exemple, une valeur de p supérieure à 0,05 est considérée comme statistiquement significative tandis qu'un chiffre inférieur à 0,01 est considéré comme hautement statistiquement significatif.
Erreurs d'interprétation de la valeur P
En statistique Concepts statistiques de base pour la finance Une solide compréhension des statistiques est essentielle pour nous aider à mieux comprendre la finance. De plus, les concepts statistiques peuvent aider les investisseurs à surveiller, la valeur p peut être vraiment considérée comme l'un des concepts les plus souvent mal interprétés. La plus grande idée fausse à propos du concept est que c'est une probabilité que l'hypothèse nulle soit vraie (ou c'est une probabilité que l'hypothèse alternative soit fausse).
En réalité, la valeur p ne détermine pas la probabilité que l'hypothèse nulle soit vraie mais indique simplement la probabilité de rencontrer les résultats d'une étude au moins aussi extrême que les résultats réellement observés si l'hypothèse nulle est vraie. En d'autres termes, il indique la probabilité d'avoir suffisamment de preuves pour rejeter ou ne pas rejeter l'hypothèse nulle.
Ressources supplémentaires
Finance propose la certification FMVA® Financial Modeling & Valuation Analyst (FMVA) ™. Rejoignez plus de 350 600 étudiants qui travaillent pour des entreprises comme Amazon, JP Morgan et le programme de certification Ferrari pour ceux qui cherchent à faire progresser leur carrière. Pour continuer à apprendre et faire progresser votre carrière, les ressources financières suivantes vous seront utiles:
- Valeur attendue Valeur attendue La valeur attendue (également appelée EV, espérance, moyenne ou valeur moyenne) est une valeur moyenne à long terme de variables aléatoires. La valeur attendue indique également
- Tests non paramétriques Tests non paramétriques En statistique, les tests non paramétriques sont des méthodes d'analyse statistique qui ne nécessitent pas de distribution pour répondre aux hypothèses requises à analyser
- Biais de sélection d'échantillon Biais de sélection d'échantillon Le biais de sélection d'échantillon est le biais qui résulte de l'incapacité à garantir la randomisation appropriée d'un échantillon de population. Les défauts de la sélection des échantillons
- Règle de probabilité totale Règle de probabilité totale La règle de probabilité totale (également appelée loi de probabilité totale) est une règle fondamentale dans les statistiques relatives aux conditions conditionnelles et marginales.
