Mir ist klar, dass dies pedantisch und banal ist, aber als Forscher auf einem Gebiet außerhalb der Statistik mit begrenzter formaler Ausbildung in Statistik frage ich mich immer, ob ich "p-value" richtig schreibe. Speziell:
- Soll das "p" groß geschrieben werden?
- Soll das "p" kursiv geschrieben werden? (Oder in mathematischer Schrift, in TeX?)
- Soll es einen Bindestrich zwischen "p" und "value" geben?
- Oder gibt es überhaupt keine "richtige" Schreibweise für "p-value", und jeder Dummkopf wird verstehen, was ich meine, wenn ich in einer Permutation dieser Optionen einfach "p" neben "value" setze?
hypothesis-testing
p-value
terminology
gotgenes
quelle
quelle
Antworten:
Es scheint keine "Standards" zu geben. Zum Beispiel:
Meine kurze, unwissenschaftliche Umfrage legt nahe, dass die häufigste Kombination kleingeschriebenes, kursives p ohne Bindestrich ist.
quelle
Dies scheint ein Stilproblem zu sein, bei dem verschiedene Zeitschriften und Verlage unterschiedliche Konventionen anwenden (oder je nach den Vorlieben der Autoren eine gemischte Mischung von Stilen zulassen). Meine eigene Präferenz für das, was es wert ist, ist p-Wert, ohne Kursivschrift und ohne Großschreibung getrennt.
quelle
Der ASA House Style scheint zu empfehlen, das p mit einem Bindestrich: p- Wert zu kursiv zu schreiben. Eine Google-Gelehrten-Suche zeigt verschiedene Schreibweisen .
quelle
Der P-Wert aus theoretischer Sicht ist eine Realisierung einer Zufallsvariablen. Es gibt einen Standard (in der Wahrscheinlichkeit), Großbuchstaben für Zufallsvariablen und Kleinbuchstaben für Realisierungen zu verwenden. In Tabellenköpfen sollten wir P (möglicherweise kursiv ) verwenden, in Text zusammen mit seinem Wert p = 0,0012 und in Text, der zum Beispiel die Methode p-value beschreibt.
quelle
Das Weglassen des Bindestrichs kann manchmal die Bedeutung von Sätzen ändern oder zumindest mehrdeutig werden. Dies kann insbesondere in Veröffentlichungen vorkommen, die statistische Tests beschreiben oder Algorithmen zur Auswertung von p-Werten einführen, es können aber auch Methoden beschrieben werden, die nichts mit Statistik zu tun haben und dennoch p-Werte aus t-Tests berechnen (nicht jedoch die p-Werte unter Verwendung von Statistik t-tests). In diesem Kontext wären die Bindestriche wirklich notwendig, auch wenn Autoren normalerweise versuchen, Notizen zu vermeiden, die leicht verwirrt werden könnten.
Beispiel (mit einer schlechten Auswahl an Notationen): Wir möchten eine Reihe starker Assoziationsmuster finden und die Wahrscheinlichkeit bewerten, dass das Ergebnis zufällig aufgetreten wäre. In der ersten Phase suchen wir nach den z besten Mustern mit einer gewissen Güte. Nach der Suchphase erhalten wir also Z-Scores (aber die Z-Scores). Anschließend bewerten wir die besten Muster mit einem Randomisierungstest. Wir erzeugen t zufällige Datensätze und werten die Bewertung des z: ten besten Musters in jedem Datensatz aus. Also führen wir t-Tests durch (aber nicht die t-Tests) und geben die Punktzahl des z: ten besten Musters aus. Wir finden heraus, dass p-Werte (aber nicht die p-Werte) aller t-Score-Werte besser sind als das ursprüngliche z: th-beste Muster. Daher können wir abschätzen, dass die Wahrscheinlichkeit, durch Zufall z so gute Muster zu erhalten, p / t beträgt.
quelle