p-value چیست؟

اگر با تحلیل آماری، SPSS، مقاله علمی یا پایان نامه سروکار داشته باشید، احتمالاً بارها با عبارت‌هایی مانند این روبه‌رو شده‌اید:

• p < 0.05
• Sig = 0.001
• نتیجه از نظر آماری معنادار است
• فرض صفر رد شد

در بسیاری از تحقیقات، بخش مهمی از تصمیم‌گیری آماری بر اساس p-value انجام می‌شود. با این حال، p-value یکی از مفاهیمی است که زیاد استفاده می‌شود اما در بسیاری از پایان نامه‌ها به شکل نادرست تفسیر می‌شود.

برای مثال بعضی پژوهشگران تصور می‌کنند اگر:

p = 0.03

باشد، یعنی احتمال درست بودن فرض صفر ۳ درصد است.

این تفسیر صحیح نیست.

همچنین گاهی تصور می‌شود هرچه p-value کوچک‌تر باشد، اندازه اثر نیز حتماً بزرگ‌تر است. این برداشت نیز دقیق نیست.

اما p-value چیست؟

p-value مقداری است که نشان می‌دهد اگر فرض صفر و مفروضات مدل آماری درست باشند، مشاهده داده‌ای به اندازه نتیجه به‌دست‌آمده یا شدیدتر از آن تا چه اندازه محتمل است.

به همین دلیل p-value به پژوهشگر کمک می‌کند میزان ناسازگاری داده‌ها با فرض صفر را ارزیابی کند.

برای درک کامل این مفهوم، ابتدا باید ارتباط p-value با «آزمون فرض آماری چیست؟» را بشناسیم.

p-value چیست؟

p-value یا Probability Value یکی از شاخص‌های مهم در آزمون‌های آماری است.

این مقدار در بازه صفر تا یک قرار می‌گیرد.

هرچه p-value کوچک‌تر باشد، داده‌های مشاهده‌شده در صورت درست بودن فرض صفر غیرعادی‌تر تلقی می‌شوند.

برای مثال:

p = 0.40

یعنی نتیجه مشاهده‌شده با فرض صفر ناسازگاری زیادی نشان نمی‌دهد.

اما:

p = 0.002

نشان می‌دهد در چارچوب فرض صفر، مشاهده چنین نتیجه‌ای یا نتیجه‌ای شدیدتر نسبتاً غیرمعمول است.

البته این موضوع به تنهایی به معنی اثبات فرض مقابل نیست.

p-value فقط یکی از اجزای تصمیم‌گیری آماری است و باید همراه با طراحی پژوهش، اندازه اثر، فاصله اطمینان و نوع آزمون بررسی شود.

p-value چگونه تفسیر می‌شود؟

رایج‌ترین روش تفسیر p-value مقایسه آن با سطح معناداری یا α است.

در بسیاری از تحقیقات:

α = 0.05

در نظر گرفته می‌شود.

اگر:

p-value < 0.05

باشد، نتیجه در سطح ۵ درصد از نظر آماری معنادار در نظر گرفته می‌شود و معمولاً فرض صفر رد می‌شود.

اگر:

p-value ≥ 0.05

باشد، شواهد کافی برای رد فرض صفر وجود ندارد.

برای مثال:

p = 0.01

چون مقدار ۰.۰۱ کمتر از ۰.۰۵ است، نتیجه معنادار است.

اما:

p = 0.18

بزرگ‌تر از ۰.۰۵ است و بنابراین فرض صفر رد نمی‌شود.

Sig در SPSS چیست؟

در خروجی نرم‌افزار SPSS معمولاً به جای عبارت p-value از واژه:

Sig.

استفاده می‌شود.

در بیشتر خروجی‌های رایج SPSS، مقدار Sig همان p-value مرتبط با آزمون مورد نظر است.

برای مثال اگر در خروجی آزمون t نوشته شده باشد:

Sig. (2-tailed) = 0.004

یعنی:

p = 0.004

و چون این مقدار کمتر از ۰.۰۵ است، نتیجه در سطح ۵ درصد معنادار است.

البته باید دقت کرد که SPSS ممکن است بسته به نوع آزمون، چند نوع Sig مختلف نمایش دهد. بنابراین همیشه باید مشخص شود کدام مقدار مربوط به فرضیه اصلی پژوهش است.

تفاوت p-value و Sig چیست؟

از نظر مفهومی، p-value همان مقدار احتمال مورد استفاده در آزمون فرض است.

Sig فقط عنوانی است که SPSS برای نمایش این مقدار در بسیاری از جدول‌ها استفاده می‌کند.

بنابراین در اغلب تحلیل‌های معمول:

Sig = p-value

اما باید نوع آزمون را در نظر گرفت.

برای مثال در آزمون t مستقل، ممکن است در خروجی هم مقدار Sig مربوط به آزمون لوین و هم Sig مربوط به آزمون t نمایش داده شود.

این دو مقدار کاربرد متفاوتی دارند و نباید با هم اشتباه گرفته شوند.

سطح معناداری 0.05 چیست؟

عدد ۰.۰۵ یکی از رایج‌ترین آستانه‌های تصمیم‌گیری آماری است.

اگر پژوهشگر قبل از تحلیل تعیین کند:

α = 0.05

یعنی برای تصمیم‌گیری درباره رد فرض صفر از آستانه ۵ درصد استفاده خواهد کرد.

در این صورت:

اگر p < 0.05 باشد:

فرض صفر رد می‌شود.

اگر p ≥ 0.05 باشد:

فرض صفر رد نمی‌شود.

نکته مهم این است که عدد ۰.۰۵ یک قانون طبیعی و تغییرناپذیر نیست. این مقدار یک قرارداد رایج آماری است و در برخی پژوهش‌ها ممکن است سطح ۰.۰۱ یا مقدار دیگری انتخاب شود.

آیا p = 0.05 معنادار است؟

این سوال یکی از موارد رایج در تحلیل آماری است.

اگر سطح معناداری دقیقاً:

α = 0.05

تعریف شده باشد، نحوه تصمیم‌گیری باید از قبل مشخص باشد.

در عمل بسیاری از پژوهشگران از قاعده:

p ≤ 0.05

برای معناداری استفاده می‌کنند، در حالی که در برخی متون قاعده:

p < 0.05

گزارش می‌شود.

از نظر علمی بهتر است به جای تمرکز بیش از حد روی مرز دقیق، مقدار واقعی p-value گزارش شود.

برای مثال به جای نوشتن فقط:

معنادار بود

بهتر است نوشته شود:

p = 0.047

زیرا این مقدار اطلاعات بیشتری درباره نتیجه ارائه می‌دهد.

p-value کوچک چه معنایی دارد؟

وقتی p-value بسیار کوچک است، نتیجه مشاهده‌شده تحت فرض صفر کمتر قابل انتظار است.

برای مثال:

p = 0.0005

نشان می‌دهد داده‌های مشاهده‌شده با فرض صفر سازگاری کمی دارند.

اما این نتیجه به معنای این نیست که:

• احتمال درست بودن فرض صفر ۰.۰۵ درصد است.
• فرض مقابل با احتمال ۹۹.۹۵ درصد درست است.
• اثر مشاهده‌شده حتماً بزرگ یا مهم است.

این موارد از p-value به تنهایی قابل نتیجه‌گیری نیستند.

p-value بزرگ چه معنایی دارد؟

اگر p-value بزرگ باشد، مثلاً:

p = 0.42

به این معناست که داده‌های مشاهده‌شده ناسازگاری کافی با فرض صفر برای رد آن نشان نمی‌دهند.

این نتیجه به معنای اثبات فرض صفر نیست.

برای مثال ممکن است:

• حجم نمونه کم باشد.
• اثر واقعی کوچک باشد.
• پراکندگی داده‌ها زیاد باشد.
• توان آزمون پایین باشد.

بنابراین نتیجه غیرمعنادار الزاماً به معنی نبود کامل اثر نیست.

مثال p-value در آزمون t

یکی از رایج‌ترین جاهایی که p-value دیده می‌شود، آزمون t است.

فرض کنید پژوهشگری می‌خواهد بررسی کند آیا میانگین رضایت مشتریان دو شعبه با یکدیگر تفاوت دارد یا خیر.

فرض صفر:

میانگین رضایت دو شعبه تفاوت معناداری ندارد.

فرض مقابل:

میانگین رضایت دو شعبه تفاوت معناداری دارد.

فرض کنیم نتیجه آزمون t به صورت زیر باشد:

t = 2.84

p = 0.006

چون:

0.006 < 0.05

فرض صفر رد می‌شود.

بنابراین می‌توان نتیجه گرفت بین میانگین رضایت دو گروه تفاوت معناداری وجود دارد.

برای آشنایی بیشتر با این آزمون می‌توانید مقاله «آزمون t چیست؟ آموزش آزمون t مستقل و زوجی در SPSS» را مطالعه کنید.

مثال p-value در آزمون ANOVA

فرض کنید پژوهشگر می‌خواهد رضایت مشتریان سه فروشگاه را مقایسه کند.

فرض صفر:

میانگین رضایت هر سه گروه برابر است.

فرض مقابل:

حداقل میانگین یکی از گروه‌ها با سایر گروه‌ها تفاوت دارد.

خروجی ANOVA:

F = 5.92

p = 0.004

چون p-value کمتر از ۰.۰۵ است، فرض صفر رد می‌شود.

یعنی بین گروه‌ها تفاوت معناداری وجود دارد.

با این حال، ANOVA مشخص نمی‌کند دقیقاً کدام گروه‌ها با یکدیگر متفاوت هستند.

برای مشخص شدن این موضوع باید آزمون‌های تعقیبی یا Post Hoc اجرا شوند.

برای توضیحات بیشتر می‌توانید مقاله «آزمون ANOVA چیست؟ آموزش تحلیل واریانس در SPSS» را ببینید.

مثال p-value در همبستگی پیرسون

فرض کنید هدف پژوهش بررسی رابطه بین کیفیت خدمات و رضایت مشتری است.

نتیجه تحلیل:

r = 0.56

p = 0.001

چون p-value کمتر از ۰.۰۵ است، رابطه مشاهده‌شده از نظر آماری معنادار است.

همچنین مثبت بودن ضریب همبستگی نشان می‌دهد با افزایش کیفیت خدمات، رضایت مشتری نیز تمایل به افزایش دارد.

در این مثال فقط بررسی p-value کافی نیست.

مقدار r نیز مهم است، زیرا شدت و جهت رابطه را نشان می‌دهد.

برای آشنایی بیشتر می‌توانید مقاله «آزمون همبستگی پیرسون چیست؟» را مطالعه کنید.

مثال p-value در رگرسیون

در تحلیل رگرسیون معمولاً برای هر متغیر مستقل یک p-value جداگانه گزارش می‌شود.

فرض کنید پژوهشگر تاثیر سه عامل را بر وفاداری مشتری بررسی کرده است:

• کیفیت خدمات
• اعتماد
• قیمت

نتایج:

متغیر	Beta	p-value
کیفیت خدمات	0.46	0.001
اعتماد	0.31	0.012
قیمت	0.08	0.290

نتیجه نشان می‌دهد کیفیت خدمات و اعتماد اثر معناداری دارند.

اما قیمت در این مدل از نظر آماری معنادار نیست.

بنابراین نمی‌توان فقط با مشاهده مقدار Beta درباره معناداری تصمیم گرفت و باید p-value هر متغیر نیز بررسی شود.

تفاوت p-value و اندازه اثر چیست؟

p-value نشان می‌دهد داده‌های مشاهده‌شده تا چه اندازه با فرض صفر سازگار هستند.

اما اندازه اثر یا Effect Size نشان می‌دهد شدت تفاوت یا رابطه چقدر است.

این دو مفهوم یکسان نیستند.

برای مثال ممکن است در یک مطالعه با حجم نمونه بسیار زیاد:

p = 0.001

باشد، اما تفاوت بین گروه‌ها بسیار کوچک باشد.

در چنین شرایطی نتیجه از نظر آماری معنادار است، اما ممکن است از نظر عملی اهمیت چندانی نداشته باشد.

به همین دلیل بهتر است در کنار p-value، اندازه اثر نیز گزارش شود.

شاخص‌های رایج اندازه اثر عبارت‌اند از:

• Cohen’s d
• Eta Squared
• ضریب همبستگی r
• R²
• Odds Ratio

رابطه حجم نمونه و p-value

حجم نمونه می‌تواند تاثیر زیادی بر p-value داشته باشد.

در نمونه‌های بسیار بزرگ حتی تفاوت‌های کوچک ممکن است به p-value پایین منجر شوند.

در مقابل، در نمونه‌های بسیار کوچک ممکن است یک اثر نسبتاً مهم وجود داشته باشد اما آزمون قدرت کافی برای شناسایی آن نداشته باشد.

بنابراین p-value را نباید جدا از حجم نمونه تفسیر کرد.

این موضوع یکی از دلایلی است که تعیین مناسب حجم نمونه قبل از اجرای پژوهش اهمیت زیادی دارد.

آیا p-value صفر می‌شود؟

در برخی خروجی‌های SPSS ممکن است مقدار زیر دیده شود:

Sig. = .000

این مقدار به این معنی نیست که p-value دقیقاً صفر است.

SPSS مقدار را تا تعداد محدودی رقم اعشار نمایش می‌دهد.

در چنین شرایطی بهتر است نتیجه به شکل زیر گزارش شود:

p < 0.001

نه:

p = 0.000

زیرا احتمال دقیق معمولاً صفر نیست.

آیا p-value برابر 0.06 کاملاً بی‌اهمیت است؟

اگر سطح معناداری ۰.۰۵ در نظر گرفته شده باشد:

p = 0.06

به طور قراردادی معنادار محسوب نمی‌شود.

اما این نتیجه نباید به این معنا تفسیر شود که هیچ شواهدی از اثر وجود ندارد.

تفاوت بین:

p = 0.049

و:

p = 0.051

از نظر شواهد واقعی بسیار کوچک است.

به همین دلیل بهتر است علاوه بر تصمیم دوحالتی معنادار یا غیرمعنادار، موارد زیر نیز بررسی شوند:

• مقدار دقیق p-value
• اندازه اثر
• فاصله اطمینان
• حجم نمونه
• جهت نتیجه
• اهمیت علمی یا عملی

تفاوت p-value و فاصله اطمینان

p-value و Confidence Interval اطلاعات مرتبط اما متفاوتی ارائه می‌کنند.

p-value بیشتر برای آزمون یک فرض مشخص استفاده می‌شود.

اما فاصله اطمینان محدوده‌ای از مقادیر محتمل برای پارامتر مورد نظر ارائه می‌دهد.

برای مثال فرض کنید اختلاف میانگین دو گروه برابر 5 باشد و فاصله اطمینان ۹۵ درصد به صورت زیر باشد:

2 تا 8

چون این بازه شامل صفر نیست، این نتیجه معمولاً با معناداری آماری در سطح ۰.۰۵ سازگار است.

مزیت فاصله اطمینان این است که علاوه بر معناداری، درباره اندازه و عدم قطعیت اثر نیز اطلاعات ارائه می‌دهد.

اشتباهات رایج در تفسیر p-value

اشتباه اول: p-value احتمال درست بودن فرض صفر است

این تفسیر اشتباه است.

p-value احتمال درست بودن H0 را مستقیماً بیان نمی‌کند.

اشتباه دوم: p-value کوچک یعنی اثر بزرگ

کوچک بودن p-value لزوماً به معنی بزرگی اثر نیست.

برای بررسی بزرگی اثر باید اندازه اثر گزارش شود.

اشتباه سوم: p-value بزرگ یعنی هیچ اثری وجود ندارد

p-value بزرگ فقط نشان می‌دهد داده‌ها شواهد کافی برای رد فرض صفر فراهم نکرده‌اند.

ممکن است توان آزمون پایین یا نمونه کوچک باشد.

اشتباه چهارم: Sig = .000 یعنی احتمال صفر است

در SPSS مقدار .000 باید معمولاً به شکل:

p < 0.001

گزارش شود.

اشتباه پنجم: فقط به p-value توجه کنیم

تحلیل آماری مناسب باید علاوه بر p-value مواردی مانند:

• اندازه اثر
• فاصله اطمینان
• پیش‌فرض‌های آزمون
• طراحی پژوهش
• حجم نمونه

را نیز در نظر بگیرد.

نحوه گزارش p-value در پایان نامه

در پایان نامه بهتر است مقدار p-value همراه با نام آزمون و آماره مربوط گزارش شود.

مثال برای آزمون t:

«نتایج آزمون t مستقل نشان داد میانگین رضایت دو گروه تفاوت معناداری دارد (t=2.84, p=0.006).»

مثال برای همبستگی:

«بین کیفیت خدمات و رضایت مشتری رابطه مثبت و معناداری مشاهده شد (r=0.56, p<0.001).»

مثال برای ANOVA:

«نتایج تحلیل واریانس نشان داد میانگین گروه‌ها تفاوت معناداری دارد (F=5.92, p=0.004).»

این شیوه گزارش بسیار دقیق‌تر از نوشتن عبارت کلی:

«سطح معناداری کمتر از ۰.۰۵ است.»

خواهد بود.

آیا همیشه باید از p < 0.05 استفاده کنیم؟

خیر.

سطح معناداری باید بر اساس نوع پژوهش، حوزه علمی و پیامد خطا انتخاب شود.

در برخی تحقیقات ممکن است:

α = 0.01

در نظر گرفته شود تا معیار سخت‌گیرانه‌تری برای رد فرض صفر وجود داشته باشد.

در برخی مطالعات اکتشافی نیز ممکن است از آستانه متفاوتی استفاده شود.

مهم این است که سطح معناداری پیش از مشاهده نتایج مشخص شود و پژوهشگر آن را صرفاً برای رسیدن به نتیجه مطلوب تغییر ندهد.

نتیجه‌گیری

p-value چیست؟ p-value یکی از مهم‌ترین شاخص‌های مورد استفاده در آزمون فرض آماری است و به پژوهشگر کمک می‌کند میزان ناسازگاری داده‌ها با فرض صفر را ارزیابی کند.

در بسیاری از پژوهش‌ها اگر:

p < 0.05

باشد، نتیجه از نظر آماری معنادار تلقی شده و فرض صفر رد می‌شود.

اما تفسیر p-value باید با دقت انجام شود.

p-value نشان نمی‌دهد:

• احتمال درست بودن فرض صفر چقدر است.
• اندازه اثر چقدر است.
• نتیجه از نظر عملی تا چه اندازه مهم است.

به همین دلیل بهتر است در کنار p-value، اندازه اثر، فاصله اطمینان، حجم نمونه و شرایط اجرای آزمون نیز بررسی شوند.

در SPSS نیز مقدار Sig در بسیاری از خروجی‌ها همان p-value مربوط به آزمون است، اما باید دقت کرد کدام Sig به فرضیه اصلی مربوط می‌شود.

سوالات متداول درباره p-value

p-value چیست؟

p-value شاخصی در آزمون فرض است که میزان سازگاری داده‌های مشاهده‌شده با فرض صفر را ارزیابی می‌کند.

اگر p کمتر از 0.05 باشد چه می‌شود؟

اگر سطح معناداری ۰.۰۵ تعیین شده باشد، معمولاً فرض صفر رد شده و نتیجه از نظر آماری معنادار در نظر گرفته می‌شود.

Sig در SPSS چیست؟

Sig در بیشتر خروجی‌های آماری SPSS همان p-value آزمون مورد نظر است.

آیا p-value صفر می‌شود؟

در عمل SPSS ممکن است .000 نمایش دهد، اما بهتر است آن را به صورت p<0.001 گزارش کرد.

آیا p-value کوچک یعنی اثر قوی است؟

خیر. برای بررسی شدت اثر باید اندازه اثر جداگانه محاسبه شود.

اگر p بیشتر از 0.05 باشد یعنی فرض صفر درست است؟

خیر. فقط می‌توان گفت شواهد کافی برای رد فرض صفر وجود ندارد.

تفاوت p-value و سطح معناداری چیست؟

سطح معناداری α قبل از آزمون تعیین می‌شود، اما p-value از داده