通过模拟了解p值 - 交互式可视化

p值通常被误解或滥用。 我与此页面的目标是通过交互式模拟来解释p值。 （这是一个正在开发的早期版本！）。 由临床心理学研究员Kristoffer Magnusson撰写。 你应该跟着他在Twitter上，并在开放的科学不和谐GIT GUD科学上闲逛。 这是此页面的Alpha版本，可能存在一些粗略的边缘和缺少功能！ PACK：向所有没有显示积极效果和重叠的所有样品中添加1个观察结果。 如果您想问一个问题使用GitHub讨论，请在GitHub上发行问题报告错误或建议 有很多方法可以为自由和开放的软件做出贡献。 如果您喜欢我的工作并希望支持它可以： 非常感谢您的工作Kristoffer。 我用你的可视化来解释我辅导学生的概念，他们是一个巨大的帮助。

感谢您制作这样有用和漂亮的工具。它不仅有助于我了解有关电力，效果大小等的更多信息，而且还使我的Quanti-Methoud类更加引人入胜，有趣。谢谢你，祝你2021年！

我们在我们的播客中提到了你的工作几次，我们最近向听众寄出了一张海报，以便我们想给你买几个咖啡。感谢您所做的伟大工作！Dan Quintana和James Heathers - 赫兹的联合主人

非常感谢这些惊人的可视化。他们＆＃39;重新教学工具，允许我展示学生需要几周或几个月来为自己编制的东西。

我的学生喜欢这些可视化，我也是！谢谢你帮助我让统计更直观。

精彩的工作，我每学期都使用它，它真的有助于学生（和我）更好地了解事情。继续强烈。

对于一个高中教师的心理学，我将在没有你的可视化的情况下丢失。互动和操纵的能力允许学生以非常粘的方式获得它。谢谢！！！

你会＆＃39; s d帖子真的帮助我解释了对不知道统计数据的人的解释！谢谢！

非常感谢创造这个！真的很有帮助，能够向临床医生i＆＃39进行诊所的效果大小。

教学统计数据到土木工程师科（第一次为我教导，第一次为他们而第一次），并掌握对假设检测，力量和CI的一些良好解释和＃39;喜欢这些互动图形！

感谢您利用您的统计数据和编程礼品，以如此有用，慷慨的方式。 -Jess.

一份必须花费更多咖啡的工作，而不是我们负担得起的;-)。谢谢你。

非常感谢您创建这些工具！正如我们面临在线教学统计概念的挑战，这是一个宝贵的资源。

梦幻般的资源。我认为你会很好地索引一个页面索引您的所有可视化，这将使它更可访问，以便共享为公共资源。

梦幻般的可视化！展示N / POWER / BETA / ALPHA /效果大小完全相互关联的令人惊叹的方法 - 特别是对于视觉学习者！谢谢你创造这个吗？

感谢您与我们其他人分享您的可视化技能！ 在教介绍统计数据时，我经常使用它们。 谢谢你的网站，让我微笑和更聪明：o享受咖啡！ :) 与统计数据斗争和你的互动图让我微笑着看到有人关心我们对我们陷入困境，以便避免帮助我们！😍 您可以使用Github赞助商赞助我的开源工作，并在此显示您的名字。 欢迎拉出请求，或者您可以通过建议新功能来贡献，添加有用的引用，或帮助修复拼写错误。 只打开GitHub上的问题。 覆盖测试和r的绘图将是非常密集的，但我会看看我是否可以触摸它♥ 令人敬畏的，它的力量在动画中。 两个建议：当n转到0时，应用程序崩溃; 在添加＆＃34时更新n可能很有用.P-Hack＆＃34; 鉴于其运作（向所有没有显示积极效果和重叠的所有样品添加1个观察结果）。

另一个引文。 ＆＃34; Harold Jeffreys建议alump才能捕获参数的特殊价值被视为似乎合理的＆＃34;可悲的是在许多实验中，零（或接近零）效果只是太合理的。@ dnunan79

Steven Goodman指出，几年前，P = 0.05对应于似然比约为3：1的赔率不是很令人印象深刻

它是＆＃39; t a *巨大的*先前 - 没有良好的日期，即几乎总是，它的＆＃39;假设值＆gt; 0.5

我已经读了几次。你说＆＃34;这可能只意味着对于实际效果来说，值得了解更多数据。＆＃34;这就是我将如何解释p = 0.05。但它与实践中使用的解释远离＆＃39;

使用P =的后部有相同的缺陷＆amp;完全不同于我们在假设测试中的目标

给出零一个巨大的尖刺，与我们如何理解无效假设，更不用说，他们aren＆＃39; t正确的常见前锋。但是我们经历了太多次数。

PPV是不同的。它使用p-distres-for overiulh比定义，这是不适当的测试，这是旨在告诉您效果是否有机会或真实的测试。需要p-et等计算似然比（或bf）roughsocietypublishing.org/doi/满/ 10.10 ...

由于我刚刚给出的原因，筛选试验类比不是必需的，也不是一个精确的类比。

在我的方法中的关键假设和其他几个与筛选测试无关。相反，它＆＃39;它是测试点（或近点）null的明智。我认为这通常是这种情况（但并非总是）。

这是根据你的，但不是根据知道如何使用p-value的人＆amp;没有试图将假设检测拟合到模具中进行PPV筛选措施。

肯定的是，模拟并不区分1型错误和假阳性风险。所以它没有真正帮助人们了解什么＆＃39; s对p reste.tandfonline.com/doi/pdf/10.108...andfpr-calc.ucl.ac.uk

p p ppp p值。通过模拟解释。 （模拟：了解频率统计信息的唯一方法......因为模拟允许频繁重复。）

这么多人（学生，讲师＆amp;从业者）真的没有理解p值。来自@krstoffr的这种互动模拟应该有助于使它更清晰。我喜欢它的特征是p攻击和amp;出版物偏见。 rpsychogroloric.com/pvalue/

伟大的插图！非常及时，我可以在今天的科学课程中使用它，我们讨论卡尼＆＃39; s＆＃39;撤回＆＃39;她的权力姿势纸（用Cuddy），更一般地以及为什么假阳性出现在文献中。

p p ppp p值。 通过模拟解释。 （模拟：了解频率统计信息的唯一方法......因为模拟允许频繁重复。） 惊人的！ 我真的很喜欢它集成了p-hacking（这里可选停止：采样直到达到意义），以说明它如何为膨胀的结果做出贡献，最终出版物偏见。 我可以借此教学♥ 很不错！ 我真的很喜欢它的特征是p-hacking（这里以抽样的形式达到意义），以说明它如何为膨胀的结果做出贡献，最终出版物偏见。