Je réalise que c'est pédant et banal, mais en tant que chercheur dans un domaine autre que la statistique, avec une éducation formelle limitée en statistique, je me demande toujours si j'écris correctement "p-value". Plus précisément:
- Le "p" est-il censé être capitalisé?
- Le "p" est-il supposé être en italique? (Ou en caractères mathématiques, dans TeX?)
- Est-ce qu'il y a un trait d'union entre "p" et "valeur"?
- Sinon, n’existe-t-il pas une "bonne" manière d’écrire "p-value", et tout dolt comprendra ce que je veux dire si je place juste "p" à côté de "value" dans une certaine permutation de ces options?
hypothesis-testing
p-value
terminology
Gotgenes
la source
la source
Réponses:
Il ne semble pas y avoir de "normes". Par exemple:
Mon bref sondage non scientifique suggère que la combinaison la plus courante est une lettre p en minuscule et en italique sans trait d'union.
la source
Cela semble être un problème de style avec différentes revues et éditeurs adoptant différentes conventions (ou autorisant une confusion dans les styles en fonction des préférences des auteurs). Ma propre préférence, pour ce que cela vaut, est p-value, avec un trait d'union sans italique ni majuscule.
la source
Le style ASA Maison semble recommander le p italiques avec trait d' union: p -value. Une recherche google scholar montre des orthographes variées .
la source
La valeur P du point de vue théorique est une réalisation de variable aléatoire. Il existe un certain standard (en probabilité) pour utiliser des majuscules pour les variables aléatoires et des minuscules pour les réalisations. Dans les en-têtes de tableau, nous devrions utiliser P (peut-être en italique ), dans le texte avec sa valeur p = 0,0012 et dans un texte décrivant, par exemple, la méthodologie p-value.
la source
Omettre le trait d'union peut parfois changer le sens des phrases ou du moins, elles peuvent devenir ambiguës. Cela peut se produire en particulier dans les articles décrivant des tests statistiques ou introduisant des algorithmes pour évaluer les valeurs p, mais on peut aussi décrire des méthodes n’ayant rien à voir avec des statistiques, tout en calculant les valeurs p à partir de t tests (mais pas les valeurs p à l’aide de statistiques). tests t). Dans ce type de contexte, les traits d'union seraient vraiment nécessaires, même si les auteurs essayent généralement d'éviter les notations qui pourraient facilement être confondues.
Exemple (avec un mauvais choix de notations): Nous aimerions trouver un ensemble de modèles d'association forts et évaluer la probabilité que le résultat se soit produit par hasard. Dans la première phase, nous recherchons les z meilleurs modèles avec un score de qualité. Donc, après la phase de recherche, nous aurons des scores z (mais les scores z). Ensuite, nous évaluons les meilleurs modèles avec un test de randomisation. Nous générons t ensembles de données aléatoires et évaluons le score du z: meilleur motif de chaque ensemble de données. Nous effectuons donc des tests t (mais pas les tests t) et générons le score du meilleur motif z: th. Nous découvrons que les valeurs p (mais pas les valeurs p) de toutes les valeurs de score t sont meilleures que celles du z: th meilleur motif. Par conséquent, nous pourrions estimer que p / t est la probabilité d’obtenir de z si bons modèles par hasard.
la source