Как рассчитать p-value: пошаговое объяснение для медицинских исследований

В медицинской статистике одним из ключевых показателей, который определяет значимость результатов исследования, является p-value (уровень значимости). Именно это число помогает понять, являются ли полученные различия между группами случайными или статистически обоснованными.

В этой статье мы разберём:

• что такое p-value;
• как его правильно рассчитать;
• какие методы применяются в медицине;
• типичные ошибки при интерпретации.

p-value — это вероятность получить наблюдаемый (или более экстремальный) результат при условии, что нулевая гипотеза (H₀) верна.

• Если p-value меньше заранее заданного уровня значимости (обычно 0,05), то мы говорим, что результат статистически значим.
• Если p-value больше 0,05 — различия могли возникнуть случайно, и у нас нет оснований отвергать H₀.

👉 Пример: В исследовании сравнивают эффективность двух препаратов при лечении гипертонии. Если p-value = 0,01, значит вероятность получить такие различия случайно составляет всего 1%. Мы можем уверенно утверждать, что препараты действительно различаются по эффективности.

1. Ручной расчёт (только для простых случаев)

В основе расчёта лежит выбор статистического критерия:

• t-тест Стьюдента (для сравнения средних двух групп),
• χ²-тест (для категориальных данных),
• ANOVA (для трёх и более групп),
• корреляционный анализ (например, коэффициент Пирсона).

Пример (t-тест):

1. Вычисляем t-статистику по формуле:
2. Определяем число степеней свободы (df).
3. С помощью статистических таблиц или специального ПО находим p-value.

2. Использование Excel

Excel позволяет быстро вычислить p-value через встроенные функции:

• =T.TEST(array1; array2; tails; type) — для t-теста,
• =CHISQ.TEST(actual_range; expected_range) — для χ²-теста.

👉 Пример: сравнение роста пациентов двух групп → вбиваем данные в столбцы, применяем функцию T.TEST и сразу получаем p-value.

3. Использование статистических пакетов

Для медицинских исследований чаще всего применяют:

• SPSS — удобный интерфейс, p-value автоматически выводится в таблицах.
• R — функция t.test(group1, group2) сразу даёт p-value.
• Python (SciPy):

Пример кода:
from scipy import stats

group1 = [120, 125, 130, 128, 132]
group2 = [115, 118, 119, 117, 116]

t_stat, p_value = stats.ttest_ind(group1, group2)
print("p-value =", p_value)

• p < 0,05 → результат статистически значим (различия маловероятны случайно).
• p ≥ 0,05 → статистической значимости нет.
• Чем меньше p-value, тем выше уверенность в том, что результат не случаен.

⚠️ Важно: p-value не показывает силу эффекта и не гарантирует клиническую значимость. Например, при большом размере выборки даже незначительные различия могут дать маленький p-value.

Путаница между «значимостью» и «важностью» результата.

Маленький p-value ≠ клиническая значимость.

Множественные сравнения без коррекции.

Если тестировать десятки гипотез, p-value нужно корректировать (например, методом Бонферрони).

Слепое доверие только p-value.

Нужно дополнительно смотреть на доверительные интервалы, размер эффекта, дизайн исследования.

Расчёт p-value — это фундаментальный инструмент медицинской статистики. Он позволяет оценить достоверность результатов исследования и принять решение об отклонении нулевой гипотезы.

Но важно помнить: p-value — не «истина в последней инстанции», а лишь один из элементов статистического анализа. В медицинских исследованиях его всегда нужно дополнять клиническим контекстом, размерами эффекта и качеством дизайна исследования.