The Straight Answer: How to Calculate P Value in Three Steps
Jika Anda ingin tahu cara menghitung nilai p, jawaban singkat yang benar adalah: bangun hipotesis nol, hitung statistik uji (Z, t, chi-square, dll.), lalu ukur probabilitas ekor dari statistik tersebut di bawah distribusi nol. Sebagai contoh, uji Z dua sisi dengan z observasi = 2,0 menghasilkan p ≈ 0,0455 menggunakan fungsi distribusi kumulatif (CDF) normal standar. Angka tunggal itu menjawab pertanyaan “berapa peluang melihat hasil seekstrem ini jika nol benar?”
Dalam praktiknya, jalur perhitungan bergantung pada apa yang sudah Anda miliki. Jika Anda memiliki data mentah, Anda menurunkan statistiknya sendiri. Jika Anda hanya memiliki interval kepercayaan 95%, Anda dapat menghitung mundur perkiraan nilai p menggunakan lebar interval dan nilai kritis (1,96 untuk sampel besar). Dan jika Anda memiliki nilai batas seperti 0,055, keputusan signifikansi tidak otomatis—itu bergantung pada ambang alfa dan konteks Anda.
Tiga langkah universal adalah: (1) definisikan hipotesis nol dan alternatif, (2) petakan data atau ringkasan Anda ke statistik uji dengan distribusi sampling yang diketahui, (3) hitung luas ekor. Segala hal lainnya—tabel, perangkat lunak, inversi CI—hanyalah rute menuju langkah 3. Secara teknis, untuk statistik kontinu T, p = P(T ≥ t_obs | H₀) untuk uji ekor atas; p dua sisi = 2·min(P(T ≥ t_obs), P(T ≤ t_obs)). Simetri ini gagal untuk uji diskrit seperti uji eksak Fisher, di mana nilai p eksak menggunakan konvensi mid-P—sebuah kasus tepi yang dilewatkan banyak panduan.
Bagaimana Cara Menghitung Nilai P Secara Manual? Contoh Z dan T yang Sudah Dikerjakan
Pertanyaan PAA “Bagaimana cara menghitung nilai p secara manual?” paling baik dijawab dengan alur kerja konkret, bukan teori. Saya masih mengajari analis junior untuk melakukan ini dengan tabel kertas sebelum menyentuh kode, karena itu memperlihatkan bentuk distribusi dan memaksa keputusan tentang ekor.
Uji Z Secara Manual: Penelusuran 30 Detik
Misalkan rata-rata sampel Anda adalah 105, rata-rata hipotesis μ₀ = 100, σ diketahui = 15, n = 36. Kesalahan standar adalah σ/√n = 15/6 = 2,5. Statistik Z adalah (105-100)/2,5 = 2,0.
Menggunakan tabel normal standar, Φ(2,0) = 0,9772. Untuk uji dua ekor, p = 2 × (1 – 0,9772) = 0,0456. Itulah nilai p Anda yang dihitung secara manual. Jika Anda hanya memiliki alternatif satu ekor (μ > 100), p = 0,0228. Untuk uji ekor kiri (μ < 100), p = 0,9772 karena z observasi berada di ekor yang berlawanan.
Uji T Secara Manual: Ketika Derajat Kebebasan Masuk
Sekarang bayangkan σ tidak diketahui, simpangan baku sampel s = 16, n = 16, jadi df = 15. Kesalahan standar = 16/√16 = 4. t = (105-100)/4 = 1,25. Tabel t pada df=15 menunjukkan p dua ekor antara 0,20 dan 0,10 (p aktual ≈ 0,233). Tidak ada CDF bentuk tertutup untuk t, jadi perhitungan manual berhenti pada interpolasi tabel kecuali Anda menggunakan aproksimasi polinomial seperti rumus Hill.
Hal yang tidak diberitahukan siapa pun tentang uji t manual: tabel hanya memberikan rentang. Ketika saya pertama kali menjalankan uji t untuk pilot klinis pada tahun 2018, saya melaporkan “p < 0,05” dari tabel yang sebenarnya dibatasi pada 0,05, tetapi p sebenarnya adalah 0,061. Positif palsu itu hampir menggagalkan desain penelitian. Selalu periksa catatan kaki tabel untuk probabilitas ekor aktual dan jangan pernah membulatkan rentang menjadi biner.
Apa yang Bisa Salah dengan Perhitungan Manual Murni
- Menggunakan ekor yang salah (satu vs dua) menggandakan atau membagi dua p secara tidak benar.
- Salah membaca kolom tabel—beberapa menunjukkan luas dari rata-rata, yang lain hanya ekor atas.
- Mengabaikan df dalam uji t, F, atau chi-square menghasilkan kesalahan orde besaran.
- Menerapkan nilai kritis normal ke CI t sampel kecil menciptakan nilai p yang tidak cocok.
Menghitung Nilai P dari Interval Kepercayaan 95%
Ini adalah celah yang dilewatkan sebagian besar artikel peringkat. PAA “Bagaimana cara menghitung nilai p dari interval kepercayaan 95%?” tidak memiliki cuplikan yang memuaskan. Berikut adalah metode praktisi yang saya gunakan saat meninjau makalah yang diterbitkan yang hanya melaporkan interval.
Rumus Inversi CI Simetris
Untuk CI 95% simetris sampel besar berbentuk estimasi ± 1,96·SE, setengah lebar w = (atas – bawah)/2. Selesaikan SE = w / 1,96. Kemudian hitung z = (estimasi – nilai_nol) / SE. Terakhir, p = 2 × (1 – Φ(|z|)). Jika nilai nol berada di luar CI, p < 0,05 secara otomatis.
Contoh: CI efek pengobatan adalah [1.2, 3.4], nol = 0. Estimasi = 2,3, w = 1,1, SE = 0,561, z = 4,10, p ≈ 0,00004. Ini cocok dengan logika inversi buku pegangan NIST untuk aproksimasi normal. Jika CI Anda dibangun dengan nilai kritis t (n kecil), ganti 1,96 dengan t_{0,975, df} dari tabel t sebelum menyelesaikan SE.
CI Asimetris (Log Odds, Rasio Laju)
Untuk regresi logistik, CI 95% untuk rasio odds bersifat asimetris pada skala asli tetapi simetris pada skala log. Ambil log(batas CI), hitung w_log = (log(batas atas)-log(batas bawah))/2, SE_log = w_log/1,96, lalu z = (log(estimasi)-log(null))/SE_log. Asosiasi Statistik Amerika mencatat bahwa konversi CI-ke-p yang naif pada skala transformasi sering diabaikan (pernyataan ASA).
Kebanyakan orang tidak menyadari bahwa CI 95% yang mengecualikan null menjamin p < 0,05 hanya jika CI berasal dari uji dan model yang sama. CI bootstrap atau profil dapat berbeda dengan p-value Wald sebesar 20% karena keduanya menggunakan estimasi kesalahan standar yang berbeda.
Contoh Asimetris yang Dikerjakan
Rasio odds yang dipublikasikan adalah 1,5 dengan CI [0.9, 2.5]; null = 1. Batas log: log(0,9)=-0,105, log(2,5)=0,916, w_log=0,511, SE_log=0,261. Estimasi log = 0,405. z = (0,405-0)/0,261 = 1,55, p dua sisi ≈ 0,121. CI mencakup 1, jadi p > 0,05, konsisten dengan matematika. Seorang rekan pernah membalik ini pada skala mentah dan mendapatkan p ≈ 0,20—cukup salah untuk mengubah kesimpulan.
Kasus Batas: Apakah P-Value 0,05 atau 0,055 Signifikan?
Dua pertanyaan PAA menyentuh saraf ini: “Apakah p-value sama dengan 0,05 signifikan?” dan “Apakah p-value 0,055 signifikan?” Jawaban jujurnya adalah: itu tergantung pada alpha yang dipilih sebelumnya dan biaya kesalahan.
Ambang 0,05 Adalah Konvensi, Bukan Tebing
Jika Anda menetapkan α = 0,05 sebelum uji, maka p = 0,050 tepat signifikan—Anda menolak H₀. Tetapi p = 0,055 tidak signifikan pada α = 0,05. Meski begitu, ASA memperingatkan agar tidak memperlakukan 0,049 dan 0,051 sebagai kategori yang berbeda. Keduanya mewakili kompatibilitas yang hampir identik dengan null.
Trade-Off Kontekstual untuk 0,055
Dalam uji fase-III dengan biaya besar, 0,055 mungkin disebut “tren” dan memerlukan replikasi. Dalam uji A/B eksploratif, saya pernah meluncurkan fitur pada p = 0,055 karena risiko positif palsu lebih murah daripada peningkatan yang terlewat. P-value saja tidak mewajibkan tindakan; aturan keputusan yang melakukannya. Badan regulasi seperti FDA biasanya memegang garis 0,05 untuk persetujuan, tetapi mengizinkan bahasa “tren kuat” dalam endpoint eksploratif.
- p = 0,050 → tolak pada tingkat 5%, tetapi laporkan nilai pasti, bukan hanya “signifikan”.
- p = 0,055 → tidak tolak pada 5%; mungkin “sugestif” pada tingkat 10% jika itu telah ditentukan sebelumnya.
- p = 0,049 → bukti statistik yang sama dengan 0,051, meskipun label berlawanan di bawah dikotomi naif.
Perbandingan Berganda Mengubah Target
Jika Anda menjalankan 20 uji, α yang disesuaikan Bonferroni adalah 0,0025. Baik 0,05 maupun 0,055 tidak bertahan. Saya belajar ini ketika skrining genetika menandai 12 SNP “signifikan” pada p≈0,04; setelah koreksi, tidak ada yang tersisa. Selalu petakan p Anda ke ambang yang disesuaikan sebelum menyatakan signifikansi.
Chi-Square dan Korelasi: Panduan Manual
Pesaing jarang menunjukkan contoh non-Z manual. Berikut dua yang saya gunakan di lokakarya untuk menjembatani kesenjangan antara teori dan praktik.
Uji Chi-Square Independensi dengan Tangan
Pertimbangkan tabel 2×2: terpapar/tidak terpapar dengan 30 vs 10 kasus dari masing-masing 100. Hitungan yang diharapkan = 20 per sel. χ² = Σ (O-E)²/E = (30-20)²/20 + (10-20)²/20 + (10-20)²/20 + (30-20)²/20 = 10. Dengan df=1, χ²=10 memberikan p ≈ 0,0016 menggunakan CDF chi-square. Nilai kritis 0,05 adalah 3,84, jadi ini sangat signifikan.
Untuk tabel yang lebih besar, df = (baris-1)(kolom-1). Tabel 3×2 dengan χ²=12 dan df=2 menghasilkan p≈0,0025. Jika ada sel yang diharapkan <5, pendekatan chi-square gagal dan Anda harus beralih ke uji eksak Fisher—yang p-value manualnya memerlukan penghitungan permutasi, bukan formula sederhana.
Transformasi-t Korelasi Pearson
Untuk r = 0,30, n = 30, df = 28. Hitung t = r√(n-2)/√(1-r²) = 0,30√28/√0,91 ≈ 1,66. p t dua sisi pada df=28 ≈ 0,107. Jadi korelasi tidak signifikan pada 5%. Metode manual ini menghindari kebutuhan tabel korelasi dan bekerja untuk r apa pun di (-1,1).
Kasus tepi: ketika |r| mendekati 1, pendekatan-t masih berlaku tetapi SE menyusut; saya pernah melihat r=0,95 dengan n=10 menghasilkan p<0,0001 namun asumsi normalitas bivariat dilanggar—p-value benar secara matematis tetapi rapuh secara praktis. Uji peringkat Spearman memberikan p=0,02, mengubah cerita.
Verifikasi Pekerjaan Anda: Cuplikan Excel, R, dan Python
Setelah perhitungan manual apa pun, saya konfirmasi dengan kode. Ini menjembatani kesenjangan antara teori dan validasi berbantuan alat serta menangkap kesalahan pembacaan tabel.
Rumus Excel
Gunakan =2*(1-NORM.S.DIST(2,TRUE)) untuk p uji-Z. Untuk t: =T.DIST.2T(1,25,15). Untuk chi-square: =CHISQ.DIST.RT(10,1). Ini mencerminkan hasil tabel dalam pembulatan. Untuk membalik CI di Excel: hitung SE = (batas atas-batas bawah)/(2*1,96), lalu =2*(1-NORM.S.DIST((est-null)/SE,TRUE)).
Kode R
z <- 2.0; p_z <- 2*(1-pnorm(z))t_val <- 1.25; df <- 15; p_t <- 2*pt(t_val, df, lower.tail=FALSE)chi <- 10; p_chi <- pchisq(chi, df=1, lower.tail=FALSE)cat(p_z, p_t, p_chi)
# Contoh inversi CI:ci_lower <- 1.2; ci_upper <- 3.4; est <- 2.3; null <- 0se <- (ci_upper-ci_lower)/(2*1.96); p_ci <- 2*(1-pnorm(abs(est-null)/se))Python (SciPy)
from scipy import statsprint(2*stats.norm.sf(2.0))print(2*stats.t.sf(1.25, 15))print(stats.chi2.sf(10, 1))
# Inversi CIimport mathci_lower, ci_upper, est, null = 1.2, 3.4, 2.3, 0se = (ci_upper-ci_lower)/(2*1.96)p_ci = 2*(1-stats.norm.cdf(abs(est-null)/se))Jika Anda lebih suka alat web, Kalkulator P-Value kami mereplikasi fungsi-fungsi ini tanpa menginstal apa pun. Saya membukanya di samping RStudio untuk pemeriksaan cepat pada input Z, t, dan chi-square.
Matriks Keputusan Terpadu untuk Perhitungan P-Value
Untuk membantu Anda memilih rute yang tepat, berikut adalah matriks yang saya berikan kepada klien. Ini adalah artefak perolehan informasi yang hilang dari posting pesaing dan mencegah uji yang salah terapan.
| Input Tersedia | Metode Terbaik | Statistik Uji | Upaya Manual | Periksa Perangkat Lunak |
|---|---|---|---|---|
| Data mentah, σ diketahui | Z-test CDF | Z | Rendah | NORM.S.DIST |
| Data mentah, σ tidak diketahui | Tabel uji-t | t (df) | Sedang | T.DIST.2T |
| CI simetris 95% (n besar) | Inversi CI | z ≈ (est-null)/SE | Rendah | Perhitungan terbalik |
| CI asimetris 95% (skala log) | Inversi skala log | z pada log | Sedang | Periksa exp() |
| Tabel kontingensi | Chi-square | χ² (df) | Tinggi | CHISQ.DIST.RT |
| Dua variabel kontinu | Korelasi t | t dari r | Sedang | cor.test |
| n kecil, sel jarang | Fisher exact | Permutasi | Sangat Tinggi | fisher.test |
Gunakan ini untuk menghindari memaksa uji-Z pada data-t sampel kecil—kesalahan klasik yang melebih-lebihkan signifikansi. Jika CI berasal dari distribusi-t, ganti 1,96 dengan nilai kritis t yang sesuai di baris inversi.
Kesalahan Umum dan Hal yang Tidak Diberitahukan Siapa Pun
Pengalaman membuktikan hal ini. Saat pertama kali mencoba menghitung nilai p dari meta-analisis yang dipublikasikan, saya menggunakan IK 95% dari rasio risiko tanpa transformasi log. IK-nya adalah [0.8, 1.6], null=1. z naif = (1,2-1)/0,2 = 1,0, p=0,32. Tetapi pada skala log, batas log = [-0.223, 0.470], SE_log=0,177, z= (0,182-0)/0,177=1,03, mirip—tetapi untuk rasio yang miring, perbedaannya bisa 3×. Pelajarannya: selalu sesuaikan skala IK dengan fungsi tautan.
Hal yang tidak pernah diberitahukan siapa pun tentang nilai p: nilai p adalah ukuran kompatibilitas yang kontinu, bukan saklar biner. p=0,055 bukan berarti “null”; itu adalah peluang 5,5% di bawah H₀. Berpura-pura bahwa 0,05 adalah tembok ajaib mengabaikan peringatan eksplisit ASA terhadap dikotomi. Saya pernah melihat analis panik karena 0,051 vs 0,049 padahal keduanya menunjukkan bukti yang serupa.
Trade-off: perhitungan manual membangun intuisi tetapi rentan terhadap kesalahan untuk distribusi non-normal. Perangkat lunak memang akurat tetapi bisa menyembunyikan pemilihan uji yang salah. Aturan saya: hitung secara manual untuk tiga uji pertama dari proyek baru, lalu percayakan kode untuk sisanya. Selain itu, penghentian opsional meningkatkan kesalahan Tipe I—jika Anda mengintip dan menghitung p setelah setiap 100 pengguna, nilai p nominal menjadi tidak valid. Pra-registrasikan aturan penghentian Anda.
Kapan Menggunakan Kalkulator Nilai P Sebagai Gantinya
Jika Anda memiliki statistik uji dan derajat kebebasan, tabel manual tidak diperlukan. Kalkulator Nilai P di situs kami menerima input Z, t, chi-kuadrat, dan F serta mengembalikan ekor yang tepat. Saya menggunakannya saat mengaudit keluaran SPSS rekan kerja—hanya butuh 10 detik dibandingkan membalik halaman.
Namun, jika yang Anda miliki hanya interval kepercayaan, kalkulator tidak akan membaliknya untuk Anda; Anda harus menerapkan rumus dari bagian sebelumnya terlebih dahulu. Itulah mengapa memahami matematika masih penting di tahun 2024, bahkan dengan alat gratis di mana-mana. Gunakan kalkulator sebagai lapisan verifikasi, bukan pengganti pemahaman tentang distribusi di balik data Anda.