p值计算器怎么算 z、t、卡方和 F 统计量对应的 p 值？

p 值是「假定原假设成立时，出现当前这么极端甚至更极端结果的概率」，也就是统计量在对应分布上的尾部面积，四种分布的公式分别是：z 用标准正态分布，右侧 p = 1 − Φ(z)，双侧 p = 2·(1 − Φ(|z|))；t 用自由度为 df 的 t 分布，双侧 p = P(|T| > |t|) = I_{df/(df+t²)}(df/2, 1/2)（正则化不完全贝塔函数）；χ² 用自由度为 df 的卡方分布，p = P(χ² > 统计量) = Q(df/2, 统计量/2)（正则化上不完全伽马函数）；F 用 F(df₁, df₂) 分布，p = P(F > 统计量) = I_{df₂/(df₂+df₁·F)}(df₂/2, df₁/2)。举例：z = 2.5 的双侧 p = 0.012419；t = 2.35、df = 18 的双侧 p = 0.03038；χ² = 5.333333、df = 1 的 p = 0.020921；F = 4.26、df = (3, 24) 的 p = 0.015119。本页用分布函数直接计算，不必手工查界值表。

p值小于多少算统计显著？p = 0.05 和 p = 0.01 有什么区别？

判定规则只有一条：p < α 就拒绝原假设，α 是你在做实验之前自己设定的显著性水平。学术论文与行业报告通行 α = 0.05，医学、药品、质量控制等代价更高的场景常用 α = 0.01，探索性研究有时放宽到 0.10。所以「p 小于多少算显著」取决于你选的 α，而不是有一个万能门槛：p = 0.03 在 α = 0.05 下显著，在 α = 0.01 下就不显著。报告惯例是用星号分档：p < 0.05 记 *，p < 0.01 记 **，p < 0.001 记 ***，0.05 ≤ p < 0.1 常写作「边缘显著」，只能作为倾向性描述。α 越小越不容易犯「假阳性」（第一类错误），但同时更容易漏掉真实差异（第二类错误），做多次比较时还要用 Bonferroni 等方法把 α 除以比较次数。

p值计算时单侧和双侧怎么选，两种 p 值能互相换算吗？

看备择假设的方向，而且必须在看数据之前定：只问「有没有差异」（μ ≠ μ₀）用双侧，这是默认口径；事先只关心一个方向、反方向的结果对决策毫无意义（新工艺是不是更快、次品率是不是更低）才用单侧。对 z 和 t 这类关于 0 对称的分布，两者可以直接换算：统计量方向与备择假设一致时，单侧 p = 双侧 p ÷ 2；方向相反时单侧 p = 1 − 双侧 p ÷ 2，会非常接近 1。例如 t = 2.35、df = 18：双侧 p = 0.03038，右侧 p = 0.01519，左侧 p = 0.98481。正因为单侧 p 只有一半，看完数据发现差一点不显著就改成单侧属于典型的「p-hacking」，审稿人和统计审计都会追查。卡方与 F 分布不对称，它们的「双侧」按惯例取两倍的较小尾部，且常规检验本身就只用右侧。

p值大于 0.05 是什么意思，p = 0.06 能说明两组没有差异吗？

不是。p ≥ α 只能说明「现有数据不足以拒绝原假设」，不能证明原假设成立——这是最常见的误读，也是美国统计学会（ASA）2016 年 p 值声明中专门点名的问题。p 值同时受效应大小和样本量影响：真实差异很小但样本量巨大时 p 会很小，真实差异不小但样本量太少时 p 也可能大于 0.05。所以看到 p = 0.06 正确的表述是「未观察到统计学显著差异」，同时应报告效应量（Cohen's d、Cramér's V、相关系数）和置信区间：如果 95% 置信区间很宽且包含 0，说明只是证据不足；如果区间很窄且贴近 0，才有底气说「差异即使存在也小到没有实际意义」。想真正论证「无差异」需要用等效性检验（TOST）而不是普通显著性检验。

p值与显著性水平 α、临界值是什么关系，为什么判定结论相同？

两者是同一件事的两种表述。临界值法：先由 α 和自由度反查界值表得到临界值，再看统计量有没有超过它；p 值法：先由统计量算出尾部概率 p，再和 α 比大小。因为尾部概率随统计量单调变化，「统计量超过临界值」与「p 3.841459，对应 p = 0.020921 < 0.05，两种方法都拒绝原假设。差别在信息量：临界值只给「过线 / 没过线」，p 值还告诉你过线多少——p = 0.049 与 p = 0.0001 同样「显著」，证据强度却相差几百倍，所以现代期刊要求直接报告精确 p 值（小于 0.001 时写 p < 0.001）而不是只写「p < 0.05」。本页两种口径同时给出，可以互相验证。

SPSS 的 Sig. 是 p 值吗，为什么和 p值计算器、Excel 或 R 对不上？

SPSS 输出表里的「Sig.」「Sig.(双尾)」就是 p 值，只是命名不同。结果对不上通常出在四处：① 单双侧口径——SPSS 的 t 检验默认输出双尾 Sig.，若你要单侧需自己除以 2，而 Excel 的 T.DIST 系列要显式选 1 或 2 尾；② 自由度——两独立样本 t 检验中「假设方差相等」与 Welch 校正（SPSS 输出的第二行）自由度不同，p 自然不同；③ 检验方法——四格表是否做了连续性校正、方差分析用的是哪种平方和分解，都会改变统计量；④ 有效数字——SPSS 默认只显示 3 位小数，极小的 p 会显示成 .000，此时应写「p < 0.001」而不是 p = 0。对应关系可以这样记：Excel 的 NORM.S.DIST(z, TRUE) 对应本页左尾，CHISQ.DIST.RT、F.DIST.RT、T.DIST.RT 对应右尾，T.DIST.2T 对应双侧；R 里则是 pnorm、pt、pchisq、pf 加 lower.tail 参数。对齐这四点后，本页与它们的结果应在展示的 6 位小数内一致。

p值计算结果显示 0 或 5.73303e-7 是什么意思，论文里怎么写？

p 值小于 0.0001 时本页自动切换成有效数字（科学计数法）显示，例如 z = 5 的双侧 p = 5.73303e-7，即 0.000000573303，表示约每 174 万次抽样才会碰到一次这么极端的结果。统计量再极端时（如 |z| > 38），真实 p 已小于双精度浮点能表示的最小正数（约 1e-323），本页会显示 0 并标注「小于双精度可表示的最小值」，这是数值表示的下限，不是真的等于 0。写进论文时按期刊惯例：小于 0.001 一律写「p < 0.001」，不要写 p = 0.000 或 p = 0；物理、天文等领域则习惯换算成 σ 数报告（本页给出等效 σ 数：3σ 对应双侧 p ≈ 0.0027，5σ 对应 p ≈ 5.7e-7）。极小的 p 只说明「与原假设不符的证据非常强」，并不代表效应很大，仍需配合效应量与置信区间。

p值计算器支持哪些统计检验，只有统计量没有原始数据能用吗？

正是为「只有统计量」的场景设计的：只要你已经拿到 z、t、χ² 或 F 值和相应自由度（教材例题、SPSS/Stata 输出、论文里别人报告的统计量），填进去就能得到 p 值与临界值，不必查界值表，也不需要原始数据。覆盖的常见检验包括 z 检验（大样本均值 / 比例、A/B 转化率）、各类 t 检验（单样本、配对、两独立样本、Welch 校正、回归系数）、卡方检验（独立性、齐性、拟合优度、单总体方差）与 F 检验（单因素及多因素方差分析、回归方程整体显著性、方差齐性）。如果手里是原始数据而非统计量，请改用本站的 t检验计算器、卡方检验计算器或标准分计算器，它们会先算统计量再给 p 值。支持范围：t 的自由度可到 1e15 且允许 Welch 的小数自由度，χ² 与 F 的自由度上限为 1000000，显著性水平 α 取值 1e-14 ~ 0.5；所有计算在浏览器本地完成，不上传数据。

p值计算器

在线 p 值计算器支持 z、t、卡方 χ² 与 F 统计量：输入统计量和自由度，即可计算单侧或双侧 p 值、左右尾概率与临界值，并按显著性水平 α 判断是否拒绝原假设。

统计量类型

大样本均值 / 比例检验、A/B 转化率检验、标准分。总体标准差已知或样本量足够大（一般 n ≥ 30）时用 z，不需要自由度。

z 统计量

可以填负数，符号只表示方向；双侧 p 值只看绝对值。SPSS 输出里的 t 值、Excel 里算出的 z 值都可以直接粘贴。

尾侧（备择假设方向）

只问「有没有差异」用双侧（最常用，论文默认）；事先就只关心「是不是更高」用右侧、「是不是更低」用左侧。方向必须在看数据之前定好，看完数据再改会让 p 值失去意义。

显著性水平 α

α 只决定判定线和临界值，不改变 p 值本身。0.05 是论文与报告的通行口径，医学、质量控制常用 0.01，多重比较时还要把 α 除以比较次数。

标准正态分布 z·双侧检验（无自由度参数）

p = 0.012419

p < α = 0.05，拒绝原假设 H₀：在该显著性水平下，结果具有统计学意义。（拒绝域：统计量 < -1.959964 或 > 1.959964；显著性标记 *·显著）

p 值的含义是「假定原假设成立时，重复抽样得到当前这么极端甚至更极端结果的概率」，约相当于每 80.519637 次抽样才会碰上一次。它不是「原假设为真的概率」，也不是效应大小——差异是否重要还要看效应量与置信区间。

p 值（双侧）0.012419

统计量2.5

左尾 P(X ≤ 统计量)0.99379

右尾 P(X ≥ 统计量)0.00621

双侧 p 值0.012419

临界值 ±1.959964

判定（α = 0.05）显著，拒绝 H₀

置信水平 1 − α95%

等效 σ 数2.5 σ

论文里可写作「z = 2.5，p = 0.012419」。习惯上 p < 0.05 记 *、p < 0.01 记 **、p < 0.001 记 ***，本次为 *；该标记只是报告惯例，正式结论仍以你事先设定的 α 为准。

怎么用

先确认手里的统计量是哪一种：看你做的是什么检验：均值大样本或比例检验得到的是 z；单样本 / 配对 / 两独立样本 t 检验、回归系数得到的是 t；四格表、列联表、拟合优度得到的是 χ²；方差分析（ANOVA）、回归方程整体检验、方差齐性检验得到的是 F。SPSS 输出表里的「t」「χ²」「F」那一列就是统计量，Excel 用 T.TEST、CHISQ.TEST 只给 p 不给统计量，用 R 的 t.test()、chisq.test()、aov() 则两个都有。选错分布会得到完全不同的 p 值。
填自由度：z 不用填，t 和 χ² 填一个，F 填两个：z 分布不依赖样本量，没有自由度。t 检验：单样本与配对 df = n − 1，两独立样本（假设方差齐）df = n₁ + n₂ − 2，Welch 校正给出的小数自由度（如 17.34）可以直接填。χ²：列联表 df = (行数 − 1) × (列数 − 1)，四格表恒为 1，拟合优度 df = 类别数 − 1 − 估计参数个数。F 要填两个：分子自由度 df₁ = 组数 − 1（回归里是自变量个数 k），分母自由度 df₂ = n − 组数（回归里是 n − k − 1），顺序写反会算错。
选尾侧：默认双侧，事先定好方向才用单侧：只问「有没有差异 / 有没有关系」用双侧，这是论文与报告的默认口径；事先就只关心一个方向（新方案是不是更高、废品率是不是更低）才用右侧或左侧，同样的统计量单侧 p 恰好是双侧的一半，更容易显著，所以方向必须在看数据之前定好。卡方检验与方差分析按惯例只看右侧：任何方向的偏离都会让 χ² 和 F 变大，左侧只在检验「方差是不是变小了」这类场景才用。
设定显著性水平 α，读判定与临界值：α 是你愿意承担的「原假设为真却被拒绝」的错误概率，常用 0.05，医学与质量控制常用 0.01；做了多次比较还要把 α 除以比较次数（Bonferroni 校正）。结果区直接给出判定：p < α 就拒绝原假设，等价于统计量落进拒绝域（超过临界值）。α 只移动判定线，不改变 p 值本身。
读结果：p 值、左右尾、临界值与星号：顶部是按你选的尾侧算出的 p 值与结论；下方同时给出左尾 P(X ≤ 统计量)、右尾 P(X ≥ 统计量) 和双侧 p，方便和别人的口径对齐——发现自己的 p 恰好是别人的两倍或一半，多半就是单双侧的差别。临界值可直接对照教材的界值表；星号按 * / ** / *** 分档，是报告惯例而非判定依据。p 小到 1e-300 量级也会以有效数字显示，不会塌陷成 0。

核心要点

p 值表示：在原假设成立的前提下，观察到当前结果或更极端结果的概率，也就是统计量在对应分布上的尾部面积。用 p值计算器得到结果后，将它与事先设定的显著性水平比较：p < α 时拒绝原假设。

四种统计量各走各的分布：z 走标准正态，t 走自由度 df 的 t 分布， χ² 走自由度 df 的卡方分布，F 走 F(df₁, df₂)。选错分布或填错自由度， p 值会完全不同。
单侧恰好是双侧的一半（z / t 等对称分布）：t = 2.35、df = 18 → 双侧 p = 0.03038，右侧 p = 0.01519。方向要在看数据之前定好。
典型算例：z = 2.5 双侧 p = 0.012419；χ² = 5.333333、df = 1 → p = 0.020921；F = 4.26、df = (3, 24) → p = 0.015119。
p 值不是「原假设为真的概率」，也不是效应大小；p ≥ 0.05 只说明证据不足，不等于「没有差异」。
与临界值法等价：α = 0.05、df = 1 的卡方临界值 3.841459，统计量超过它 ⟺ p < 0.05。所有计算在浏览器本地完成，不上传数据。

原理与公式

假设检验的流程是：先立原假设 H₀（通常是「没有差异 / 没有关系」）与备择假设 H₁，再从数据算出一个统计量，最后问一句「如果 H₀ 是真的，单凭抽样波动能不能碰巧出现这么极端的统计量？」这个概率就是 p 值。 p 越小，说明观测结果与 H₀ 越不相容，当它小于事先设定的显著性水平 α 时，就拒绝 H₀。注意 p 值是在 H₀ 成立的前提下算出来的条件概率，它回答不了「H₀ 有多大概率为真」——那需要贝叶斯方法。

四种统计量的尾概率公式

z（标准正态，无自由度）：
右侧 p = P(Z ≥ z) = 1 − Φ(z)，左侧 p = Φ(z)，双侧 p = 2·(1 − Φ(|z|))
t（自由度 df）：
双侧 p = P(|T| > |t|) = I_[df/(df+t²)](df/2, 1/2)，单侧取其一半（方向一致时）
χ²（自由度 df）：
p = P(χ² ≥ 统计量) = Q(df/2, 统计量/2)（正则化上不完全伽马函数）
F（自由度 df₁, df₂）：
p = P(F ≥ 统计量) = I_[df₂/(df₂+df₁·F)](df₂/2, df₁/2)
其中 Φ 是标准正态分布函数，I_x(a, b) 是正则化不完全贝塔函数。四个分布之间还有两条常用关系：z² 服从 χ²(1)，t² 服从 F(1, df)——所以 z 的双侧 p 恰好等于 χ²(1) 的右侧 p，这也是四格表卡方与两比例 z 检验结论一致的原因。

计算示例一：t 检验（新培训是否提高成绩）

实验班与对照班各 10 人，做两独立样本 t 检验（假设方差齐），算得 t = 2.35，df = n₁ + n₂ − 2 = 18，α = 0.05：
双侧 p = 0.03038 < 0.05 → 拒绝「培训无效」，差异显著
临界值 t(0.975, 18) = ±2.100922，2.35 > 2.100922，与 p 值结论一致
若事先就只关心「是否提高」，取右侧：p = 0.01519，恰为双侧的一半；反方向的左侧 p = 0.98481。
换成 α = 0.01 则临界值升到 ±2.878440，p = 0.03038 > 0.01 → 同一份数据不再显著，可见 α 只移动判定线。

计算示例二：卡方与 F

四格表：A 方案 200 人中 60 人下单、B 方案 200 人中 40 人下单，χ² = 5.333333，df = (2−1)(2−1) = 1
p = 0.020921 < 0.05，χ²(0.95, 1) = 3.841459 → 两方案下单率有显著差异
方差分析：4 组共 28 个观测，df₁ = 4 − 1 = 3、df₂ = 28 − 4 = 24，算得 F = 4.26
p = 0.015119 < 0.05，F(0.95, 3, 24) = 3.008787 → 至少有两组均值不同（具体哪两组要做事后多重比较，并校正 α）
两者都只看右侧：任何方向的偏离都会让 χ² 与 F 变大，左侧仅用于「方差是不是变小了」这类特殊检验，此时 F 分布不对称，左侧临界值 = 1 / F(1−α; df₂, df₁)，不是右侧临界值的相反数。

常用临界值速查（α = 0.05）

z：双侧 ±1.959964，单侧 1.644854（α = 0.01 时为 ±2.575829）
t 双侧：df = 5 → 2.570582，df = 10 → 2.228139，df = 20 → 2.085963，df = 30 → 2.042272，df = 120 → 1.979930（df 越大越接近 1.96）
χ² 右侧：df = 1 → 3.841459，df = 2 → 5.991465，df = 3 → 7.814728，df = 4 → 9.487729，df = 5 → 11.070498，df = 10 → 18.307038
F 右侧：(1, 10) → 4.964603，(2, 20) → 3.492828，(3, 24) → 3.008787，(4, 30) → 2.689628

怎样正确解读 p 值

p 值只回答「数据与原假设有多不相容」，四件事它回答不了： ① 不是「原假设为真的概率」，也不是「结论出错的概率」； ② 不衡量效应大小——样本量足够大时，毫无实际意义的微小差异也能算出 p < 0.001； ③ p ≥ α 不能证明「无差异」，只能说证据不足，真要论证等效需用等效性检验（TOST）； ④ 反复更换检验方法、分组或反复看数据直到 p < 0.05（p-hacking）会让 p 值失去意义。规范做法是：检验方向与 α 在看数据前定好，结果同时报告效应量（Cohen’s d、Cramér’s V 等）与置信区间，多重比较时校正 α（如 Bonferroni：把 α 除以比较次数）。

精度与支持范围

统计量与自由度以高精度十进制解析，用户输入的数字不经浮点转换即参与计算，规避原生浮点误差（0.1 + 0.2 = 0.3）。尾概率由分布函数直接求出：正态用互补误差函数、t 与 F 用正则化不完全贝塔函数（连续分数）、 χ² 用正则化不完全伽马函数（小于中心处用级数、大于中心处用连续分数），每一侧尾部都从该侧本身求值而非用 1 − 另一侧相减，因此 1e-24 乃至 1e-300 量级的极小 p 值仍保有有效数字，不会塌陷成 0；临界值由同一尾概率二分反解，相对误差约 1e-10，远细于展示的 6 位小数。
支持范围：z 与 t 统计量可正可负（绝对值上限 1e150），χ² 与 F 必须非负；t 的自由度 1 ~ 1e15 且允许 Welch 的小数自由度，χ² 与 F 的自由度 1 ~ 1000000；显著性水平 1e-14 ≤ α ≤ 0.5。真实 p 小于双精度可表示的最小值（约 1e-323）时会显示 0 并明确标注，而不是伪装成精确结果。所有计算均在浏览器本地完成，不上传数据。

常见问题

p值计算器怎么算 z、t、卡方和 F 统计量对应的 p 值？: p 值是「假定原假设成立时，出现当前这么极端甚至更极端结果的概率」，也就是统计量在对应分布上的尾部面积，四种分布的公式分别是：z 用标准正态分布，右侧 p = 1 − Φ(z)，双侧 p = 2·(1 − Φ(|z|))；t 用自由度为 df 的 t 分布，双侧 p = P(|T| > |t|) = I_{df/(df+t²)}(df/2, 1/2)（正则化不完全贝塔函数）；χ² 用自由度为 df 的卡方分布，p = P(χ² > 统计量) = Q(df/2, 统计量/2)（正则化上不完全伽马函数）；F 用 F(df₁, df₂) 分布，p = P(F > 统计量) = I_{df₂/(df₂+df₁·F)}(df₂/2, df₁/2)。举例：z = 2.5 的双侧 p = 0.012419；t = 2.35、df = 18 的双侧 p = 0.03038；χ² = 5.333333、df = 1 的 p = 0.020921；F = 4.26、df = (3, 24) 的 p = 0.015119。本页用分布函数直接计算，不必手工查界值表。
p值小于多少算统计显著？p = 0.05 和 p = 0.01 有什么区别？: 判定规则只有一条：p < α 就拒绝原假设，α 是你在做实验之前自己设定的显著性水平。学术论文与行业报告通行 α = 0.05，医学、药品、质量控制等代价更高的场景常用 α = 0.01，探索性研究有时放宽到 0.10。所以「p 小于多少算显著」取决于你选的 α，而不是有一个万能门槛：p = 0.03 在 α = 0.05 下显著，在 α = 0.01 下就不显著。报告惯例是用星号分档：p < 0.05 记 *，p < 0.01 记 **，p < 0.001 记 ***，0.05 ≤ p < 0.1 常写作「边缘显著」，只能作为倾向性描述。α 越小越不容易犯「假阳性」（第一类错误），但同时更容易漏掉真实差异（第二类错误），做多次比较时还要用 Bonferroni 等方法把 α 除以比较次数。
p值计算时单侧和双侧怎么选，两种 p 值能互相换算吗？: 看备择假设的方向，而且必须在看数据之前定：只问「有没有差异」（μ ≠ μ₀）用双侧，这是默认口径；事先只关心一个方向、反方向的结果对决策毫无意义（新工艺是不是更快、次品率是不是更低）才用单侧。对 z 和 t 这类关于 0 对称的分布，两者可以直接换算：统计量方向与备择假设一致时，单侧 p = 双侧 p ÷ 2；方向相反时单侧 p = 1 − 双侧 p ÷ 2，会非常接近 1。例如 t = 2.35、df = 18：双侧 p = 0.03038，右侧 p = 0.01519，左侧 p = 0.98481。正因为单侧 p 只有一半，看完数据发现差一点不显著就改成单侧属于典型的「p-hacking」，审稿人和统计审计都会追查。卡方与 F 分布不对称，它们的「双侧」按惯例取两倍的较小尾部，且常规检验本身就只用右侧。
p值大于 0.05 是什么意思，p = 0.06 能说明两组没有差异吗？: 不是。p ≥ α 只能说明「现有数据不足以拒绝原假设」，不能证明原假设成立——这是最常见的误读，也是美国统计学会（ASA）2016 年 p 值声明中专门点名的问题。p 值同时受效应大小和样本量影响：真实差异很小但样本量巨大时 p 会很小，真实差异不小但样本量太少时 p 也可能大于 0.05。所以看到 p = 0.06 正确的表述是「未观察到统计学显著差异」，同时应报告效应量（Cohen's d、Cramér's V、相关系数）和置信区间：如果 95% 置信区间很宽且包含 0，说明只是证据不足；如果区间很窄且贴近 0，才有底气说「差异即使存在也小到没有实际意义」。想真正论证「无差异」需要用等效性检验（TOST）而不是普通显著性检验。
p值与显著性水平 α、临界值是什么关系，为什么判定结论相同？: 两者是同一件事的两种表述。临界值法：先由 α 和自由度反查界值表得到临界值，再看统计量有没有超过它；p 值法：先由统计量算出尾部概率 p，再和 α 比大小。因为尾部概率随统计量单调变化，「统计量超过临界值」与「p < α」永远同时成立。例如 α = 0.05、df = 1 的卡方临界值是 3.841459，χ² = 5.333333 > 3.841459，对应 p = 0.020921 < 0.05，两种方法都拒绝原假设。差别在信息量：临界值只给「过线 / 没过线」，p 值还告诉你过线多少——p = 0.049 与 p = 0.0001 同样「显著」，证据强度却相差几百倍，所以现代期刊要求直接报告精确 p 值（小于 0.001 时写 p < 0.001）而不是只写「p < 0.05」。本页两种口径同时给出，可以互相验证。
SPSS 的 Sig. 是 p 值吗，为什么和 p值计算器、Excel 或 R 对不上？: SPSS 输出表里的「Sig.」「Sig.(双尾)」就是 p 值，只是命名不同。结果对不上通常出在四处：① 单双侧口径——SPSS 的 t 检验默认输出双尾 Sig.，若你要单侧需自己除以 2，而 Excel 的 T.DIST 系列要显式选 1 或 2 尾；② 自由度——两独立样本 t 检验中「假设方差相等」与 Welch 校正（SPSS 输出的第二行）自由度不同，p 自然不同；③ 检验方法——四格表是否做了连续性校正、方差分析用的是哪种平方和分解，都会改变统计量；④ 有效数字——SPSS 默认只显示 3 位小数，极小的 p 会显示成 .000，此时应写「p < 0.001」而不是 p = 0。对应关系可以这样记：Excel 的 NORM.S.DIST(z, TRUE) 对应本页左尾，CHISQ.DIST.RT、F.DIST.RT、T.DIST.RT 对应右尾，T.DIST.2T 对应双侧；R 里则是 pnorm、pt、pchisq、pf 加 lower.tail 参数。对齐这四点后，本页与它们的结果应在展示的 6 位小数内一致。
p值计算结果显示 0 或 5.73303e-7 是什么意思，论文里怎么写？: p 值小于 0.0001 时本页自动切换成有效数字（科学计数法）显示，例如 z = 5 的双侧 p = 5.73303e-7，即 0.000000573303，表示约每 174 万次抽样才会碰到一次这么极端的结果。统计量再极端时（如 |z| > 38），真实 p 已小于双精度浮点能表示的最小正数（约 1e-323），本页会显示 0 并标注「小于双精度可表示的最小值」，这是数值表示的下限，不是真的等于 0。写进论文时按期刊惯例：小于 0.001 一律写「p < 0.001」，不要写 p = 0.000 或 p = 0；物理、天文等领域则习惯换算成 σ 数报告（本页给出等效 σ 数：3σ 对应双侧 p ≈ 0.0027，5σ 对应 p ≈ 5.7e-7）。极小的 p 只说明「与原假设不符的证据非常强」，并不代表效应很大，仍需配合效应量与置信区间。
p值计算器支持哪些统计检验，只有统计量没有原始数据能用吗？: 正是为「只有统计量」的场景设计的：只要你已经拿到 z、t、χ² 或 F 值和相应自由度（教材例题、SPSS/Stata 输出、论文里别人报告的统计量），填进去就能得到 p 值与临界值，不必查界值表，也不需要原始数据。覆盖的常见检验包括 z 检验（大样本均值 / 比例、A/B 转化率）、各类 t 检验（单样本、配对、两独立样本、Welch 校正、回归系数）、卡方检验（独立性、齐性、拟合优度、单总体方差）与 F 检验（单因素及多因素方差分析、回归方程整体显著性、方差齐性）。如果手里是原始数据而非统计量，请改用本站的 t检验计算器、卡方检验计算器或标准分计算器，它们会先算统计量再给 p 值。支持范围：t 的自由度可到 1e15 且允许 Welch 的小数自由度，χ² 与 F 的自由度上限为 1000000，显著性水平 α 取值 1e-14 ~ 0.5；所有计算在浏览器本地完成，不上传数据。

怎么用