🧪 P 值計算機
P 值計算機是一款免費的統計工具，可從 Z 分數計算假設檢定的 P 值。輸入您的檢定統計量並選擇尾型，即可取得 P 值，以及 α=0.05 和 α=0.01 水準下的顯著性結論。所有計算皆在您的瀏覽器中本機執行，使用標準常態累積分配函數。研究人員、學生與分析師使用它來判斷是否拒絕虛無假設。
從 Z 分數（檢定統計量）計算假設檢定的 P 值。支援左尾、右尾及雙尾檢定，並給出 α=0.05 與 α=0.01 的顯著性結論。
這是什麼工具？
P 值是在虛無假設（H₀）為真的前提下，觀察到至少與實際所得檢定統計量一樣極端的結果的機率。在假設檢定中，您從兩個對立陳述開始：虛無假設 H₀（通常是「無效果」或「無差異」）以及對立假設 H₁（「有效果」）。您從資料計算出 Z 分數，再利用標準常態分配將其轉換為 P 值。P 值越小，表示在 H₀ 為真的情況下，觀察到的結果越不可能發生，也就是對立證據越強。例如，若您在測試新藥是否有效，H₀ 表示藥物無效。若研究得出 p = 0.03，表示在藥物確實無效的情況下，只有 3% 的機率會看到如此極端的結果。按照慣例，當 P 值小於顯著水準 α（通常為 0.05）時，您就拒絕 H₀ 並宣稱結果「統計上顯著」。P 值同時取決於效果大小和樣本數，因此應搭配信賴區間和效果量一起解讀。下圖顯示在 α = 0.05 雙尾檢定下，標準常態分配尾部（紅色陰影）的拒絕域。運作原理
計算機使用標準常態分配的累積分配函數（CDF）將 Z 分數轉換為 P 值。CDF 記為 Φ(Z)，給出標準常態隨機變數小於等於 Z 的機率，透過誤差函數計算：Φ(Z) = 0.5 × (1 + erf(Z / √2))。計算機使用 Abramowitz-Stegun 近似法來計算 erf，精度在 1.5 × 10⁻⁷ 以內。根據所選的檢定類型，適用三個公式。左尾檢定（H₁：參數 < 值），p = Φ(Z)，即曲線下方 Z 左側的面積。右尾檢定（H₁：參數 > 值），p = 1 − Φ(Z)，即 Z 右側的面積。雙尾檢定（H₁：參數 ≠ 值），p = 2 × (1 − Φ(|Z|))，同時考量兩側尾部。單尾與雙尾的區別至關重要：雙尾檢定將拒絕域 α 分割到兩側尾部，使得相同的 Z 分數更難達到顯著。例如，Z = 1.96 在雙尾檢定中 p = 0.05，但在單尾檢定中 p = 0.025。計算出 P 值後，計算機將其與傳統閾值 α = 0.05 和 α = 0.01 比較，報告結果在各水準下是否達到統計顯著。常見 Z 分數與 P 值對照表
快速查詢最常用的 Z 分數及其對應的單尾和雙尾 P 值。
| Z 分數 | 單尾 p | 雙尾 p | 顯著性 |
|---|---|---|---|
| 1.00 | 0.1587 | 0.3173 | 不顯著 |
| 1.282 | 0.10 | 0.20 | 不顯著 |
| 1.645 | 0.05 | 0.10 | 顯著（單尾 α=0.05） |
| 1.96 | 0.025 | 0.05 | 顯著（雙尾 α=0.05） |
| 2.00 | 0.0228 | 0.0455 | 顯著 |
| 2.326 | 0.01 | 0.02 | 顯著（單尾 α=0.01） |
| 2.576 | 0.005 | 0.01 | 顯著（雙尾 α=0.01） |
| 3.00 | 0.00135 | 0.0027 | 高度顯著 |
| 3.291 | 0.0005 | 0.001 | 高度顯著（α=0.001） |
顯著性閾值與臨界值
標準顯著水準（α）及其對應的 Z 臨界值和信心水準。
| α（顯著水準） | 信心水準 | Z（雙尾） | Z（單尾） |
|---|---|---|---|
| 0.10（10%） | 90% | ±1.645 | ±1.282 |
| 0.05（5%） | 95% | ±1.96 | ±1.645 |
| 0.01（1%） | 99% | ±2.576 | ±2.326 |
| 0.005（0.5%） | 99.5% | ±2.807 | ±2.576 |
| 0.001（0.1%） | 99.9% | ±3.291 | ±3.090 |
若您的 |Z| 超過所選 α 的臨界值，則拒絕 H₀。
使用方法
- 輸入您從分析中獲得的 Z 分數（檢定統計量）。例如 1.96 是常見的臨界值。
- 選擇檢定類型：雙尾（H₁：≠）、左尾（H₁：<）或右尾（H₁：>）。這必須與您的對立假設一致。
- 點選計算，使用標準常態 CDF 計算 P 值。
- 檢視 P 值以及 α = 0.05 和 α = 0.01 水準下的顯著性結論。
- 根據 P 值判斷是否拒絕或無法拒絕虛無假設 H₀，並將其與效果量和信賴區間一起報告。
常見問題
什麼是 P 值？
P 值是在虛無假設為真的前提下，觀察到至少與實際所得檢定統計量一樣極端的結果的機率。它量化了如果確實沒有效果，您的資料有多令人意外。P 值越小，對 H₀ 的反對證據越強。
單尾檢定和雙尾檢定有什麼區別？
單尾檢定僅檢查單一方向的效果（大於或小於），將全部 α 放在單一尾部。雙尾檢定則檢查任一方向的效果，將 α 平均分配到兩側尾部。對於相同的 Z 分數，單尾檢定的 P 值是雙尾檢定的一半。
p < 0.05 一定顯著嗎？
按照慣例，p < 0.05 被稱為「統計上顯著」，但此閾值是任意設定的。它表示如果 H₀ 為真，看到此結果的機率不到 5%。某些學科使用更嚴格的閾值如 0.01 或 0.001。請務必報告精確的 P 值，而不只是「顯著」或「不顯著」。
P 值可以為零嗎？
理論上，連續分配的 P 值永遠不會剛好為零，但可以小到四捨五入後為零（例如 p < 0.0001）。此時您可以報告為 p < 0.001。極小的 P 值表示對 H₀ 有壓倒性的反對證據。
如果我的 P 值很大代表什麼？
大的 P 值（例如 0.40）表示您的資料與虛無假設相當相容 —— 沒有足夠的證據拒絕它。但這不代表證明 H₀ 為真。可能是樣本數太小，無法偵測到真實效果（統計檢定力不足）。
為什麼 Z = 1.96 對應 p = 0.05？
在標準常態分配中，超過 ±1.96 以外的總面積恰好是 5%（每尾各 2.5%）。因此對於雙尾檢定，Z = 1.96 是 α = 0.05 的臨界值。這也是 1.96 是統計學中最常被引用的數字之一的原因。
技巧與建議
請務必在收集資料之前決定顯著水準 α —— 事後更改會引入偏差。P 值低於 0.05 慣例上稱為「顯著」，但此閾值是任意設定的；許多領域現在要求 p < 0.01 或報告精確 P 值。請記住，統計顯著不代表實際重要性：大樣本可能對微不足道的效果產生極小的 P 值。務必將 P 值與效果量和信賴區間搭配使用。當您的假設有方向性時切勿使用雙尾檢定（應用單尾），反之亦然。P 值不是 H₀ 為真的機率 —— 它是在 H₀ 為真時觀察到該資料的機率。此工具僅執行 Z 檢定；當樣本數小或母體標準差未知時，請改用 t 分配計算機執行 t 檢定。
相關工具
Z 分數計算機
輸入原始分數、母體平均值與標準差，立即算出 Z 分數、百分等級與累積機率。支援反向由 Z 分數查百分位數，免費線上統計工具。
常態分佈計算機
立即計算常態分佈機率。求 P(X≤x)、P(X≥x)、P(a≤X≤b)，只要輸入平均值 μ 與標準差 σ。免費、本機離線運算。
信賴區間計算機
使用 Z 分配或 t 分配計算母體平均數的信賴區間。輸入樣本平均數、標準差、樣本數與信賴水準，立即得出抽樣誤差與上下限。
標準差計算機
從任何資料集計算標準差、變異數、平均值和全距。免費線上統計計算機，支援樣本和母體標準差。快速給出答案，幫你做出更好決策。提供詳細步驟和分步說明。
統計計算器
免費線上統計計算器。從任意資料集計算平均值、中位數、眾數、全距、變異數、標準差和四分位數。快速準確。資料不會離開你的裝置，隱私有保障。結果精度可調，滿足不同情境
來源與參考
- Wasserstein, R. L. & Lazar, N. A. (2016). "The ASA Statement on p-Values: Context, Process, and Purpose." The American Statistician, 70(2), 129-133. tandfonline.com.
- NIST/SEMATECH. "e-Handbook of Statistical Methods." itl.nist.gov.
- Abramowitz, M. & Stegun, I. A. (1964). Handbook of Mathematical Functions, Formula 7.1.26（誤差函數近似）.
最後審閱：2026 年 8 月。
限制與免責聲明
本工具僅從 Z 分數計算標準常態分配的 P 值，不執行 t 檢定、卡方檢定、F 檢定或變異數分析。
本工具未涵蓋的因素：
- 小樣本：當 n < 30 或母體標準差未知時，使用 t 分配的 t 檢定比 Z 檢定更合適。
- 多重比較：進行多次檢定會膨脹偽陽性率。本工具不套用 Bonferroni 或其他校正。
- 效果量：小的 P 值不代表效果大或具有實際重要性。務必將效果量和信賴區間與 P 值一起考量。
- 假設條件：Z 檢定假設資料呈常態分配（或樣本夠大以適用中央極限定理）、觀測值獨立，且母體變異數已知。
P 值不應作為科學或商業決策的唯一依據。