您是否曾分析过实验数据或调查结果，并想知道所观察到的结果只是巧合，还是确实揭示了某些重要信息？这个问题是统计学的核心，而答案就在一个强有力的概念——p 值。
这篇适合初学者的指南将帮助您自信地在 Excel 中找到 p 值。我们将拆解 p 值的含义，并探讨 p 值常见的出现场景，例如在用于假设检验 的常用函数（如 t 检验和 Z 检验）的输出中。我们还将看看 Excel 的数据分析加载项（Data Analysis ToolPak），这是一个非常适合查找 p 值的插件。更重要的是，最后您将学会如何解释这些 p 值，从而清晰地做出数据驱动的决策。准备好了吗？让我们开始吧！
什么是 P 值？ 要理解 p 值，我们需要先理解统计显著性。统计显著性是数据分析中用于评估研究中观察到的结果是否由某一特定因素导致而非偶然的度量。它与 p 值密切相关。p 值是在“没有真实效应或差异”的假设下，获得与观察结果一样极端（或更极端）结果的概率这一统计量。
在检验统计显著性时，p 值起到基准的作用。如果 p 值很小，意味着在原假设成立的情况下，您的数据出现的可能性非常低；此时应考虑拒绝原假设，转而支持表明存在真实效应或差异的备择假设。
如何在 Excel 中计算 P 值 Excel 提供两种主要方式来查找 p 值。我们既可以使用与所进行检验相对应的函数，也可以使用“数据分析加载项”实现相同目的。本节我将选取两个最常见的函数：t 检验和 Z 检验。
如何使用函数在 Excel 中查找 p 值 先看在函数输出中获取 p 值。第一个例子，我们将使用 Excel 的 T.TEST() 函数。T.TEST() 用于比较两个数据集的均值，并评估它们的差异是否具有统计显著性。其公式如下：
=T.TEST(array1, array2, tails, type)技术支持 其中：
例如，让我们使用 随机生成的广告活动数据 ，比较活动 A 与 B 的点击率（CTR），并用 T.TEST() 函数查看是否存在统计显著差异。
包含活动数据的 Excel 表。作者供图
步骤：
确保活动 A 与活动 B 的 CTR 值分别位于不同列。
在一个空白单元格中显示 p 值。
输入 T.TEST() 公式：=T.TEST(B2:B11, C2:C11, 2, 2)
按 Enter 。单元格将显示计算得到的 p 值。
从 t 检验获得 p 值。作者供图
在这个例子中，我们从 t 检验得到了对应的 p 值 2.36813E-05（即 0.0000236813），这表明观察到的结果由偶然产生的概率非常小。因此，我们可以有把握地认为结果具有统计显著性。
如果已知总体标准差，也可以用 Z 检验来求 p 值。p 值在很多地方都会出现，例如在线性回归中用于评估模型系数的显著性，或在方差分析（ANOVA） 中。继续学习可查看我们的统计学入门 课程。
如何使用数据分析加载项在 Excel 中查找 p 值 数据分析加载项（Data Analysis ToolPak）是 Excel 的一个附加组件，提供多种统计功能。如果尚未启用，可按以下步骤激活：
转到 文件 选项卡。 单击 选项 。 在“选项” 菜单中，选择 加载项 。 在下拉菜单中选择 Excel 加载项 ，并单击 转到 。 勾选 分析工具库（Analysis ToolPak） ，然后单击 确定 。
在 Excel 中找到数据分析加载项。作者供图
在 Excel 中启用数据分析加载项。作者供图
启用后，我们可以使用该加载项执行如 t 检验之类的分析并获得 p 值。 现在让我们用数据分析加载项比较广告活动 A 和 B 的 CTR。我们预计会得到相同的结果，但多练习无妨。
步骤：
确保活动 A 的 CTR 值位于一列，活动 B 的 CTR 值位于另一列。
在 Excel 功能区单击 数据 选项卡。
在 数据 选项卡中找到 分析 部分。
单击 数据 分析 按钮。会弹出一个窗口。
在 数据 分析 窗口中，向下滚动分析工具列表并选择 t-Test: Two-Sample Assuming Equal Variances （两样本、方差相等的 t 检验）。该检验适用于比较两个独立组的均值，假定它们的方差相近。
单击 确定 。
会出现一个名为“t-Test: Two-Sample Assuming Equal Variances”的新弹窗。在此设置检验参数。
变量 1 区域：输入包含活动 A CTR 值的单元格范围。例如数据在 B 列，则输入 B2:B11。
变量 2 区域：输入包含活动 B CTR 值的单元格范围。本例中数据在 C 列，则输入 C2:C11。
标签：如果数据表第一行包含列标题，请勾选 Labels 复选框。
单击 确定 。
使用数据分析加载项在 Excel 中获取 p 值。作者供图
执行 t 检验并在 Excel 中获取 p 值。步骤 7–10。作者供图
使用数据分析加载项进行 t 检验后的结果示例。作者供图
如何在 Excel 中手动查找 p 值 最后，我们也可以手动计算 p 值。这里以不使用 Z.TEST() 的 Z 检验为例，而是使用其他函数：STANDARDIZE() 和 NORMSDIST()。
标准化检验统计量 首先使用 STANDARDIZE() 函数计算 z 分数，它表示样本均值偏离所假设总体均值的标准差倍数。
=STANDARDIZE(x, mean, standard_dev)技术支持 其中：
x 为样本均值
mean 为总体均值
standard_dev 为总体标准差
计算 p 值 接着使用 NORMSDIST() 函数，计算观察到与所得到的 z 分数同样极端或更极端（取决于单尾还是双尾检验）的概率。
=NORMSDIST(z-score)技术支持 注意 ：使用手动方法时，您可能需要考虑其他因素。本例中需要判断是进行单尾还是双尾检验，并相应调整 NORMSDIST() 的用法。单尾检验可直接将 z 分数传入 NORMSDIST()。双尾检验则需将 NORMSDIST() 的结果乘以 2，因为我们要考虑分布的两个尾部。
如何在 Excel 中解释 P 值 要解释 p 值，首先需要理解 显著性水平（ α ）。 显著性水平（alpha，α）是一个阈值，用于定义拒绝原假设所需证据的强度。通常将 α 设为 0.05。
结果解读：
p 值 ≤ α： 当 p 值小于或等于 α，拒绝原假设。这表明比较的组或变量之间存在统计显著差异或效应。 p 值 > α： 当 p 值大于 α，无法拒绝原假设。证据不足以断定存在显著差异或效应，这表明可能需要更多数据以进行更有结论性的分析。 重要注意事项 最后，让我们看看一些重要方面。
前提假设 t 检验和 z 检验都假设数据服从正态分布。对于 t 检验，如果进行的是两样本检验，还假定方差相等。
单尾检验 vs. 双尾检验 在单尾检验中，我们事先对差异方向有预期（例如，预期 A 组的数值高于 B 组）。单尾检验只在一个方向上寻找效应。 双尾检验则关注任一方向上的差异（A 组高于或低于 B 组）。顾名思义，双尾检验在两个方向上进行检验。
选择单尾或双尾会影响对 p 值的解释。在相同的 p 值下，单尾检验的显著性阈值更严格。
Excel 的局限性 需要注意的是，虽然 Excel 为基础统计分析提供了有用工具，但在复杂分析方面存在局限。对于更高级的计算或处理非常规数据分布时，可能需要专业统计软件。
结论 通过理解 p 值及其在假设检验中的作用，您可以在 Excel 中基于数据做出更明智的决策。想进一步学习 Excel 及其强大功能，请查看 DataCamp 的Introduction to Excel 、Excel Fundamentals 和 Data Analysis in Excel 。
此外，欢迎查阅以下 DataCamp 资源，深入掌握用于数据分析的统计概念：
最后说明一下，本文展示了如何用两种最常见的检验（t 检验与 Z 检验）来查找 p 值；如果您仍对两者的区别拿不准，我们还有更全面的教程可供参考：T-test vs. Z-test: When to Use Each 。
下篇见！
%22%3E%3Cpath%20d%3D%22m-369%200h408v79h-408z%22%20fill%3D%22%237933ff%22%2F%3E%3Cpath%20d%3D%22m-148%200h306v45h-306z%22%20fill%3D%22%23974dff%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
%22%2F%3E%3C%2FclipPath%3E%3Cg%20clip-path%3D%22url(%23a)%22%3E%3Cpath%20d%3D%22m76%200h484v36h-484z%22%20fill%3D%22%23974dff%22%2F%3E%3Cpath%20d%3D%22m0%200h384v24h-384z%22%20fill%3D%22%2306bdfc%22%20transform%3D%22matrix(1%200%200%20-1%200%2060)%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
您是否曾分析过实验数据或调查结果，并想知道所观察到的结果只是巧合，还是确实揭示了某些重要信息？这个问题是统计学的核心，而答案就在一个强有力的概念——p 值。
这篇适合初学者的指南将帮助您自信地在 Excel 中找到 p 值。我们将拆解 p 值的含义，并探讨 p 值常见的出现场景，例如在用于假设检验的常用函数（如 t 检验和 Z 检验）的输出中。我们还将看看 Excel 的数据分析加载项（Data Analysis ToolPak），这是一个非常适合查找 p 值的插件。更重要的是，最后您将学会如何解释这些 p 值，从而清晰地做出数据驱动的决策。准备好了吗？让我们开始吧！
什么是 P 值？
要理解 p 值，我们需要先理解统计显著性。统计显著性是数据分析中用于评估研究中观察到的结果是否由某一特定因素导致而非偶然的度量。它与 p 值密切相关。p 值是在“没有真实效应或差异”的假设下，获得与观察结果一样极端（或更极端）结果的概率这一统计量。
在检验统计显著性时，p 值起到基准的作用。如果 p 值很小，意味着在原假设成立的情况下，您的数据出现的可能性非常低；此时应考虑拒绝原假设，转而支持表明存在真实效应或差异的备择假设。
如何在 Excel 中计算 P 值
Excel 提供两种主要方式来查找 p 值。我们既可以使用与所进行检验相对应的函数，也可以使用“数据分析加载项”实现相同目的。本节我将选取两个最常见的函数：t 检验和 Z 检验。
如何使用函数在 Excel 中查找 p 值
先看在函数输出中获取 p 值。第一个例子，我们将使用 Excel 的
T.TEST()函数。T.TEST()用于比较两个数据集的均值，并评估它们的差异是否具有统计显著性。其公式如下：其中：
array1：第一组数据的范围。array2：第二组数据的范围。tails：指定进行单尾（1）或双尾（2）检验。（双尾检验同时考虑差异的两个方向；单尾检验只关注特定方向。）type：表示 t 检验的类型（1 为配对样本，2 为两样本且假定方差相等，3 为两样本且假定方差不等）。例如，让我们使用 随机生成的广告活动数据，比较活动 A 与 B 的点击率（CTR），并用
T.TEST()函数查看是否存在统计显著差异。包含活动数据的 Excel 表。作者供图
步骤：
确保活动 A 与活动 B 的 CTR 值分别位于不同列。
在一个空白单元格中显示 p 值。
输入
T.TEST()公式：=T.TEST(B2:B11, C2:C11, 2, 2)按 Enter。单元格将显示计算得到的 p 值。
从 t 检验获得 p 值。作者供图
在这个例子中，我们从 t 检验得到了对应的 p 值 2.36813E-05（即 0.0000236813），这表明观察到的结果由偶然产生的概率非常小。因此，我们可以有把握地认为结果具有统计显著性。
如果已知总体标准差，也可以用 Z 检验来求 p 值。p 值在很多地方都会出现，例如在线性回归中用于评估模型系数的显著性，或在方差分析（ANOVA）中。继续学习可查看我们的统计学入门课程。
如何使用数据分析加载项在 Excel 中查找 p 值
数据分析加载项（Data Analysis ToolPak）是 Excel 的一个附加组件，提供多种统计功能。如果尚未启用，可按以下步骤激活：
在 Excel 中找到数据分析加载项。作者供图
在 Excel 中启用数据分析加载项。作者供图
启用后，我们可以使用该加载项执行如 t 检验之类的分析并获得 p 值。现在让我们用数据分析加载项比较广告活动 A 和 B 的 CTR。我们预计会得到相同的结果，但多练习无妨。
步骤：
确保活动 A 的 CTR 值位于一列，活动 B 的 CTR 值位于另一列。
在 Excel 功能区单击 数据选项卡。
在 数据选项卡中找到 分析部分。
单击 数据 分析按钮。会弹出一个窗口。
在 数据 分析窗口中，向下滚动分析工具列表并选择 t-Test: Two-Sample Assuming Equal Variances（两样本、方差相等的 t 检验）。该检验适用于比较两个独立组的均值，假定它们的方差相近。
单击 确定。
会出现一个名为“t-Test: Two-Sample Assuming Equal Variances”的新弹窗。在此设置检验参数。
变量 1 区域：输入包含活动 A CTR 值的单元格范围。例如数据在 B 列，则输入
B2:B11。变量 2 区域：输入包含活动 B CTR 值的单元格范围。本例中数据在 C 列，则输入
C2:C11。标签：如果数据表第一行包含列标题，请勾选 Labels复选框。
单击 确定。
执行 t 检验并在 Excel 中获取 p 值。步骤 7–10。作者供图
使用数据分析加载项进行 t 检验后的结果示例。作者供图
如何在 Excel 中手动查找 p 值
最后，我们也可以手动计算 p 值。这里以不使用
Z.TEST()的 Z 检验为例，而是使用其他函数：STANDARDIZE()和NORMSDIST()。标准化检验统计量
首先使用
STANDARDIZE()函数计算 z 分数，它表示样本均值偏离所假设总体均值的标准差倍数。其中：
x为样本均值mean为总体均值standard_dev为总体标准差计算 p 值
接着使用
NORMSDIST()函数，计算观察到与所得到的 z 分数同样极端或更极端（取决于单尾还是双尾检验）的概率。注意：使用手动方法时，您可能需要考虑其他因素。本例中需要判断是进行单尾还是双尾检验，并相应调整
NORMSDIST()的用法。单尾检验可直接将 z 分数传入NORMSDIST()。双尾检验则需将NORMSDIST()的结果乘以 2，因为我们要考虑分布的两个尾部。如何在 Excel 中解释 P 值
要解释 p 值，首先需要理解显著性水平（α）。显著性水平（alpha，α）是一个阈值，用于定义拒绝原假设所需证据的强度。通常将 α 设为 0.05。
结果解读：
重要注意事项
最后，让我们看看一些重要方面。
前提假设
t 检验和 z 检验都假设数据服从正态分布。对于 t 检验，如果进行的是两样本检验，还假定方差相等。
单尾检验 vs. 双尾检验
在单尾检验中，我们事先对差异方向有预期（例如，预期 A 组的数值高于 B 组）。单尾检验只在一个方向上寻找效应。双尾检验则关注任一方向上的差异（A 组高于或低于 B 组）。顾名思义，双尾检验在两个方向上进行检验。
选择单尾或双尾会影响对 p 值的解释。在相同的 p 值下，单尾检验的显著性阈值更严格。
Excel 的局限性
需要注意的是，虽然 Excel 为基础统计分析提供了有用工具，但在复杂分析方面存在局限。对于更高级的计算或处理非常规数据分布时，可能需要专业统计软件。
结论
通过理解 p 值及其在假设检验中的作用，您可以在 Excel 中基于数据做出更明智的决策。想进一步学习 Excel 及其强大功能，请查看 DataCamp 的Introduction to Excel、Excel Fundamentals 和 Data Analysis in Excel。
此外，欢迎查阅以下 DataCamp 资源，深入掌握用于数据分析的统计概念：
最后说明一下，本文展示了如何用两种最常见的检验（t 检验与 Z 检验）来查找 p 值；如果您仍对两者的区别拿不准，我们还有更全面的教程可供参考：T-test vs. Z-test: When to Use Each。
下篇见！