一句话答案
P-value 是尾部面积，Quantile Function 是反向找边界。 在右尾检验中，给定观测统计量 tobs，p-value 计算“比它更极端”的概率；给定显著性水平 α，分位数函数找出应该从哪里开始拒绝。
STATISTICS / 两张地图
P-value ≠
Quantile Function
P 值与分位数都在读同一条“原假设分布”，但方向相反：一个从观测值走向概率，一个从概率水平走向临界值。
01 / DIRECTION
同一个分布，两个方向
F0 是原假设下统计量的 CDF；Q0 是它的分位数函数（广义逆函数）。
P-value：向下读面积
tobs → F0(tobs) → p
你已经拿到一个统计量，问：在 H0 成立时，出现同样或更极端结果的概率有多大？右尾用 survival function：p = P0(T ≥ tobs)。
Quantile：向上找边界
α → 1 − α → Q0(1 − α) → cα
你先选好容错水平，再问：要走到多远才进入拒绝域？这个位置就是临界值。它是“概率 → 数值”的逆向查表。
02 / INTERACTIVE
拖动观测值，看两者如何对上
以下用标准正态分布演示双侧 p-value。橙色区域是两个尾部的总面积。
标准正态分布 N(0, 1)
|z| 越大，p 越小临界值不是 p-value；它是让尾部面积恰好等于 α 的横坐标。
观测 z 值
把 z 当作已经观察到的检验统计量。页面同时计算右尾 p-value 与双侧 p-value。
双侧 p-value0.0500
右尾 p-value0.0250
Q(0.95)1.645
Q(0.975)1.960
03 / TRANSLATION TABLE
从检验方向翻译成方程
记住：双侧检验的具体 p-value 取决于“更极端”的定义。下面的简写适用于对称的 z/t 类统计量。
| 检验 | p-value：统计量 → 概率 | 临界值：概率 → 统计量 |
|---|---|---|
| 右尾 H₁：更大 | P0(T ≥ tobs) = 1 − F0(tobs) | cα = Q0(1 − α) |
| 左尾 H₁：更小 | P0(T ≤ tobs) = F0(tobs) | cα = Q0(α) |
| 双侧（对称） H₁：不相等 | 2 · [1 − F0(|tobs|)] | |tobs| ≥ Q0(1 − α/2) |
04 / THREE TRAPS
最容易混淆的三件事
01
p 不是 H₀ 为真的概率
p-value 是在假设 H₀ 成立的前提下计算数据极端程度；它不是 P(H0 | data)。
02
α 要在看数据前选
α 是决策规则的门槛，常见的是 0.05。p-value 是数据到来后得到的连续证据，两者角色不同。
03
离散分布要小心等号
对离散统计量，CDF 可能有跳跃，分位数用广义逆函数；p < α 与临界值规则可能不能“恰好等价”。
把它们记成一对反向函数
给定观测值，F0（或 survival function）告诉你它有多极端：这是 p-value。给定尾部预算 α，Q0 告诉你边界在哪里：这是 critical value。
所以，p-value 负责报告，quantile function 负责设线；在连续、方向一致的检验里，它们表达的是同一个拒绝规则的两种坐标。
PUBLISHING / X THREAD
一键复制串文
每张卡是一条可独立阅读的短帖；复制后仍会保留换行。
1/6
P-value 和 Quantile Function 到底是什么关系？ 它们不是同一个量，而是沿着同一条原假设分布，朝相反方向工作的两张地图：一个把统计量变成概率，一个把概率变成边界。
2/6
先看 p-value：如果观测到统计量 t_obs，p-value 问的是——假设 H₀ 为真时，得到“同样或更极端”结果的概率有多大？ 右尾检验：p = P₀(T ≥ t_obs) = 1 − F₀(t_obs)。
3/6
再看 Quantile Function：它是 CDF 的反向操作。 给定一个概率 u，Q₀(u) 找到满足 F₀(x) ≥ u 的最小 x。也就是：你先给尾部预算，再反推出“走到哪里算极端”。
4/6
右尾检验里，显著性水平 α 对应的临界值是： cα = Q₀(1 − α) 例如标准正态下，α = 0.05 时，Q(0.95) ≈ 1.645。统计量超过它，就落入 5% 的右尾拒绝域。
5/6
因此，在连续分布、方向一致的右尾检验中： p < α ⇔ t_obs > Q₀(1 − α) p-value 是“数据给出的尾部面积”；quantile 是“规则预先画出的切线”。一个负责报告，一个负责设线。
6/6
最后两个提醒：p-value 不是“ H₀ 为真的概率”；双侧 p-value 的公式依赖统计量分布与“更极端”的定义。 真正要记住的只有一句：CDF 把数值映射成概率，Quantile Function 把概率映射回数值。
延伸阅读 / 资料来源
- NIST CSRC Glossary · P-value：p-value 的尾部概率定义。
- NIST/SEMATECH e-Handbook · Critical values and p values：临界值与 p-value 的检验语境。
- SciPy reference · ppf：PPF 作为 CDF 的逆函数，以及下尾概率到分位点的映射。
- R Documentation · Sample Quantiles：样本分位数与经验分布函数的逆。