Для цього є вагомі причини.
Значення можна знайти через noquote(unlist(format(.Machine)))
double.eps double.neg.eps double.xmin
2.220446e-16 1.110223e-16 2.225074e-308
double.xmax double.base double.digits
1.797693e+308 2 53
double.rounding double.guard double.ulp.digits
5 0 -52
double.neg.ulp.digits double.exponent double.min.exp
-53 11 -1022
double.max.exp integer.max sizeof.long
1024 2147483647 4
sizeof.longlong sizeof.longdouble sizeof.pointer
8 12 4
Якщо ви подивитесь на допомогу, ( ?".Machine"
):
double.eps
the smallest positive floating-point number x such that 1 + x != 1. It equals
double.base ^ ulp.digits if either double.base is 2 or double.rounding is 0;
otherwise, it is (double.base ^ double.ulp.digits) / 2. Normally 2.220446e-16.
Це по суті значення, нижче якого ви можете бути впевнені, що значення буде досить чисельно безглуздим - оскільки будь-яке менше значення, швидше за все, не буде точним розрахунком значення, яке ми намагалися обчислити. (Вивчивши невеликий чисельний аналіз, залежно від того, які обчислення були виконані за певною процедурою, є хороший шанс, що числова безглуздість вийде справедливим чином вище.)
Але статистичне значення буде втрачено набагато раніше. Зауважте, що значення p залежать від припущень, і чим далі у крайній хвіст ви переходите, тим сильніше на справжнє p-значення (а не на номінальне значення, яке ми обчислюємо) впливатимуть помилкові припущення, в деяких випадках навіть тоді, коли вони ти лише трохи помилився Оскільки припущення просто не будуть виконані абсолютно точно, середні р-значення можуть бути досить точними (з точки зору відносної точності, можливо, лише скромною часткою), але надзвичайно крихітні р-значення можуть бути витіснені багатьма порядками величина.
Що означає, що звичайна практика (щось на кшталт "<0,0001", яке ви говорите, є поширеним у пакунках, або правило APA, яке Jaap згадує у своїй відповіді), ймовірно, далеко не розумна практика, але приблизна точка, в якій речі втрачає сенс, крім того, що говорити " це дуже мало ", звичайно, сильно відрізняється залежно від обставин.
Це одна з причин, чому я не можу запропонувати загальне правило - не може бути єдиного правила, яке навіть віддалено підходить для всіх при будь-яких обставинах - трохи змінити обставини, і широка сіра лінія, що позначає зміни, від дещо значущої до відносно безглузде зміниться, іноді довгим шляхом.
Якщо ви повинні були вказати достатню інформацію про точні обставини (наприклад , це регрес, при цьому багато нелінійності, що величина зміни в цій незалежної змінної, цей тип і кількість залежності в терміні помилки, що вид і кількість гетероскедастичності, така форма розподілу помилок), я міг би імітувати 'справжні' p-значення для порівняння з номінальними p-значеннями, щоб ви могли бачити, коли вони занадто різні, щоб номінальне значення не мало будь-якого значення.
Але це призводить нас до другої причини, чому - навіть якщо ви вказали достатньо інформації для імітації справжніх p-значень - я все ще не міг відповідально констатувати відключення навіть для цих обставин.
p10−6
10−510−410−3
За відсутності знань про їх переваги функцій та правил та відсутності знань про власні комунальні послуги, як я відповідально пропоную будь-який загальний вибір того, які дії потрібно вжити?
Я можу принаймні сказати вам усі речі, які я роблю (і я зовсім не вважаю, що це для вас хороший вибір):
10−610−510−4
Це, безумовно, корисно для інформування про вибір - але я, як імовірно, обговорюватиме результати моделювання, як використовувати їх для вибору граничної вартості, даючи іншим шанс вибрати власний.
Альтернативою моделюванню є перегляд деяких більш надійних процедур * до різних можливих збоїв припущення та переконання, яка різниця може мати значення р-значення. Їх p-значення також не буде особливо значущим, але вони, принаймні, дають певне відчуття того, який вплив може бути. Якщо деякі з них дуже відрізняються від номінальної, а й дає більш ідеї , які порушення припущень для дослідження впливу. Навіть якщо ви не повідомляєте жодну з цих альтернатив, це дає кращу картину того, наскільки значущим є ваш маленький p-значення.
* Зауважте, що тут нам дійсно не потрібні процедури, які є надійними для грубих порушень деяких припущень; ті, на кого менше впливають відносно легкі відхилення відповідного припущення, повинні бути чудовими для цієї вправи.
Я скажу, що коли / якщо ви все-таки робите подібні симуляції, навіть з досить легкими порушеннями, то в деяких випадках це може дивуватися, наскільки навіть не малі значення p можуть помилятися. Це зробило більше, щоб змінити те, як я особисто інтерпретую значення p більше, ніж воно змістило конкретні межі, які я можу використовувати.
Подаючи результати фактичного тестування гіпотез до журналу, я намагаюся з’ясувати, чи є у них якесь правило. Якщо вони цього не роблять, я схильний порадувати себе, а потім чекаю, коли арбітри подадуть скаргу.