Finance में P-Value और Statistical Significance
P-values, null hypotheses, test statistics, significance levels, Type I और Type II errors, power, effect size, optional stopping, data snooping और financial interpretation समझें
सीधा जवाब
P-value, specified null model और analysis plan के अंतर्गत ऐसे test statistic मिलने की probability है जो observed statistic जितना या उससे अधिक उस model से incompatible हो। यह null hypothesis के true होने की probability, result chance से आने की probability, या effect के size और economic importance की probability नहीं है। Statistical significance एक decision rule है, proof नहीं
Test p-value से पहले शुरू होता है
Result देखने से पहले null और alternative hypotheses, test statistic, sampling model, stopping rule, tail direction और significance level तय करें
Null अक्सर no effect या benchmark value दिखाता है, लेकिन composite हो सकता है और nuisance parameters रख सकता है जिन्हें estimate करना पड़े
Data देखने के बाद universe, horizon, controls, outlier rule या test बदलने से वह experiment बदल जाता है जिसकी p-value interpret की जा रही है
P-value model पर conditional है
Null के अंतर्गत test statistic की reference distribution होती है; p-value बताता है observed statistic relevant tail में कितना दूर गया
छोटी value data और complete null-model setup के बीच incompatibility दिखाती है, यह नहीं बताती कि कौन-सी assumption fail हुई या alternative true है
Misspecified dependence, heavy tails, heteroskedasticity, data errors या selection reference distribution और p-value को invalid कर सकते हैं
Significance thresholds error rules तय करते हैं
Prespecified level α, assumptions के अंतर्गत true null reject करने की probability limit करता है, published claims में false होने वाले हिस्से को नहीं
Type I error false rejection है; Type II error false null को reject न करना है, और power specified alternative के अंतर्गत rejection की probability है
Reject न करना no effect prove नहीं करता, खासकर जब sample economically meaningful alternatives के लिए low power रखता हो
Effect size और uncertainty अलग सवालों के जवाब हैं
Large samples tiny effects को statistically significant बना सकते हैं, जबकि noisy small samples matter करने वाले बड़े effects miss कर सकते हैं
P-value के साथ effect estimate, interval, units, transaction costs, capacity और practical threshold report करें
0.05 के just ऊपर और नीचे results अक्सर similar evidence देते हैं; इस boundary को sharp truth switch बनाना information खो देता है
Research flexibility significance को distort करती है
Optional stopping, कई specifications आजमाना, observations हटाना, outcomes बदलना और केवल successful tests publish करना false-positive behavior बदलता है
Nominal p-value केवल उस analysis path के लिए valid है जिसने उसे बनाया, जिसमें पहले से घोषित legitimate sequential rules या adjustments शामिल हैं
Preregistration, complete research logs, multiverse analysis, untouched holdouts और replication sensitivity दिखाते हैं, लेकिन गलत model को ठीक नहीं करते
Financial dependence textbook tests को कमजोर करती है
Returns autocorrelated, cross-sectionally dependent, heteroskedastic, overlapping और selected surviving universe पर conditioned हो सकते हैं
Naive iid standard errors t-statistics को बढ़ा सकते हैं, जबकि repeated factor discovery और backtesting implicit test family बहुत बड़ी बनाते हैं
Time-series structure के लिए justified standard errors और resampling उपयोग करें, फिर regimes, assets, costs, delays और live data में stability test करें
Evidence को decision support करना चाहिए
P-value को effect size, uncertainty, prior evidence, mechanism, predictive performance और decision costs के साथ एक continuous diagnostic मानें
पहले तय करें कौन-सा error महत्वपूर्ण है: false trade signal, missed risk exposure, unstable hedge या बिना economic value का promoted model
Full analysis family और failed replications report करें ताकि एक selected significant result को पूरे research program की strength न समझा जाए
आम सवाल
0.05 की p-value का क्या अर्थ है?
Specified null model के अंतर्गत observed test statistic जितने या अधिक incompatible results की probability 0.05 है
क्या p 0.05 से नीचे alternative hypothesis prove हो जाती है?
नहीं। यह hypotheses को probability नहीं देती और misspecification, selection, data errors या economically trivial effect को rule out नहीं करती
क्या p 0.05 से ऊपर होने पर no effect prove होता है?
नहीं। इसका अर्थ है उस threshold पर test ने reject नहीं किया; कारण low power, unsuitable model या genuinely small effect हो सकता है
Financial p-values अक्सर overstated क्यों होती हैं?
Dependence, repeated strategy searches, flexible specifications, selected samples और unrealistic costs nominal evidence को वास्तविक से stronger दिखा सकते हैं