Nilai kritis adalah angka perbandingan statistik uji hipotesis — garis yang memisahkan 'tidak cukup bukti' dari 'menolak hipotesis nol'. Sebelum spreadsheet dan perangkat lunak statistik membuat nilai-p dapat dihitung secara instan, siswa dan peneliti mencari angka-angka ini dalam tabel tercetak di bagian belakang buku teks; kalkulator ini menggantikan pencarian tabel tersebut dengan penghitungan CDF terbalik yang tepat untuk alfa dan derajat kebebasan apa pun, di empat distribusi yang paling diandalkan oleh uji hipotesis.
Sungguh mewakili nilai kritis
Setiap pengujian hipotesis mengurangi data Anda menjadi satu statistik pengujian, lalu menanyakan: seberapa ekstremkah statistik ini harus dilakukan sebelum menjadi tidak masuk akal berdasarkan hipotesis nol? Nilai kritisnya adalah ambang batas tersebut, yang ditetapkan sedemikian rupa sehingga kemungkinan melintasinya secara kebetulan sama dengan tingkat signifikansi yang Anda pilih (α). Secara matematis, informasi tersebut sama dengan nilai p, hanya saja dihitung dalam arah yang berlawanan — nilai p menanyakan "seberapa ekstrem statistik saya", sedangkan nilai kritis menanyakan "seberapa ekstrim yang dibutuhkan sebuah statistik". Banyak buku teks dan kursus lab yang masih mengajarkan pendekatan nilai kritis terlebih dahulu karena pendekatan ini membuat aturan pengambilan keputusan terlihat sebelum Anda melihat data sebenarnya.
Memilih satu sisi vs dua sisi
Dua sisi adalah standar yang konservatif dan standar: ia menguji perbedaan di salah satu arah tanpa berasumsi terlebih dahulu ke arah mana efeknya akan terjadi, sehingga wilayah penolakan — dan nilai kritis — berada pada α/2 di setiap ekor. Tes satu sisi hanya valid jika Anda berkomitmen pada arah tertentu (misalnya, "proses baru mengurangi cacat") sebelum mengumpulkan data; beralih ke satu sisi setelah melihat ke arah mana data dicondongkan adalah kesalahan umum dan serius, karena ini secara efektif menggandakan tingkat kesalahan Tipe I Anda yang sebenarnya. Jika ragu, gunakan dua sisi.
Mengapa empat distribusi berbeda
Z mengasumsikan Anda mengetahui deviasi standar populasi dengan tepat (atau sampel Anda cukup besar sehingga perbedaannya hampir tidak menjadi masalah). Namun hal ini dapat dilonggarkan - ini adalah apa yang Anda gunakan ketika deviasi standar diperkirakan dari sampel itu sendiri, dan ia memiliki ekor yang lebih berat untuk mengimbangi ketidakpastian ekstra tersebut, dan menyatu ke distribusi Z seiring dengan semakin besarnya derajat kebebasan. Chi-kuadrat berlaku untuk penghitungan dan varians, bukan rata-rata, dan karena di bawahnya dibatasi oleh nol dan miring ke kanan, nilai kritisnya biasanya dilaporkan hanya untuk bagian atas saja. F adalah rasio dua varians (atau dua kuadrat rata-rata dalam ANOVA) dan memerlukan dua nilai derajat kebebasan — F tidak simetris, sehingga uji F dua sisi benar-benar memerlukan dua nilai kritis yang berbeda, bukan satu pasangan ±.