W = 0
for p in xrange(10):
W += -2*log(0.5)
print "W:",W
final_p = 1 - scipy.stats.chi2.cdf(W, 2*10)
print "Final p-value",final_p
当我只使用最不显着的 p 值（零假设 p=0.5）时，为什么这会导致最终的 p 值为 0.84？这不应该也是 0.5 吗？因为如果您进行了完全没有说明的测试（= p=0.5 的含义），您难道不想要一个完全没有说明的结论吗？
我错过了费舍尔方法或 p 值的某些内容吗？
Fisher 的方法测量 p 值的组合效应的方式是有效地查看它们的乘积（添加对数时可能的统计数据的排序与取乘积时的排序相同）。然后它会询问当 null 为真时，与随机 p 值相比，这是否异常低（在这种情况下，这将是从均匀分布中得出的）。
在产品中，非常小的值会“拉低”值而不是非常大的值会推高（与典型值相比）。大概率不能超过1，但小概率确实可以非常小。
根据该乘积度量，与随机均匀值的乘积相比，许多 0.5 的乘积是不寻常的。如果您的结果真的没有显示任何内容，那么您确实应该在其中看到一些小 p，但您没有。通过收集大量 0.5，您基本上进入了“比随机性更小的差异”领域……当然，这仍然不会导致您拒绝。
直方图是 1000 组 10 个随机（均匀）p 值的样本的 Fisher 组合 p 值，绿色曲线是真实密度，对于，棕色线标记当有 10 个值时，组合。
请注意，较大的值 - 右尾中的值 - 非常重要。十个值的集合正好位于左尾，因此它们不表示显着性。
虽然 Fisher 的方法有很多值得称赞的地方（尤其是使用独立 p 值的乘积具有很多直观意义），但该指标实际上并没有什么神圣不可侵犯的地方。例如，您可以添加 p 值，并将该总和与随机 p 值总和的分布进行比较。按照这个标准，很多 p=0.5 会给你一个介于中间的值。（还有很多其他方法可以组合 p 值。不过，我大多只使用 Fisher，它通常捕获我想要“组合 p 值”来捕获的内容。）
0.5 的 p 值不是“最不显着的 p 值”。它表示，如果零假设为真，那么在 50% 的情况下，您会期望得到至少与观察到的结果一样极端的结果。您可以将其称为零假设下的“典型”结果，但肯定不是“最微不足道的”。p 值为 1 将是“最不显着的 p 值”。