Для этого есть веская причина.
Значение можно найти 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
Если вы посмотрите на помощь, ( ?".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.
По сути, это значение, ниже которого вы можете быть совершенно уверены, что это значение будет численно бессмысленным, поскольку любое меньшее значение вряд ли будет точным вычислением значения, которое мы пытались вычислить. (Изучив небольшой численный анализ, в зависимости от того, какие вычисления были выполнены конкретной процедурой, есть большая вероятность того, что численная бессмысленность будет выше этого.)
Но статистический смысл будет утерян гораздо раньше. Обратите внимание, что значения p зависят от допущений, и чем дальше в крайний хвост, тем сильнее на истинное значение p (а не на номинальное значение, которое мы рассчитываем) будут влиять ошибочные предположения, в некоторых случаях, даже если они только немного не правы. Поскольку предположения просто не будут полностью удовлетворены, средние p-значения могут быть достаточно точными (с точки зрения относительной точности, возможно, лишь незначительной доли), но чрезвычайно малые p-значения могут отсутствовать во многих порядках величина.
То есть обычная практика (что-то вроде «<0,0001», которое, как вы говорите, распространена в пакетах, или правило APA, которое Jaap упоминает в своем ответе), вероятно, не так далека от разумной практики, но является приблизительной точкой, в которой вещи потерять смысл, не говоря «очень-очень мало », конечно, будет сильно зависеть от обстоятельств.
Это одна из причин, по которой я не могу предложить общее правило - не может быть единого правила, которое хотя бы отдаленно подходит для всех при любых обстоятельствах, - немного измените обстоятельства, а широкая серая линия, обозначающая изменение от несколько значимого до относительно бессмысленно изменится, иногда далеко.
Если бы вы указали достаточную информацию о точных обстоятельствах (например, это регрессия с такой большой нелинейностью, это количество вариаций в этой независимой переменной, этот вид и степень зависимости в выражении ошибки, такого рода и степень гетероскедастичности, это форма распределения ошибок), я мог бы смоделировать «истинные» p-значения, чтобы вы могли сравнить их с номинальными p-значениями, чтобы вы могли видеть, когда они были слишком различны для номинального значения, чтобы нести какой-либо смысл.
Но это приводит нас ко второй причине, почему - даже если вы указали достаточно информации для имитации истинных p-значений - я все равно не смог бы ответственно заявить об ограничении даже для этих обстоятельств.
п10−6
10−510−410−3
В отсутствие знаний об их предпочтительных функциях и правилах, а также в отсутствие знаний о ваших собственных утилитах, как я могу ответственно предлагать какой-либо общий выбор действий, которые следует предпринять?
Я могу, по крайней мере, рассказать вам о том, что я делаю (и я не думаю, что это хороший выбор для вас):
10−610−510−4
Это, безусловно, полезно для информирования о выборе - но я с такой же вероятностью буду обсуждать результаты моделирования, чтобы использовать их для выбора предельного значения, предоставляя другим возможность выбирать свои собственные.
Альтернативой симуляции является рассмотрение некоторых процедур, которые более устойчивы * к различным потенциальным ошибкам предположения, и посмотрите, как сильно может измениться значение p. Их p-значения также не будут особенно значимыми, но они, по крайней мере, дают некоторое представление о том, какое влияние это может оказать. Если некоторые из них сильно отличаются от номинальных, это также дает больше представления о том, какие нарушения допущений для исследования воздействия. Даже если вы не сообщите о какой-либо из этих альтернатив, это дает более полную картину того, насколько значимым является ваше маленькое значение p.
* Обратите внимание, что здесь нам не нужны процедуры, которые были бы устойчивы к грубым нарушениям некоторых предположений; те, которые менее подвержены относительно умеренным отклонениям соответствующего предположения, должны подойти для этого упражнения.
Я скажу, что когда / если вы приходите делать такое моделирование, даже с довольно легкими нарушениями, в некоторых случаях может быть удивительно, насколько далеко даже не такие маленькие p-значения могут быть неправильными. Это сделало больше, чтобы изменить способ, которым я лично интерпретирую значение p, больше, чем оно изменило конкретные ограничения, которые я мог бы использовать.
При отправке результатов проверки фактической гипотезы в журнал я пытаюсь выяснить, есть ли у них какое-либо правило. Если они этого не делают, я склонен угождать себе, а затем ждать, пока судьи будут жаловаться.