Python计算双尾假设检验p值的两种方法为何存在细微差异？

理论上两种计算标准正态分布双尾面积的方法应该等价，但在Python的scipy.stats中却出现了细微数值差异：

from scipy.stats import norm

# 假设z统计量为3
z_score = 3

# 方法1
print(2 * min(norm.cdf(z_score), 1-norm.cdf(z_score)))    # 输出: 0.002699796063260207

# 方法2
print(norm.cdf(-abs(z_score)) + 1-norm.cdf(abs(z_score))) # 输出: 0.002699796063260096

# 注意：结果最后3位存在差异！

差异原因 #

这是浮点数有限精度运算的舍入误差累积导致的：

• 数学理论上标准正态分布左右尾面积完全对称，但浮点数是对实数的有限精度近似，任何加减乘运算都会引入微小舍入误差。
• 两种方法的运算逻辑不同，误差的传播和累积方式也不一样：
  • 方法1先计算两个单尾面积，取较小值后乘以2，乘2操作会放大原有的细微误差；
  • 方法2直接分别计算左尾和右尾再相加，两个独立计算的误差叠加结果和方法1不同。

优化方案 #

推荐使用scipy内置的生存函数norm.sf（即1 - norm.cdf）直接计算双尾面积，精度更稳定：

print(2 * norm.sf(abs(z_score)))  # 输出精度偏差更小，逻辑更简洁

内容的提问来源于stack exchange，提问作者Mohamed Mostafa