我正在计算 R 中的 F 检验的 p 值，它似乎无法显示低于 1e-16 的任何内容。例如，对于从 80 到 90 且自由度为 1,200 的 F 值：
> 1-pf(80:90,1,200)
[1] 2.220446e-16 2.220446e-16 1.110223e-16 1.110223e-16 0.000000e+00 0.000000e+00 0.000000e+00
[8] 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
如何提高pf()函数计算的精度？
无论如何，这么低的p值毫无意义。首先，大多数计算使用轻微的近似值，因此当您倾向于零p值时，不精确性会主导结果，其次，可能更重要的是，您的总体与建模分布的任何微小偏差都会压倒您想要的准确性。
只需将 p 值引用为' p < 0.0001' 并完成它。
除了 Jack 关于 p 值的实用建议外，函数定义明确（如果不实用），因此我将给出有限精度的数学原因，这不起作用。
.Machine$double.eps是2.220446e-16，这是你可以加到 1 并得到不同的最小数字。所以与 1 不同，这是你得到的最小值。
> pf(80:90,1,200)
[1] 1 1 1 1 1 1 1 1 1 1 1
> sprintf("%.17f",pf(80:90,1,200))
[1] "0.99999999999999978" "0.99999999999999978" "0.99999999999999989"
[4] "0.99999999999999989" "1.00000000000000000" "1.00000000000000000"
[7] "1.00000000000000000" "1.00000000000000000" "1.00000000000000000"
[10] "1.00000000000000000" "1.00000000000000000"
> sprintf("%a", pf(80:90,1,200))
[1] "0x1.ffffffffffffep-1" "0x1.ffffffffffffep-1" "0x1.fffffffffffffp-1"
[4] "0x1.fffffffffffffp-1" "0x1p+0" "0x1p+0"
[7] "0x1p+0" "0x1p+0" "0x1p+0"
[10] "0x1p+0" "0x1p+0"
但是，您可以使用近似值 $1-p = -\ln(p)$ 并且您可以更精确地获得 p 值的对数
> -pf(80:90,1,200,log.p=TRUE)
[1] 2.540347e-16 1.770938e-16 1.236211e-16 8.640846e-17 6.047690e-17
[6] 4.238264e-17 2.974043e-17 2.089598e-17 1.470045e-17 1.035491e-17
[11] 7.303070e-18