统计显著性定义 编辑

什么是统计意义？

统计显著性是指通过测试或实验产生的数据的结果不可能随机或偶然发生，而是可能归因于特定原因的说法。对于那些严重依赖于分析数据和研究的学科或实践者来说，具有统计意义是很重要的，比如经济学，金融,投资,医学 ，物理和生物学。

统计显著性可以被认为是强的或弱的。当分析数据集并进行必要的测试以辨别一个或多个变量是否对结果有影响时，强大的统计显著性有助于支持这样一个事实：结果是真实的，而不是运气或偶然造成的。简单地说，如果p值很小，则认为结果更可靠。

在统计显著性检验中会出现问题，因为研究人员通常使用的是较大群体的样本，而不是群体本身。因此，样本必须代表人口，因此样本中包含的数据绝不能有任何偏差。在包括经济学在内的大多数科学中，如果一项声明可以在95%（有时甚至99%）的水平上提出，那么统计意义是相关的。

了解统计意义

统计显著性（显著性检验）的计算有一定的误差。研究人员必须事先确定抽样误差 ，它存在于任何不包括整个总体的测试中。

样本量是统计显著性的一个重要组成部分，因为较大的样本不太容易出现侥幸。只是随机的，代表性样品显著性检验应使用s。一个人可以接受一个事件是否是统计显著性 被称为显著性水平。

研究人员使用一种称为p值的检验统计量来确定统计显著性：如果p值低于显著性水平，则结果具有统计显著性。p值是数据样本均值和标准差的函数。

p值表示给定统计结果发生的概率，假设只有偶然性对结果负责。如果这个概率很小，那么研究人员可以放心地将我们的机会作为一个原因。p值必须低于显著性水平，结果至少被认为具有统计显著性。

显著性水平的反方向是置信水平，即1减去显著性水平。它表示统计结果并非偶然或抽样误差造成的置信度。习惯信心在许多统计检验中，水平是95%，这导致了一个习惯的显著性水平或P值 百分之五。

关键要点

• 统计显著性是指通过测试或实验产生的数据的结果可能归因于特定原因的说法。
• 如果一个统计具有很高的显著性，那么它被认为是更可靠的。
• 统计显著性的计算有一定的误差；
• 如果研究人员在报告结果时不小心使用语言，统计意义可能会被误解；
• 根据正在进行的研究，使用了几种类型的显著性检验

特别注意事项

统计显著性并不总是表示实际的显著性，这意味着结果不能应用于实际的商业情况。此外，当研究人员在报告结果时不小心使用语言时，统计意义可能会被误解。因为一个结果在统计学上是显著的并不意味着它是显著的不 随机的，只是它被随机的概率大大降低了。

仅仅因为两个数据序列之间有很强的相关性并不意味着因果关系。例如，演员尼古拉斯·凯奇在某一年主演的电影数量与游泳池意外溺水的数量高度相关。但这种关联是假 因为没有理论上的因果关系。

统计显著性可能引起的另一个问题是，过去的数据和来自该数据的结果，无论统计显著性与否，可能无法反映当前或未来的状况。在投资中，这可能表现在一个定价模型上，在金融危机期间，随着相关性的变化和变量之间的不正常交互作用，定价模型会崩溃。统计显著性还可以帮助投资者辨别一种资产定价模型是否优于另一种。

统计显著性检验的类型

根据正在进行的研究，使用了几种类型的显著性检验。例如，可以对一个、两个或多个不同大小的数据样本进行平均值、方差、比例、成对或不成对数据或不同的数据分布的测试。

无效假设

所有这些因素都有所谓的无效假设显著性通常是假设检验的目标统计 . 最常见的零假设是所讨论的参数等于零（通常表示变量对兴趣结果的影响为零）。如果你能以95%或更高的置信度拒绝无效假设，研究人员可以引用统计显著性。对于两种或两种以上的替代疗法（例如，在临床试验中，一种药物和一种安慰剂之间）的疗效相等（而不是等于零），也可以检验无效假设。

拒绝无效假设，即使统计显著性很高也永远不可能证明 有些东西，只能支持现有的假设。另一方面，未能拒绝一个无效的假设往往是理由驳回一个假设。

统计显著性检验与计算置信区间的数学原理基本相同。在一般情况下，解释统计显著性的一种方法是，相应的95%置信区间不包含零值。即使发现一个变量在统计上是显著的，它在现实世界中也一定是有意义的。

另外，一种影响在统计学上是显著的，但影响很小。例如，由于在浴室使用双层厕纸的公司可能会有更具生产力的员工，这可能是非常不可能的，但每个员工的绝对生产力的提高可能是微乎其微的。