简单介绍统计显著性(附例子)
如果结果是统计上显著这意味着它不太可能完全由偶然或随机因素来解释。换句话说,如果在研究中没有真正的影响,那么统计上显著的结果出现的几率就非常低。
的p价值,或概率值,告诉你一个发现的统计意义。在大多数研究中,ap0.05或以下的值被认为有统计学意义,但这个阈值也可以设置得更高或更低。
如何检验统计显著性?
在定量研究,通过零假设显著性检验或假设检验对数据进行分析。这是一个正式的程序,用于评估变量之间的关系或组之间的差异是否具有统计学意义。
零假设和替代假设
首先,研究预测被重新表述为两个主要假设零假设和备择假设.
- 一个零假设(H0)总是预测没有真正的影响,没有关系变量,或组间无差异。
- 一个备择假设(H一个或H1)陈述你对真实效果、变量之间的关系或组间差异的主要预测。
假设检验ydF4y2BaG总是以零假设为真开始。使用此程序,您可以评估在此假设下获得结果的可能性(概率)。根据检验的结果,可以拒绝或保留原假设。
测试统计数据和p值
每个统计检验产生:
的p数值决定统计学意义。极低的p值表示具有较高的统计学意义,而pValue表示低或无统计学意义。
什么是显著性水平?
的显著性水平,或α (α),是研究人员事先设置的一个值,作为统计显著性的阈值。这是得出假阳性结论的最大风险(第一类错误)你愿意这样做接受.
在假设检验中,p将值与显著性水平进行比较,以决定是否拒绝原假设。
- 如果p值是更高的小于显著性水平时,原假设未被驳倒,结果为没有统计学意义.
- 如果p值是较低的高于显著性水平,结果被解释为反驳原假设,并报告为统计上显著.
通常,显著性水平设置为0.05或5%。这意味着在零假设下,你的结果必须有5%或更低的概率才能被认为具有统计学意义。
对于更保守的测试,显著性水平可以降低。这意味着影响必须更大才能被认为具有统计学意义。
显著性水平也可以在非学术营销或商业环境中设置更高的显著性测试。这使得研究不那么严格,并增加了发现统计显著结果的概率。
作为最佳实践,您应该在开始研究之前设置显著性水平。否则,你可以很容易地操纵你的结果来匹配你的研究预测。
重要的是要注意,假设检验只能告诉你是否拒绝零假设而支持备择假设。它永远不能“证明”零假设,因为缺乏统计上显著的影响并不意味着绝对不存在影响。
当报告统计显著性时,包括相关的描述性统计关于你的数据(例如,意味着而且标准差)以及检验统计量和p价值。
以下是学生们喜欢Scribbr校对服务的原因
依赖统计显著性的问题
对于统计显著性的概念及其在研究中的应用,存在着各种各样的批评。
研究人员使用缺乏任何理论或实践基础的常规阈值将结果分为统计显著性和不显著性。这意味着即使a只有0.001的微小下降p价值可以将一项研究结果从统计上不显著转化为显著,而几乎没有真正的影响变化。
统计显著性本身也可能具有误导性,因为它受到样本量的影响。在非常大的样品,你更有可能获得统计上显著的结果,即使这种影响在现实世界中实际上很小或可以忽略不计。这意味着,如果小影响达到显著性阈值,它们往往会被夸大,而当它们达不到显著性阈值时,有趣的结果就会被忽略。
对统计显著性的过分强调导致了严重的发表偏倚而且复制危机在过去几十年的社会科学和医学领域。如果研究结果在统计上有显著意义,通常只会在学术期刊上发表,但统计上显著的结果往往无法在高质量的复制研究中得到重复。
因此,许多科学家呼吁退休统计显著性作为一种决策工具,支持更细致的方法来解释结果。
这就是为什么APA的指导方针建议不仅报告p价值观影响的大小而且置信区间在任何可能的地方展示研究成果的现实意义。
其他类型的研究意义
除统计学意义外,临床意义和现实意义也是重要的研究成果。
现实意义向你展示研究结果是否重要到足以在现实世界中有意义。它由影响的大小研究的。
临床意义与干预和治疗研究相关。当一种治疗能够切实或实质性地改善患者的生活时,就被认为具有临床意义。
关于统计显著性的常见问题
引用这篇Scribbr文章
如果你想引用这个来源,你可以复制和粘贴引用或点击“引用这篇Scribbr文章”按钮,自动添加到我们的免费引用生成器引用。