如何评估统计显著性.pdfVIP

如何评估统计显著性 检验假设需要以统计分析为依据。统计显著性是用 p 值来计算的，这个值告诉我们在特 定命题，或者说零假设为真的情况下，得到预计结果的概率。如果 p 值小于通常为 0.05 的显著性水平值，那么实验者可以认为零假设是错误的，并接受备择假设。你可以使用简 单的 t 检验来计算 p 值，并确定数据集中两个不同组之间的差异显著性。 部分 1 设计实验 1 定义假设。 评估统计显著性的第一步是确定你想回答的问题，并提出你的 假设。这个假设涉及到你的实验数据和人群中可能出现的差异。对于任何 实验而言，必须既有零假设，又有备择假设。一般来说，你会比较两个组， 看它们是否相同。 零假设 H0 通常表示两个数据集之间没有差异。例如：课前预习教材的学生 期末成绩不会更好。 而备择假设 Ha 与零假设相反，它是你试图用实验数据支持的命题。例如： 课前预习教材的学生期末成绩会更好。 2 设置显著性水平，以确定数据被视为显著时所需的异常程度。 显著性水平 也被称为 α，它是你为了确定显著性而设置的阈值。如果你的 p 值小于等于 设定的显著性水平，数据就被认为具有统计显著性。 一般来说，显著性水平 α通常被设置成 0.05 ，换而言之，在你的数据中偶尔 观察到差异的概率仅为 5% 。 置信水平越高时， p 值越小，结果也越显著。 如果你想让自己的数据具有较高的置信水平，可以把 p 值设到 0.01 以下。在 制造业中，检查产品缺陷通常会用到较小的 p 值。因为每个零部件都必须达 到很高的置信水平，使之能够按照预期发挥作用。 对于假设驱动型实验， 0.05 的显著性水平是可以接受的。 3 确定使用单侧检验还是双侧检验。 t 检验的适用条件之一是你的数据呈正态 分布。正态分布的数据会形成钟形曲线，大部分样本位于中间。 t 检验是 一种数学检验，可以确定你的数据在曲线 尾部“ ”是否落在正态分部以外，是在曲 线以上还是以下。 单侧检验比双侧检验更强大，因为它在一个方向检验关系的潜力，比如控制 组以上，而双侧检验在两个方向检关系的潜力，比如控制组以上或以下。 如果你不确定自己的数据是在控制组以上还是以下，那就使用双侧检验。这 样你就能检验任一方向的显著性。 如果你知道数据会朝哪个方向发展，请使用单侧检验。在前文给出的例子 中，你预计学生的成绩会提高，所以你可以用单侧检验。 4 使用功效分析来确定样本量。 检验功效指的是在特定的样本量下，观察到 预期结果的概率。功效或 β的常见阈值是 80% 。缺乏一些初步数据时，功效 分析可能有点棘手，因为你需要一些关于每组之间平均值及其标准方差的信 息。你可以使用网上的功效分析计算器，来确定自己数据的最佳样本量。 开展大型、全面的研究时，研究人员通常会做一个小型的先导型研究，以获 得功效分析所需的信息，并确定其样本量。 如果没有办法做复杂的先导型研究，你可以阅读文献和其他人做过的研究， 据此来估计可能的平均值。在确定样本量时，这是一个很好的着手点。 部分 2 计算标准方差 1 确定标准方差公式。 标准方差是衡量数据分布情况的指标。它向你提供了 样本中各数据点的相似性信息，有助于确定数据是否显著。乍一看，你可 能觉得公式有点复杂，但是以下步骤会引导你完成计算过程。其公式是 s = √∑ ((xi μ)2/(N– – 1)) 。 s 是标准方差。 ∑指对收集的所有样本值求和。 xi 表示你数据的各单独值。 μ是每组数据的平均值。 N 是样本总数。 2 计算每组样本的平均值。 要想计算标准方差，你必须先计算每组样本的平 均值。平均值用希腊字母 μ表示。它的计算方法很简单，只需将