统计学意义

##什么是统计意义？

统计显着性是分析人员确定数据中的结果不能仅靠偶然性来解释。统计假设检验是分析师做出此决定的方法。这个检验提供了一个p 值，它是观察到与数据中的结果一样极端的结果的概率，假设结果确实是由偶然因素造成的。 5% 或更低的 p 值通常被认为具有统计学意义。

了解统计意义

统计显着性是对原假设的确定，这表明结果仅是偶然的。当 p 值足够小时，数据集提供统计显着性。

当 p 值很大时，数据中的结果仅凭偶然性就可以解释，并且数据被认为与（但不证明）原假设一致。

当 p 值足够小（通常为 5% 或更低）时，仅靠偶然性不容易解释结果，并且数据被认为与原假设不一致。在这种情况下，仅将偶然性的零假设作为对数据的解释被拒绝，以支持更系统的解释。

统计显着性通常用于新药试验、疫苗测试、病理学研究以进行有效性测试，并告知投资者公司在发布新产品方面的成功程度。

统计意义的例子

假设金融分析师亚历克斯对某些投资者是否事先知道一家公司突然倒闭感到好奇。亚历克斯决定比较公司倒闭前和倒闭后的平均每日市场回报率，看看这两个平均值之间是否存在统计学上的显着差异。

该研究的 p 值为 28% (>5%)，表明在仅机会的解释下，与观察到的一样大的差异（-0.0033 到 +0.0007）并不罕见。因此，这些数据没有提供令人信服的证据来证明对失败的预先了解。另一方面，如果 p 值为 0.01%（远小于 5%），那么在仅机会解释下，观察到的差异将非常不寻常。在这种情况下，亚历克斯可能会决定拒绝原假设并进一步调查某些交易者是否具有先验知识。

统计显着性也用于测试新的医疗产品，包括药物、设备和疫苗。具有统计意义的公开报告也让投资者了解公司在发布新产品方面的成功程度。

例如，糖尿病药物领域的制药领导者报告说，在测试新胰岛素时，1 型糖尿病的发病率在统计学上显着降低。该测试包括对糖尿病患者进行为期 26 周的随机治疗，数据给出的 p 值为 4%。这向投资者和监管机构表明，数据显示 1 型糖尿病在统计学上显着减少。

制药公司的股价经常受到其新产品统计意义公告的影响。

＃＃强调

统计显着性用于提供关于零假设合理性的证据，该假设假设数据中仅存在随机机会。
统计假设检验用于确定数据集的结果是否具有统计显着性。
统计显着性是确定两个或多个变量之间的关系是由非偶然因素引起的。
通常，5% 或更低的 p 值被认为具有统计学意义。

＃＃常问问题

统计显着性如何确定？

统计假设检验用于确定数据是否具有统计显着性。换句话说，这种现象是否可以单独解释为偶然的副产品。统计显着性是关于零假设的确定，它假定结果仅是由于偶然性造成的。需要拒绝原假设才能使数据被认为具有统计学意义。

什么是 P 值？

p 值是对观察到的差异可能只是随机发生的概率的度量。当 p 值足够小（例如，5% 或更小）时，仅靠偶然性就不容易解释结果，并且可以拒绝原假设。当 p 值很大时，数据中的结果仅凭偶然性就可以解释，并且数据被认为与（同时证明）原假设一致。

如何使用统计显着性？

统计显着性通常用于测试新医疗产品的有效性，包括药物、设备和疫苗。具有统计意义的公开报告也让投资者了解公司在发布新产品方面的成功程度。制药公司的股价经常受到其新产品统计意义公告的强烈影响。