显著性差异计算 统计上的显著性和实际上的显著性的有什么区别?

2017/1/3 10:33:19 - 显著性差异

在统计推断中, 假设检验的任务是用样本信息检验关于总体参数的可检验假设。假设检验的所有方法都基于这样一个逻辑: 总体参数的任何具体估计值都来自估计量的抽样分布, 这个估计值仅仅是诸多可能估计值中的一个。20 世纪30 年代英国杰出统计学家费歇尔提出的显著性检验是假设检验的经典方法, 其目的在于检验是否出现了小概率事件,指出“效应的发生并非偶然”的证据, 以回归分析为例, 大多数研究者都用显著性检验确定某一特定变量是否对因变量有作用, 其具体做法是: 假定某一个或某一组回归系数的真值为0, 然后再确定系数为0的偶然事件的发生概率p 值, 如果这一概率p 值小于显著性水平( 一般为1%、5% 或10% ) , 我们就拒绝原假设, 认为这一系数是起作用的。我们将这种通过统计推断得出来的显著性称为”统计显著性”。

显著性差异计算 统计上的显著性和实际上的显著性的有什么区别?

与” 统计显著性”相对应的是”实际显著性”。一个统计上显著的回归系数是否大到足以具有实践上的意义呢? 一种统计上显著的效应是否大到成为一个重要的问题呢? 我们称这样的显著性为”实际显著性”, 以区别于前面所述的”统计显著性”。

(摘自《统计显著性与实际显著性辨析》吕光明、朱昱、 辛颖)

显著性差异计算 统计上的显著性和实际上的显著性的有什么区别?