1樓：siyan
顯著性的含義是指兩個群體的態度之間的任何差異是由於系統因素而不是偶然因素的影響。我們假定控制了可能影響兩個群體之間差異的所有其他因素，因此，餘下的解釋就是我們所推斷的因素，而這個因素不能夠100%保證，所以有一定的概率值，叫顯著性水平（Significant level）
2樓：tomK
這個可以從假設檢驗說起，假設檢驗就是印證你的想法是否正確的過程，顯著性水平則是斷定想法正確與否的把握
用日常概念舉個例子，你想知道工廠的某台機器是否異常，於是抽檢了10月10號生產一批的零件（批樣本 ），並試圖用這批零件印證機器正常執行（原假設 ）或機器存在異常（備假設 ）的想法。
你翻閱了一下往常正常機器生產的每批零件平均重量（校驗統計量）記錄並做了統計
零件生產標準是 0.5kg，通過上圖發現正常機器生產的零件與標準 0.5kg 偏離 0.
1kg（臨界 ） 的批次都比較少見，且統計得這些偏離 0.1kg 以上的批次(12+30) 佔往常正常機器生產的 1% （顯著性水平 ）
現在回到我們的假設，可以認為如果此次抽檢批次的平均重量不在 0.4kg~0.6kg 之間，則不足以說明生產該批次零件的機器是正常，雖然歷史上也有正常機器生產這麼差的批，但因為太罕見了，所以實在沒有底氣拍胸脯保證機器正常，也就是所謂的拒絕假設 。
再說了，就算這台機器是正常的（假設 為真），但該批次的零件水平（觀測量）不夠顯著啊！也要拒絕！
可以看出，從機器是否正常到使用每批平均重量做文章，是對應了假設和統計量。而顯著性水平是對統計量的一種拒絕範圍界定。
3樓：葛通
依據該臨界值做判斷時，發生棄真錯誤的概率。
是乙個size的問題~
她是你的原假設，
但是你開始懷疑她。
於是你找了一家金牌的偵探公司。
你不捨得拋棄她，
你盼著私人偵探公司不要提供證據來讓你懷疑她，所以你給私人偵探提出要求，把犯錯的概率降低的5%，否則，就不要指控她。
私人偵探公司最後指控了她。
指控報告看上去證據確鑿，
但你還是相信她，
你覺得那些聯絡歷史，消費記錄只是巧合。
你讓私人偵探公司把犯錯的概率降低到1%，
但出門你又反悔了，
你讓私人偵探公司把犯錯的概率降低到0.5%.
顯著性水平，已經這樣小了，
私人偵探公司最後還是指控了她。
你還覺得她值得接受麼？
你騙自己說，一切實錘，都可能只是碰巧
就算她親口承認，也有一定的概率是迫不得已地對你撒謊。
那個備則假設，你就真的，不考慮一下麼？
私人偵探公司生氣了，
沒見過這麼苛刻的審稿人，
顯著性水平在千分之五，
卻仍然對證據不滿意。
4樓：愛智慧型的
發下自己的理解。
在抽樣的結果中也許會出現極端情況，p值是出現的概率，而a值表示在極端情況的概率。
而pa則是在正常情況。
其實我理解也不是很透徹。
5樓：第二階護法
瀉藥，我盡可能說得通俗易懂。
許多現實問題中，我們都會在兩種相對的可能的情況中做決策。比如，法官要判定乙個人是殺人犯還是無辜的。再比如，醫生要判定乙個人有肺癌還是沒有肺癌。
還比如，銀行收到乙個公司的貸款申請，要判定這個公司是有償還能力還是沒有償還能力。
以上的例子，對應於假設檢驗裡面有兩個重要的假設，原假設和備擇假設。請注意，這兩個假設的地位是不同的。所以對待它們的方式也不一樣！
因為原假設是約定俗成的，或者說是預設的，不能輕易推翻的。比如，法官判定乙個人是殺人犯還是無辜的，就是要疑罪從無！必須要有足夠的證據才能判定殺人，如果沒有充分的證據，那只能假設這個人是無辜的！
所以這種情況裡，無辜，就是原假設。而殺人行為，則是備擇假設。
統計學中的假設檢驗，就是基於原假設，去評估當前觀察到的資料的概率，進而在兩個假設中做出決策。（這裡的評估的方法，必須滿足以下條件，如果原假設為真，那麼評估概率很大可能就高；如果備擇假設為真，那麼評估概率很大可能就低。）
舉例說明，我宣稱我手上的硬幣正反面的概率是一樣的，但是我拋了1000次，結果998次是正面。這個時候憑直覺也能猜到，我在說謊。為什麼呢？
因為基於原假設，即硬幣的正反面概率相同，那麼得到998/1000次正面的概率實在是太低了，低到了我們無法相信的程度。
而在執行過程中，就需要預先設定乙個臨界值，如果所得結果的概率低於這個臨界值，我們就判定原假設為假；如果所得結果的概率高於這個臨界值，我們就維持原假設！這個臨界值，就是顯著性水平！
6樓：在路上
就是當我們按專家們說的方法進行判斷時，方法正確，接受了原假設，但這時我們仍有可能犯錯誤，其犯錯的概率為顯著性水平的值。或者換一種說法，如果結果表明，我們應拒絕原假設，雖然計算都沒有錯誤，但是由於這始終是乙個概率事件，所以我們仍有可能犯錯，其犯錯的概率仍是顯著性水平的值。也可以有第三種說法。
我們按專家們說的辦法做了，發現樣本的值落在拒絕域，於是我們拒絕了原假設。這時你說我們的判斷是對的還是錯的呢？對的可能性較大，錯的可能性較小。
因為始終是個概率事件，所以雖然我們計算都沒有錯誤，但是仍可能犯錯，原假設仍可能是正確的，但我們卻拒絕了原假設。我們犯錯誤的可能性是顯著性水平規定的值。這叫第一類錯誤。
7樓：乙個小二
給出乙個定義是，在乙個假設檢驗問題中，先選定乙個數α（0＜α＜1），若乙個檢驗犯第一類錯誤的概率不超過α，即P（拒絕原假設｜原假設成立）≤α，則稱該檢驗是水平為α的檢驗，其中α是顯著性水平，若在檢驗過程中拒絕原假設，我們就說這個檢驗是顯著的。
8樓：帥帥的王
假設檢驗的核心是通過樣本推論總體，即對於回歸係數的檢驗（t檢驗）和模型總體的檢驗（F檢驗）。而如何完成這一點——基於概率的反證法。例如，大家以為中國隊是亞洲三流，也就意味著中國隊擊敗日本、南韓、澳大利亞是小概率的事件 ，可能性為1%，但是有一天中國隊在世界盃預選賽中三場全勝，意味著小概率的事件接連發生了三次。
那麼，我們有足夠的理由推翻原假設。而可以把顯著性水平看作是小概率的表現形式。
小概率有大有小，1% 5%等，基於小概率反證法做出決策總是要冒風險，你甘願冒風險的程度就是顯著性水平，如果臉皮厚那就5%，如果臉皮薄那就1%。
反證法從小學就學，但是其反證法是決定論意義上的，而概率論所言反證法是基於概率的，只能說在多大程度上承認結果。
9樓：
若能直接拒絕虛無假設，則說明結果是顯著的。統計學的顯著，結果不是由隨機因素引起的，自變數有實際效應的存在，重複測驗，會得同樣結果。
10樓：
顯著性水平就是預先設定的拒絕域在原假設為真時的概率測度。設定顯著性水平也就是限定了犯第一類錯誤（原假設為真但被拒絕）的概率。原假設為真，但樣本的觀測值卻落在拒絕域中，即犯了第一類錯誤。
那麼條件概率P(x∈C|H0為真)=α，其中x是樣本觀測值點(可能是多元)，C是預先設定的拒絕域，H0為原假設。也就是說犯第一類錯誤的概率不會超過α。
附上顯著性水平的定義：
其中K(θ)是功效函式(power function).
Remark: The names 「significance level」, 「size of the critical region」, 「power of the test when H0 is true」, and 「the probability of committing an error of type I」 are all equivalent.
另外補充乙個p-value的定義：
Thep-valueis the observed" tail" probability of a statistic being at least as extreme as the particular observed value when H0 is true.
11樓：
假設檢驗中，人為設定的乙個可以接受的原假設因純粹偶然原因而發生的概率。這是我能想到的最粗暴簡單的解釋。。意義嘛。。。
就是為了強行解釋隨機性，把隨機的事件在一定範疇內變得有理可循。。。
在統計學裡，假設檢驗中的power 和size分別有什麼什麼含義？
刻舟求劍Keh 菜雞寫給自己看，基礎概念理一理思路。首先在假設檢驗中，我們一般認為H1是我們更感興趣的情況，比如，我們一般會將 無異常定為H0,將有異常定為H1。將某個因素無影響定為H0，有影響定為H1。將我們預期的情況定為H0，將其他未知的情況定為H1。Power是1 P no reject H0...
統計學假設檢驗中為什麼P值越小，拒絕原假設的理由就越充分？
齊天大聖 P值的含義 原假設成立的情況下，發生與樣本相同或者更誇張的情況的概率。人話 拋硬幣，樣本是拋10次，有6次正面。P 值就是拋10次，有6 7 8 9，10次正面朝上的概率之和。P 值小於0.05 規定 即允許犯第一類錯誤概率 為小概率事件 即根本不會發生 但是原假設竟然認為他發生了，說明啥...
統計學假設檢驗中 p 值的含義具體是什麼？
SoTimeWillTell P value 是根據我已經認同H0的條件下進行計算的 比如，我認為有一班人平均體重是50公斤。我揪出來了一撮人，平均體重是個200公斤。按照已知平均班裡體重50公斤的情況下進行計算。我揪出來這一撮人平均體重是個超過200公斤的概率是個0.0001，這計算出來的概率就是...