为什么要进行显著性检验，有什么意义？
为什么要进行显著性检验，有什么意义？
在统计推断中，假设检验是用样本数据检验关于总体参数的某个结论，假设检验的方法虽然很多，但是这些方法的思想都大致一样，最常用的就是“小概率原理”的角度提出的显著性检验，也就是小概率事件在一次实验中基本不会发生，如果发生了，就会得出事件的发生并非偶然的证据。
（1）建立假设
一般先建立某个参数或想想的零假设（H0），要检验的结论一般称为零假设或者原假设，原假设一般是研究目标的对立结论，研究目标一般是研究者希望得到的结论，比如想要验证两种药物治疗某疾病是否显著，希望得到显著，则原假设就为两种药物治疗某疾病没有差异。
（2）检验
检验包括搜集数据和选择分析方法，一般通过实验或者随机抽样，搜集相关数据，选择分析方法进行实验。
（3）p值
检验p值，在此检验下得到p值，即在零假设的情况下得到一个p值，考虑p值对零假设的意义，得出拒绝或者不能拒绝零假设的结论。
一般在假设检验中，p值取值0~1之间，但是其实质表示的是改了吧，临界值由事先给定的显著性水平a相应的部分表得到的数值，如果最后p值<a则称为统计上是显著的，否则就被认为统计上不显著。
由于临界值是基于显著性水平查表得到的数值，而显著性水平a通常又是事先给定的，所以临界值是不随抽样数据变化而变化的，但是最后如果p值<a我们认为数据在水平a上是统计显著的。比如，a=0.01 ，我们认为，事先给定的数据极其不支持零假设H0，H0为真的概率不超过1％。如果P值小于0.01即说明某件事情的发生至少有99%的把握，如果P值小于0.05（并且大于0.01）则说明某件事情的发生至少有95%的把握。针对大部分分析，都需要通过显著性检验，说明分析具有统计学意义。
针对p值可以利用SPSSAU快速得到：
进行显著性检验进行显著性检验是为了消除错误。
通常情况下，α水平属于第一类错误。第一类错误是零假设为真却被错误拒绝的概率。第二类错误(是零假设为误却被错误接受的概率或是研究假设为真却被拒绝的概率。如果P值小于某个事先确定的水平，理论上则拒绝零假设，反之，如果P值大于某个事先确定的水平，理论上则不拒绝零假设。
相关的显著性取决于样本量和相关系数的大小，样本量越大，相关系数越大，显著性就越高，即就越不可能是碰巧发生的。举个例子：某个地方两次失窃，均出现了某个人并不意味着这人是小偷。但是，二十次失窃时有十二次均出现了这个人，说明这个人是小偷嫌疑就很大了。
碰巧在十几次失窃处出现这个人的机率大概只有几百分之一。由此可见，做科研时为了证明某一个理论推测，就得重复做实验很多次来验证才能作为结论，即让样本量达到一定的数才能使结论更加可靠。
扩展资料：
相关系数常用的检验方法：
①t检验
适用于计量资料、正态分布、方差具有齐性的两组间小样本比较。包括配对资料间、样本与均数间、两样本均数间比较三种，三者的计算公式不能混淆 。（处理时不用判断分布类型就可以使用t检验）
②t'检验
应用条件与t检验大致相同，但t′检验用于两组间方差不齐时，t′检验的计算公式实际上是方差不齐时t检验的校正公式 。
③U检验
应用条件与t检验基本一致，只是当大样本时用U检验，而小样本时则用t检验，t检验可以代替U检验 。
④方差分析
用于正态分布、方差齐性的多组间计量比较。常见的有单因素分组的多样本均数比较及双因素分组的多个样本均数的比较，方差分析首先是比较各组间总的差异，如总差异有显著性，再进行组间的两两比较，组间比较用q检验或LST检验等 。
⑤X2检验
是计数资料主要的显著性检验方法。用于两个或多个百分比(率)的比较。常见以下几种情况：四格表资料、配对资料、多于2行乘以2列资料及组内分组X2检验
参考资料来源：百度百科-相关系数
参考资料来源：百度百科-显著性检验
