Na análise estatística , " significado " tem um significado técnico específico . No uso geral, significativa pode significar que algo tem significado, ou é importante. No entanto, quando os cientistas e outros analistas de dados dizer que um resultado significativo , que não significa simplesmente uma descoberta grande ou digno de nota. Eles querem dizer que os resultados obtidos no estudo foram respeitadas determinadas condições estatísticos. Significado Testing

A " hipótese " é uma previsão ou uma explicação para um determinado fenômeno. Na ciência, essas hipóteses são testadas em estudos onde os dados são coletados e analisados ​​, em seguida, para ver se ele suporta ou refuta a hipótese. No entanto, porque a coleta de dados e análise nunca é perfeito , sempre há uma certa probabilidade de obter um resultado positivo, mesmo quando a hipótese é realmente incorreta . Teste de significância tenta descobrir o que esta probabilidade é ; . Menor a probabilidade , a mais significativa os resultados

valores P

Significado é relatado usando um "valor p . " Essa probabilidade medidas de valor de zero , ou seja, 0 por cento de chance , e 1, ou seja, 100 por cento de chance . Quanto mais próximo o valor é zero, o que é mais difícil de obter os resultados obtidos na análise por acaso, e, portanto, os pesquisadores mais de confiança pode ter nos resultados . . O valor de p é calculado por meio de procedimentos de análise complexos , geralmente usando programas de software especializados
Alpha

Uma questão importante para os analistas a fazer é: "O que p valor é aceitável? "Este " nível aceitável " é chamado de alfa, e é o ponto de corte , abaixo do qual os resultados são considerados estatisticamente significativos. Em muitos campos, incluindo a psicologia, a sociologia ea economia , alfa é definido como 0,05. Isto significa que , se a probabilidade de se obter os resultados por acaso é de 5 por cento ou menos, eles são considerados estatisticamente significativos.
Tipo I e tipo II erros

o nível alfa tem implicações importantes . Quando muito alto, por exemplo 0.2, falsos positivos vai escorregar através da rede e analistas assumem um efeito quando não há um. Este é um erro do tipo I . Quando muito baixo, por exemplo 0,0001, falsos negativos podem ser feitos e os pesquisadores podem assumir nenhum efeito quando houver. Este é um erro do tipo II . Não há nenhuma maneira científica para definir alfa, eo comumente usado 0,05 convenção é essencialmente arbitrária.

Limitações

Uma grande limitação de TEHN é que o valor p é altamente influenciado pelo número de pontos de dados para a análise . Se existem milhares de pontos de dados na análise, mesmo muito pequenos efeitos podem ser estatisticamente significativa. Assim, um efeito significativo em um estudo pode não representar algo que está tendo um efeito no mundo real. Para contornar esta situação , o significado geralmente é combinado com outras estatísticas , como o " tamanho do efeito ", que se aproxima do tamanho da diferença .