原文链接：https://www.lianxh.cn/news/2857d6a4f4200.html

目录

编者按： 本文主要翻译自如下论文，特此致谢。

Gelman, A. and Stern, H., 2006. The Difference Between “Significant” and “Not Significant” is not Itself Statistically Significant. The American Statistician, 60(4), pp.328-331. [Link]

在统计分析中我们通常会对变量进行统计显著/非显著 ( Statistical Significance / Insignificance ) 的分析检验，通过  值 ( -values ) 判断显著性并按照按照统计显著性汇总比较结果，并在显著性结果与非显著性结果之间进行明显区分。但是这种方法其实有很多弊端：

比如，在研究某种药物对降低血压所产生的作用效果时，如果我们观察到在其他条件不变的情况下，使用某种药物可以降低0.1的血压，标准误为0.03。这时我们可以说它在统计上是显著的，可是由于血压一般在100左右，所有0.1这个值从实际应用的角度出发可能是不显著的；相反，如果我们观察到在其他条件不变的情况下，使用某种药物可以降低10的血压，标准误为10。我们可以说它在统计上是不显著的，可是由于血压一般在100左右，所有10这个值从实际应用的角度出发可能是显著的。

还是以研究某种药物对降低血压所产生的作用效果为例，如果我们观察到在其他条件不变的情况下，使用某种药物可以降低10的血压，标准误为10。我们可以说它在统计上是不显著的，因此不拒绝原假设，直接默认这种药物对降低血压毫无效果，但事实上这种情况可能是由样本的特征或者样本量过小导致的。

除了这些比较常见的对统计显著性的批判外，Gelman & Stern (2006) 在 The American Statistician 中发表的文章还提出了另一个问题，即一组显著，一组不显著，他们之间的差异进行显著性检验得到的结果可能是不显著的。

本篇推文接下来将详细阐述 Gelman 的文章内容，通过理论和应用实例来进行说明为什么在实证分析中只观测  值，并仅仅用  值来判断实证结果并不是一个合格的分析。并会在最后给出正确认识  值的六点原则与统计显著性误用的解决办法。

原文链接：https://www.lianxh.cn/news/2857d6a4f4200.html