I statistisk analyse, " betydning " har en spesifikk teknisk betydning. I dagligtale , kan betydelig bety at noe har mening , eller er viktig . Men når forskere og andre data analytikere sier at et resultat var betydelig , har de ikke bare bety en stor eller bemerkelsesverdig funn . De mener at resultatene som oppnås i studien har møtt visse statistiske forhold. Betydning Testing

A " hypotesen" er en prognose eller en forklaring for en bestemt fenomen . I vitenskapen er disse hypotesene testet i studier hvor data er samlet inn og deretter analysert for å se om det vil støtte eller avkrefte hypotesen . Men fordi datainnsamling og analyse er aldri perfekt , det er alltid en viss sannsynlighet for å få et positivt resultat , selv når hypotesen er faktisk feil . Betydning testing prøver å finne ut hva denne sannsynligheten er, jo lavere sannsynlighet , jo mer betydningsfulle funnene
P verdsetter

Betydning er rapportert med en " p-verdi . . " Denne verdien måler sannsynlighet fra null , noe som betyr 0 prosent sjanse , og 1, som betyr 100 prosent sjanse . Jo nærmere er tallet null, jo vanskeligere er det å få de resultatene som er oppnådd i analysen ved en tilfeldighet , og derfor mer tillit forskere kan ha i funnene . . Den p-verdi er beregnet gjennom komplekse analyser rutiner , vanligvis ved hjelp av spesialiserte programmer
Alpha

Et viktig spørsmål for analytikere til å stille er : " Hva p verdien er akseptable? " Dette " akseptabelt nivå "kalles alfa , og det er den avskjæringspunktet , under hvilken resultatene regnes statistisk signifikant. På mange felt , blant annet psykologi, sosiologi og økonomi , er alfa satt til 0,05 . Dette betyr at dersom sannsynligheten for å få de resultatene ved en tilfeldighet er fem prosent eller lavere , blir de betraktet statistisk signifikant .
Type I og Type II feil

alfa nivå har viktige implikasjoner . Når den er satt for høyt, for eksempel 0,2 , vil falske positiver slipper gjennom nettet og analytikere antar en effekt når det ikke finnes noen. Dette er en type I- feil . Ved for lav, for eksempel 0,0001 , kan falske negativer gjøres og forskere kan anta noen effekt når det er en. Dette er en type II- feil . Det finnes ingen vitenskapelig måte å sette alfa, og brukte 0,05 konvensjonen er egentlig vilkårlig .
Begrensninger

En stor begrensning av NHST er at p-verdien er svært påvirket av antallet datapunkter i analysen. Hvis det er tusenvis av datapunkter i analysen , selv svært små effekter kan være statistisk signifikant. Så kan en betydelig effekt i en studie ikke representerer noe som er å ha en effekt i den virkelige verden . For å komme rundt dette , er betydningen vanligvis kombinert med annen statistikk , som for eksempel "effekt størrelse ", som er tilnærmet den størrelsen forskjellen.