Dans l'analyse statistique, «l'importance» a un sens technique spécifique. Dans l'usage général , significatif peut signifier que quelque chose a un sens, ou est important. Toutefois, lorsque les scientifiques et autres analystes de données disent qu'un résultat est significatif , ils ne signifient pas simplement une constatation importante ou remarquable . Ils signifient que les résultats obtenus dans l'étude ont rempli certaines conditions statistiques. Signification Test

une «hypothèse » est une prédiction ou une explication à un phénomène donné . En science, ces hypothèses sont testées dans les études où les données sont collectées et analysées pour voir si elle soutient ou réfute l'hypothèse. Cependant, parce que la collecte et l'analyse des données n'est jamais parfait , il ya toujours une certaine probabilité d'obtenir un résultat positif, même si l'hypothèse est en fait incorrect . Le test de signification essaie de travailler à ce que cette probabilité est , plus la probabilité est importante, plus les résultats
P valorise

signification est déclaré utiliser une «valeur p. . " Cette valeur mesure la probabilité de zéro , ce qui signifie 0 pour cent de probabilité , et 1 , ce qui signifie 100 pour cent de probabilité . Plus le chiffre est proche de zéro , plus il est difficile d'obtenir des résultats obtenus dans l'analyse par hasard, et donc les plus de chercheurs de confiance peut avoir dans les résultats. . La valeur p est calculée au moyen de procédures d'analyse complexes , généralement à l'aide de logiciels spécialisés
Alpha

Une question importante pour les analystes à se poser est : «Qu'est- p valeur est acceptable? " Ce " niveau acceptable " que l'on appelle l'alpha , et c'est le point de coupure en dessous de laquelle les résultats sont considérés comme statistiquement significative. Dans de nombreux domaines , y compris la psychologie, la sociologie et l'économie , l'alpha est fixé à 0,05. Cela signifie que , si la probabilité d'obtenir des résultats par le hasard est de 5 pour cent ou moins, ils sont considérés comme statistiquement significative.
Type I et erreurs de type II

le niveau d' alpha a des implications importantes . Quand il est réglé trop haut, par exemple 0,2 , les faux positifs seront les mailles du filet et les analystes supposer un effet quand il n'y en a pas. Il s'agit d'une erreur de type I . Quand il est réglé trop bas, par exemple 0,0001 , les faux négatifs peuvent être faites et les chercheurs peuvent supposer aucun effet quand il ya un. Il s'agit d'une erreur de type II. Il n'existe aucun moyen scientifique de mettre en alpha, et la convention 0.05 couramment utilisé est essentiellement arbitraire.
Limitations

Une limite importante de NHST est que la valeur p est très influencée par le nombre de points de données dans l'analyse. Si il ya des milliers de points de données dans l'analyse, même les petits effets mêmes peuvent être statistiquement significative. Ainsi, un effet significatif dans une étude pourrait ne pas représenter quelque chose qui est d'avoir un effet dans le monde réel . Pour contourner ce problème , l'importance est généralement combiné avec d'autres statistiques , comme le « effet de taille », qui se rapproche de la taille de la différence .