在前一章节中，我们介绍了一个概念：当原假设为真时，我们可以期望样本均值落在某段范围内，同时在原假设的条件下，有些值是异常的，但还算合理的，而其他值则是不太可能或极不可能的。在统计检验中，我们要问：“在原假设的条件下，出现我们结果的可能性有多大？”，同时我们还要设定边界，超出这个边界，样本就是不合情理的，以至于原假设也是不可信的了。我们使用“不太可能的”和“可信的”之类的词，是因为样本无法确定地告诉我们关于总体的真相。假设检验最终是要在面对不确定性的情况下做出决策。无论这个可能性有多小，总会存在你在原假设为真时，得到不太可能的样本均值的情况。

相反，也有可能是，符合备择假设的总体提供了看似来自原假设的样本均值。稍后我将详细介绍这些导致得出错误结论的可能性。现在，让我们先关注如何设定拒绝原假设所依据的边界。

对于在哪里设定拒绝的边界并没有硬性规定。现在请你思考这样一个问题：如果原假设为真，什么范围的结果会令人意外？

在上世纪20 年代，Ronald A. Fisher 爵士建议，每20 次中最多发生 1 次的事件可认为是不太可能的。Fisher 随口提出的“1/20”建议已被广泛接受为常规边界。在统计检验中，我们使用“概率值”（即 p 值）来指导我们做出决策。p 值可以衡量否定原假设的证据的强度。p值越小，否定原假设的证据越强。如果p 值较大，否定原假设的证据就很弱。

p 值小于所选值（即显著性水平）的样本结果被称为具有统计显著性。显著性结果是令人意外或异常的，足以引起关注，因为仅仅是随机抽样变异是不可能导致这种情况发生的。根据Fisher 的建议，显著性水平alpha 常被设置为0.05。但这不是硬性规定。假设你执行了检验，并确定检验结果具有统计显著性。那么你应该相应地拒绝原假设，并接受备择假设。

但是，有显著性结果并不意味着你拒绝原假设的行为是正确的！当你拒绝原假设时，无法保证你做出了正确的决策。统计检验的目标是做出明智的决策，但难免存在犯错的风险。

在统计检验术语中，当异常罕见的样本结果导致你错误地拒绝了正确的原假设时，你就犯了第一类错误。你的检验会导致假阳性。相反，如果原假设为假，而你的检验没有导致你拒绝原假设，你就犯了第二类错误。你的检验会导致假阴性。统计检验旨在最大程度地减少犯第一类错误的风险。作为分析师，你需要确定检验的显著性水平。这个显著性水平alpha 就是你愿意接受的第一类错误的风险。

我将在本系列课程中的最后给大家进一步说明第一类和第二类错误。在任何统计检验中，另一件需要思考的事情是，从实践的角度看，p值较低并不表示结果是有意义或重要的。

统计显著性的含义是，在给定原假设的条件下，结果不太可能仅仅是因为偶然性因素而发生的。作为决策者，你需要了解决策的背景信息。

你必须确定，观测到的结果与假设值之间的差异是否足够大，以至于具有实际的意义或相关性。我们将在下一课中回顾实际显著性这个概念。