1702639445
1702639446
1702639447
当然，用72%这个数据否定那位怀疑者的断言，比56%更有说服力。但是，差别有多大呢？即使样本中有72%的人喜欢现煮咖啡，就可以成为总体中大部分人都如此的有力证据吗？统计学显著性检验可以回答这个问题。
1702639448
1702639449
• 断言。怀疑者认为喝咖啡的人喝不出速溶咖啡和现煮咖啡的区别。换言之，喜欢现煮咖啡的人的总体比例p只有0.5。假设这个断言是正确的。
1702639450
1702639451
1702639452
• 抽样分布。如果断言p=0.5是正确的，我们检验了许多个包含50位喝咖啡的人的随机样本，样本比例的值会随样本而变化，其分布近似于正态分布。
1702639453
1702639454
1702639455
1702639456
1702639457
图22-1展示了这条正态分布曲线。
1702639458
1702639459
1702639460
• 数据。把样本比例的值标示在抽样分布图中，从图22-1上可以看到，p=0.56这个值很正常，而p=0.72就很奇怪了。如果喝咖啡的人里只有50%喜欢现煮咖啡，那么在50位喝咖啡的人的样本中，出现72%的人喜欢现煮咖啡的情况会非常少见。所以，样本数据提供了不利于断言的证据。
1702639461
1702639462
1702639463
1702639464
1702639465
图22-1 在50位喝咖啡的人中，喜欢现煮咖啡者所占比例的抽样分布。这个分布成立的前提是，所有喝咖啡者中有50%的人喜欢现煮咖啡，阴影区的面积为样本比例至少是56%的概率
1702639466
1702639467
1702639468
1702639469
1702639470
• 概率。我们可以用概率来度量对断言不利的证据到底有多强。当总体比例p=0.5时，一个样本的值会跟p差不多大甚至更大的概率是多少？若=0.56，这个概率就是图22-1中正态曲线下方阴影区的面积，为0.20。若样本比例=0.72，只有0.001的概率会得到这个结果，对应的区域小到在图上几乎无法看清。在所有样本中，仅因为随机性就有20%的发生概率的结果，无法作为断言不正确的有力证据。但是，在1000次当中只发生一次的结果，却是好的证据。
1702639471
1702639472
要确定你真的理解了为什么这个证据令人信服。有两种可能的解释，可以说明为什么会得到“实验对象中有72%的人比较喜欢现煮咖啡”的结果：
1702639473
1702639474
（1）怀疑者是对的（p=0.5），但是因为他运气太差，本来极不可能发生的结果却发生了。
1702639475
1702639476
（2）事实上，总体中偏好现煮咖啡者的比例大于0.5，所以样本结果差不多就是预期的总体结果。
1702639477
1702639478
我们不能断定（1）一定不对，因为我们的测试结果有可能真的只是随机性造成的。但是，这样的结果完全是由随机性造成的概率非常小（0.001），所以，我们有信心认为（2）才是对的。
1702639479
1702639480
假设和P值
1702639481
1702639482
在大部分的研究中，我们都想证明总体中有某种特定的效应。比如在例1中，我们猜想大部分喝咖啡的人都偏好现煮咖啡。为方便讨论，统计学显著性检验会先假设我们要找的效应并不存在。然后，我们开始寻找不利于这个假设的证据，从而验证我们想找的效应确实存在。统计学显著性检验的第一步是先列出一个断言，再试着找到证据否定它。
1702639483
1702639484
零假设H0
1702639485
1702639486
在统计学显著性检验中，被检验的断言叫作“零假设”（null hypothesis）。检验主要评估否定零假设的证据有多强。通常情况下，零假设都是“没有效应”或“没有差别”之类的叙述。
1702639487
1702639488
零假设用H0代表，读法是“H零”。H0是关于总体的叙述，所以一定要用总体参数来表示。例1当中的参数是在所有喝咖啡的人中偏爱现煮咖啡者的比例p。零假设是：
1702639489
1702639490
H0：p=0.5
1702639491
1702639492
我们希望能够取代H0的那个叙述，叫作“备择假设”（alternative hypothesis），用Ha表示。在例1中，备择假设就是喝咖啡的人大多偏好现煮咖啡。用总体参数表示就是：
1702639493
1702639494
Ha：p＞0.5