1702639561
1702639562
这个结果小于0.5，它是证明我们的硬币不平衡的证据吗？用一个适当的统计学显著性检验来验证这个假设，如果零假设是正确的，描述正面朝上的样本比例的抽样分布。
1702639563
1702639564
统计学显著性
1702639565
1702639566
我们可以事前决定用于否定H0的证据必须强到何种程度，也就是说我们想要多小的P值，这个关键的P值就是“显著性水平”（signifcance level），通常用希腊字母α表示。假设α=0.05，那么我们要求数据给出的否定H0的证据，要强到当H0正确时这种结果发生的概率不超过5%（20次中发生1次）。假设α=0.01，我们就想找到否定H0的更强证据，当H0事实上为真时，这种结果只有1%（100次中有1次）的发生概率。
1702639567
1702639568
统计学显著性
1702639569
1702639570
如果P值小于或等于α值，我们就称该组数据在a水平上具有统计学显著性。
1702639571
1702639572
“显著”（significant）在统计学上的意义并不是“重要”，而表示“仅凭随机性不易发生”。现在，我们给统计学显著性赋予数值，来表示所谓“不易”到底是什么意思。有0.01的显著性水平，常常用以下叙述来表示：“结果有显著性（P＜0.01）”。这里的P代表P值。
1702639573
1702639574
我们并不需要用传统的5%和1%等显著性水平。P值提供了更多信息，允许我们在任意水平上评估结果是否有统计学显著性。举例来说，P值为0.03的结果有α=0.05的显著性水平，但是没有α=0.01的显著性水平。然而，传统的显著性水平已经被人们广泛接受，作为“多少证据才足够”的标准。我们大概可以说，P＜0.10代表“有一些证据”不利于零假设，P＜0.05代表“适度证据”，P＜0.01代表“有力证据”。不过，别太拘泥于这些规则，我们在第23章还会介绍怎样解释统计检验的结果。
1702639575
1702639576
计算P值
1702639577
1702639578
要算出例1和例2中的P值，必须用表B的正态分布百分位数来做计算，实际应用时则可以用软件来完成计算。
1702639579
1702639580
例3 喝咖啡
1702639581
1702639582
假设。例1中，我们想检验以下假设：
1702639583
1702639584
H0：p=0.5
1702639585
1702639586
Ha：p＞0.5
1702639587
1702639588
此处，p是所有喝咖啡的人中喜欢现煮咖啡胜于速溶咖啡的人所占的比例。
1702639589
1702639590
1702639591
抽样分布。如果零假设为真，则p=0.5，我们在例1中看到大致是一个平均数为0.5，标准差为0.0707的正态分布。
1702639592
1702639593
1702639594
数据。在一个50人的样本中，有36人喜欢现煮咖啡，样本比例=0.72。
1702639595
1702639596
1702639597
P值。备择假设是偏向于较大值那一侧的单边假设，所以P值是会得到至少像0.72这么大的结果的概率。图22-2讲到这个概率可以用正态分布曲线下方的面积表示。要算正态分布曲线的概率，先要把观察值标准化。=0.72的标准分是：
1702639598
1702639599
1702639600
1702639601
1702639602
从表B中可以看到标准分3.1是正态分布的第99.9百分位数。它的意思是，正态曲线下方在3.1左边的面积是0.999。因此，3.1右边的面积是0.001，这就是我们的P值。
1702639603
1702639604
结论。P值很小，表示数据提供了有力的证据，证明大部分人都喜欢现煮咖啡。
1702639605
1702639606
练习
1702639607
1702639608
22.2 抛硬币。我们没耐心像布冯那样抛几千次硬币，所以只抛了50次硬币，有21次是正面朝上。正面朝上的比例是：
1702639609
1702639610
