顯著性驗證方法和技巧

『壹』 顯著性檢驗的方法包括哪三種

顯著性檢驗的方法通常有三種：方差分析 (ANOVA)，T檢驗（T-test），卡方分析 (Chi-Square Analysis)。

1. 方差分析(ANOVA)

   用於正態分布、方差齊性的多組間計量比較。常見的有單因素分組的多樣本均數比較及雙因素分組的多個樣本均數的比較，方差分析首先是比較各組間總的差異，如總差異有顯著性，再進行組間的兩兩比較，組間比較用q檢驗或LST檢驗等。

2. T檢驗（T-test）

   適用於計量資料、正態分布、方差具有齊性的兩組間小樣本比較。包括配對資料間、樣本與均數間、兩樣本均數間比較三種，三者的計算公式不能混淆 [1] 。（處理時不用判斷分布類型就可以使用t檢驗）。
   

3. 卡方分析（Chi-Square Analysis)

   是計數資料主要的顯著性檢驗方法。用於兩個或多個百分比(率)的比較。常見以下幾種情況：四格表資料、配對資料、多於2行乘以2列資料及組內分組X2檢驗。

『貳』 變數的顯著性檢驗主要使用什麼方法

顯著性檢驗就是事先對總體（隨機變數）的參數或總體分布形式做出一個假設，然後利用樣本信息來判斷這個假設（原假設）是否合理，即判斷總體的真實情況與原假設是否顯著地有差異。或者說，顯著性檢驗要判斷樣本與我們對總體所做的假設之間的差異是純屬機會變異，還是由我們所做的假設與總體真實情況之間不一致所引起的。

顯著性檢驗是針對我們對總體所做的假設做檢驗，其原理就是「小概率事件實際不可能性原理」來接受或否定假設。

抽樣實驗會產生抽樣誤差，對實驗資料進行比較分析時，不能僅憑兩個結果（平均數或率）的不同就作出結論，而是要進行統計學分析，鑒別出兩者差異是抽樣誤差引起的，還是由特定的實驗處理引起的。
顯著性檢驗即用於實驗處理組與對照組或兩種不同處理的效應之間是否有差異，以及這種差異是否顯著的方法。

常把一個要檢驗的假設記作H0,稱為原假設（或零假設） (null hypothesis) ，與H0對立的假設記作H1，稱為備擇假設(alternative hypothesis) 。

⑴ 在原假設為真時，決定放棄原假設，稱為第一類錯誤，其出現的概率通常記作α；

⑵ 在原假設不真時，決定接受原假設，稱為第二類錯誤，其出現的概率通常記作β。

通常只限定犯第一類錯誤的最大概率α， 不考慮犯第二類錯誤的概率β。這樣的假設 檢驗又稱為顯著性檢驗，概率α稱為顯著性水平。

最常用的α值為0.01、0.05、0.10等。一般情況下，根據研究的問題，如果放棄真錯誤損失大，為減少這類錯誤，α取值小些 ，反之，α取值大些。

『叄』 如何運用excel進行顯著性檢驗

excel進行顯著性檢驗的方法與步驟：
1.先找add-in,添加數據分析工具data
analysis
tool。
add-in的選項在file->
option->add
ins,
選擇analysis
tool
pack。
2.會跳出來一個窗口，再選中analysis
tookpack
,確定就好了。
3.把得到的兩組數據輸入excel里。
4.在data裡面，選擇data
analysis,跳出來新窗口，選中correlation（相關性）。然後按照提示，選中要分析的數據。
5.excel會自動運行回歸分析，給出分析報告。分析報告里mutiple
r
接近1，就說明兩個的相關性比較大。擬合關系要看r2，顯著性看signifnance
f。

『肆』 ABtest顯著性校驗（配對T檢驗）

相關樣本t檢驗（重復測量）：
目標：
配對樣本用以檢驗兩個總體的均值是否存在顯著差異。

特點：
配對樣本具有兩個特徵：第一，兩組樣本的樣本數相同；第二，兩組樣本觀察值的先後順序是一一對應的，不能隨意更改。
配對樣本t檢驗可視為單樣本t檢驗的擴展，不過檢驗的對象由一群來自常態分配獨立樣本更改為二群配對樣本之觀測值之差。

計算方式：
若二配對樣本x1i與x2i之差為di=x1i−x2i獨立，且來自常態分配，則di之母體期望值μ是否為μ0可利用以下統計量：（u=u0，則原假設為，兩個實驗組的均值沒有差異）

判斷的過程為：
1、確定顯著性水平，一般選取alpha=0.05。（5%幾率出現，即按此做臨界有5%幾率作出錯誤假設）
2、計算t值
3、判斷：按照alpha=0.05，df（自由度）=樣本個數n-1。查t值臨界表，獲得臨界值X。如果t值<臨界值X則接受原假設，即實驗沒有顯著性差異（u=u0）。如果t值>臨界值X則拒絕原假設，即實驗有明顯差異（u!=u0)，實驗有顯著正向或者負向效果。

理解：
從直覺上理解一下。檢驗的方式無礙乎就是，自變數產生的差異/ 隨機因素產生的差異，以此來檢驗，自變數的差異是否足夠大，大到我們可以說這肯定不是隨機因素帶來的差異，即自變數對因變數有顯著影響。在配對t檢驗中，自變數的差異就是差值的均值，隨機因素的差異就是差值本身的標准差（自由度n-1）。

其中：

u0為天然差異。通過空跑實驗組確定。

PS：
顯著性檢驗分為參數檢驗和非參數檢驗。
參數檢驗要求樣本來源於正太總體（正太性假定，方差齊性假定）
參數檢驗常見的例如方差檢驗。

詳細參考：
https://www.cnblogs.com/h-zsk/p/6293721.html

『伍』 顯著性檢驗的常用檢驗

用於計數資料。是當實驗組或對照組中出現概率為0或100%時，X2檢驗的一種特殊形式。屬於直接概率計演算法。
非參數統計方法
符號檢驗、秩和檢驗和Ridit檢驗
三者均屬非參數統計方法，共同特點是簡便、快捷、實用。可用於各種非正態分布的資料、未知分布資料及半定量資料的分析。其主要缺點是容易丟失數據中包含的信息。所以凡是正態分布或可通過數據轉換成正態分布者盡量不用這些方法。
Hotelling檢驗
用於計量資料、正態分布、兩組間多項指標的綜合差異顯著性檢驗。

『陸』 如何進行顯著性分析

利用SPSS進行統計檢驗

在教育技術研究中，經常需要利用不同的教學媒體或教學資源對不同的對象進行教學改革試驗，但教學試驗的總體往往都有較大數量，限於人力、物力與時間，通常都採用抽取一定的樣本作為研究對象，這樣，就存在樣本的特徵數量能否反映總體特徵的問題，也存在著兩種不同的樣本的數量標志的參數是否存在差異的問題，這就必需對樣本量數進行定量分析與推斷，在教育統計學中稱為「統計檢驗」。

一、統計檢驗的基本原理

統計檢驗是先對總體的分布規律作出某種假說，然後根據樣本提供的數據，通過統計運算，根據運算結果，對假說作出肯定或否定的決策。如果現要檢驗實驗組和對照組的平均數（μ1和μ2）有沒有差異，其步驟為：
1．建立虛無假設，即先認為兩者沒有差異，用表示；
2．通過統計運算，確定假設成立的概率P。
⒊ 根據P 的大小，判斷假設是否成立。如表6-12所示。

二、大樣本平均數差異的顯著性檢驗——Z檢驗

Z檢驗法適用於大樣本（樣本容量小於30）的兩平均數之間差異顯著性檢驗的方法。它是通過計算兩個平均數之間差的Z分數來與規定的理論Z值相比較，看是否大於規定的理論Z值，從而判定兩平均數的差異是否顯著的一種差異顯著性檢驗方法。其一般步驟：

第一步，建立虛無假設，即先假定兩個平均數之間沒有顯著差異。
第二步，計算統計量Z值，對於不同類型的問題選用不同的統計量計算方法。

（1）如果檢驗一個樣本平均數（）與一個已知的總體平均數()的差異是否顯著。其Z值計算公式為：

其中是檢驗樣本的平均數；
是已知總體的平均數；
S是樣本的方差；
n是樣本容量。
（2）如果檢驗來自兩個的兩組樣本平均數的差異性，從而判斷它們各自代表的總體的差異是否顯著。其Z值計算公式為：

其中，1、2是樣本1，樣本2的平均數；
是樣本1，樣本2的標准差；
是樣本1，樣本2的容量。
第三步，比較計算所得Z值與理論Z值，推斷發生的概率，依據Z值與差異顯著性關系表作出判斷。如表6-13所示。

第四步，根據是以上分析，結合具體情況，作出結論。

【例6-5】某項教育技術實驗，對實驗組和控制組的前測和後測的數據分別如表6-14所示，比較兩組前測和後測是否存在差異。

由於n＞30，屬於大樣本，應採用Z檢驗。由於這是檢驗來自兩個不同總體的兩個樣本平均數，看它們各自代表的總體的差異是否顯著，所以採用雙總體的Z檢驗方法。
計算前測Z的值

= -0.658

∵=0.658＜1.96
∴ 前測兩組差異不顯著。
再計算後測Z的值

= 2.16

∵ = 2.16＞1.96
∴ 後測兩組差異顯著。

三、小樣本平均差異的顯著性檢驗——t檢驗
t檢驗是用於小樣本（樣本容量小於30）時，兩個平均值差異程度的檢驗方法。它是用t分布理論來推斷差異發生的概率，從而判定兩個平均數的差異是否顯著。其一般步驟如下：
第一步，建立虛無假設，即先假定兩個總體平均數之間沒有顯著差異。
第二步，計算統計量t值，對於不同類型的問題選用不同的統計量計算方法。
（1）如果要評斷一個總體中的小樣本平均數與總體平均值之間的差異程度，其統計量t值的計算公式為：

（2）如果要評斷兩組樣本平均數之間的差異程度，其統計量t值的計算公式為：

第三步，根據自由度df= n-1，查t值表，找出規定的t理論值（見附錄）並進行比較。理論值差異的顯著水平為0.01級或0.05級。不同自由度的顯著水平理論值記為t (df)0.01和t (df)0.05
第四步，比較計算得到的t值和理論t值，推斷發生的概率，依據表6-15給出的t值與差異顯著性關系表作出判斷。

第五步，根據是以上分析，結合具體情況，作出結論

『柒』 有實驗組控制組的測試結果，欲檢驗其是否存在顯著差異，應選用哪些可用的方法

當試驗數據出現兩種或者多種不同的結果時，應該採用統計學的方法，通過顯著性檢驗來判斷試驗數據之間是否存在顯著性差異。
顯著性檢驗的方法通常有t檢驗法和F檢驗法：
t檢驗用來檢測兩組數據的准確度，確定是否存在系統誤差
F檢驗又叫方差齊性檢驗，用來檢測兩組或多組數據的精密度，確定是否存在偶然誤差
計算公式和查表之類的就不寫了，太復雜，而且你手上應該都有
針對你的數據，如果只是「需要看一下兩組差別是不是很大」，只用F檢驗即可
如果你需要確定數據是否存在系統誤差，或是否與假設結論是否相符時，則需要用到t檢驗
提醒一句，若要進行t檢驗，首先得進行F檢驗，用以判斷兩組數據的方差齊性
若兩組數據方差相等，則用t檢驗；若方差不等，則用變種的t'檢驗
總之，不論怎樣，都要用到F檢驗

『捌』 如何檢驗兩組數據是否具有顯著性差異

1， 首先，分別把這兩組數據分別設為x和y，打開SPSS，點擊左下角的Variable View選項卡，在Name列那裡的第一行輸y，第二行輸x，返回Data View選項卡，輸入對應的數據。

3， 舉個例子，如果你預先設定的a=0.05，求得的sig=0.000，則0.000<0.05，故應拒絕原假設（原假設一般為設它們之間無差異），認為這兩組數有顯著性差異。

(8)顯著性驗證方法和技巧擴展閱讀：

1， 當數據之間具有了顯著性差異，就說明參與比對的數據不是來自於同一總體（Population），而是來自於具有差異的兩個不同總體，這種差異可能因參與比對的數據是來自不同實驗對象的，比如一些一般能力測驗中，大學學歷被試組的成績與小學學歷被試組會有顯著性差異。也可能來自於實驗處理對實驗對象造成了根本性狀改變，因而前測後測的數據會有顯著性差異。

2， 比較方法：如果數據是連續性數據，且兩組數據分別服從正態分布&方差齊（方差齊性檢驗），則可以採用t檢驗，如果不服從以上條件可以採用秩和檢驗。

3， 想知道兩組數據是否有明顯差異？不知道這個明顯差異是什麼意思？是問差別有無統計學意義（即差別的概率有多大）還是兩總體均數差值在哪個范圍波動？如果是前者則可以用第2步可以得到P值，如果是後者，則是用均數差值的置信區間來完成的。當然兩者的結果在SPSS中均可以得到。

4， 在統計學中，差異顯著性檢驗是「統計假設檢驗」（Statistical hypothesis testing）的一種，用於檢測科學實驗中實驗組與對照組之間是否有差異以及差異是否顯著的辦法[1]。

5， 在實驗進行過程中，盡管盡量排除隨機誤差的影響，以突出實驗的處理效果，但由於個體間無法避免的差異，以及諸多無法控制的因素，使得實驗結果最後表現的觀察值處理處理效應之外，還包括實驗誤差的效應。因此對兩個樣本進行比較時，必須判斷樣本間差異主要是隨機誤差造成的，還是本質不同或處理效應引起的。

『玖』 平均數顯著性檢驗方法選擇

均數顯著性檢驗分為（樣本與總體的顯著性檢驗）和（樣本與樣本的顯著性檢驗）

一、樣本與總體的顯著性檢驗

 1、總體呈正態分布，標准差已知時，無論樣本大小，都用z檢驗；

 2、總體呈正態分布，標准差未知時，一般用t檢驗。但是大樣本時，可用z檢驗；

 3、總體呈非正態時，樣本是小樣本，就不能用參數檢驗，只能用非參數檢驗；樣本是大樣本時，用z檢驗。

二、樣本與樣本的顯著性檢驗

1、兩個樣本總體都呈正態分布，且標准差已知時，不管是相關樣本還是獨立樣本都要用z檢驗；

2、兩個樣本總體都呈正態分布，但標准差未知時；

A  獨立樣本，無論兩樣本方差是否齊性，都用t檢驗

B 相關樣本有兩種情況：r已知和r未知，雖然都是用t檢驗，但是標准誤的演算法不一樣

3、兩個樣本總體不呈正態分布時，但兩樣本是大樣本時，都用z檢驗，但是標准誤的演算法不一樣；

4、兩個樣本總體不呈正態分布時，小樣本，要用非參數檢驗。

『拾』 顯著性檢驗-顯著性檢驗

什麼是統計上的顯著性

顯著性，又稱統計顯著性（Statistical significance）， 是指零假設為真的情況下拒絕零假設所要承擔的風險水平，又叫概率水平，或者顯著水平。 顯著性的含義是指兩個群體的態度之間的任何差異是由於系統因素而不是偶然因素的影響。我們假定控制了可能影響兩個群體之間差異的所有其他因素，因此，餘下的解釋就是我們所推斷的因素，而這個因素不能夠100%保證，所以有一定的概率值，叫顯著性水平（Significant level） (10)顯著性驗證方法和技巧擴展閱讀 統計學的部分檢驗方法 1、單因素方差分析 用於完全隨機設計的多個樣本均值間的比較，其統計推斷是推斷(H0)各樣本所代表的各總體均數是否相等。方差分析方法適用於兩組均數的比較。方差分析是從觀測變數的方差入手，研究諸多控制變數中哪些變數是對觀測變數有顯著影響的變數。 2、曼惠特尼檢驗 曼-惠特尼秩和檢驗：假設兩個樣本分別來自除了總體均值以外完全相同的兩個總體，目的是檢驗這兩個總體的均值是否有顯著的差別。（分布存在差異） 3、多樣本非參數檢驗 Kruskal-Wallis檢驗實質是兩獨立樣本的曼-惠特尼U檢驗在多個樣本下的推廣。（秩和檢驗）.Jonckheere-Terpstra檢驗有點像KW檢驗後進一步檢驗位置是否存在遞增遞減關系。適合不同單位時間的行為序列mmse的比較 檢驗統計量的構造與曼惠特尼相似，如果一個樣本的觀測值小於另一個樣本的個數較多或較少，那麼，多樣本的位置之間有大小關系。（J反映了單調的趨勢，J越大單調趨勢越顯著） 參考資料來源：網路-顯著性

什麼是雙尾顯著性檢驗

通常，雙尾測試用於實驗研究，沒有強烈的方向期望，或者有兩個競爭預測。 例如，當一個理論預測分數增加而另一個理論預測分數減少時，應該使用雙尾檢驗。 應該使用單尾測試的情況包括在進行實驗之前進行方向預測，或者強烈要求進行方向預測時。 (10)顯著性驗證方法和技巧擴展閱讀： 顯著性檢驗的基本思想可以用小概率原理來解釋。 1、小概率原理：小概率事件在一次試驗中是幾乎不可能發生的，假若在一次試驗中小概率事件事實上發生了。那隻能認為該事件不是來自我們假設的總體，也就是認為我們對總體所做的假設不正確。 2、觀察到的顯著水平：由樣本資料計算出來的檢驗統計量觀察值所截取的尾部面積。這個概率越小，反對原假設，認為觀察到的差異表明真實的差異存在的證據便越強，觀察到的差異便越加理由充分地表明真實差異存在。 3、檢驗所用的顯著水平：針對具體問題的具體特點，事先規定這個檢驗標准。 4、在檢驗的操作中，把觀察到的顯著性水平與作為檢驗標準的顯著水平標准比較，小於這個標准時，得到了拒絕原假設的證據，認為樣本數據表明了真實差異存在。大於這個標准時，拒絕原假設的證據不足，認為樣本數據不足以表明真實差異存在。 5、檢驗的操作可以用稍許簡便一點的作法：根據所提出的顯著水平查表得到相應的值，稱作臨界值，直接用檢驗統計量的觀察值與臨界值作比較，觀察值落在臨界值所劃定的尾部內，便拒絕原假設；觀察值落在臨界值所劃定的尾部之外，則認為拒絕原假設的證據不足。 參考資料來源：網路 - 顯著性檢驗

什麼叫顯著性檢驗?

顯著性檢驗的原理就是「小概率事件實際不可能性原理」來接受或否定假設。其基本步驟如下：
第一：提出統計假設H0和HA。
第二：構造統計量t，並根據樣本資料計算t值。
第三：根據t分布的自由度，確定理論臨界值t0.05和t0.01。

P值和顯著性有什麼區別?

顯著性水平與P 值的區別： 1、表示含義不同： （1）顯著性水平是假設檢驗中的一個概念，是指當原假設為正確時人們卻把它拒絕了的概率或風險。 （2）P值即概率，反映某一事件發生的可能性大小。實際上，P值不能賦予數據任何重要性，只能說明某事件發生的幾率。 2、取值含義不同： （1）顯著性水平是公認的小概率事件的概率值，必須在每一次統計檢驗之前確定，通常取α=0.05或α=0.01。這表明，當作出接受原假設的決定時，其正確的可能性（概率）為95%或99%。 （2）統計學根據顯著性檢驗方法所得到的P 值，一般以P < 0.05 為有統計學差異， P<0.01 為有顯著統計學差異，P<0.001為有極其顯著的統計學差異。其含義是樣本間的差異由抽樣誤差所致的概率小於0.05 、0.01、0.001。 (10)顯著性驗證方法和技巧擴展閱讀P值計算方法 1、P值是： 1) 一種概率，一種在原假設為真的前提下出現觀察樣本以及更極端情況的概率。 2) 拒絕原假設的最小顯著性水平。 3) 觀察到的(實例的)顯著性水平。 4) 表示對原假設的支持程度，是用於確定是否應該拒絕原假設的另一種方法。 2、P值的計算： 一般地，用X 表示檢驗的統計量，當H0為真時，可由樣本數據計算出該統計量的值C，根據檢驗統計量X的具體分布，可求出P值。具體地說： 左側檢驗的P值為檢驗統計量X 小於樣本統計值C 的概率，即：P = P{ X < C} 右側檢驗的P值為檢驗統計量X 大於樣本統計值C 的概率：P = P{ X > C} 雙側檢驗的P值為檢驗統計量X 落在樣本統計值C 為端點的尾部區域內的概率的2 倍：P = 2P{ X > C} (當C位於分布曲線的右端時) 或P = 2P{ X C} 。 參考資料來源：網路-顯著性水平 參考資料來源：網路-假設檢驗中的P值

什麼事顯著性分析

1.概念與意義 在假設檢驗中，顯著性水平顯著性水平顯著性水平顯著性水平（（（（Significant level，，，，用用用用α表示表示表示表示））））的確定是假設檢驗中至關重要的問題。 顯著性水平是在原假設成立時檢驗統計量的值落在某個極端區域的概率值。因此，如果取α= 0.05，如果計算出的p值小於α ，則可認為原假設是一個不可能發生的小概率事件。當然，如果真的發生了，則犯錯誤的可能性為5%。顯然，顯著性水平反映了拒絕某一原假設時所犯錯誤的可能性，或者說， α是指拒絕了事實上正確的原假設的概率。 2.通常的取值 α值一般在進行假設檢驗前由研究者根據實際的需要確定。 常用的取值是0.05或0.01。對於前者，相當於在原假設事實上正確的情況下，研究者接受這一假設的可能性為95%；對於後者，則研究者接受事實上正確的原假設的可能性為99%。 顯然，降低α值可以減少拒絕原假設的可能性。因此，在報告統計分析結果時，必須給出α值。 3.進行統計推斷 在進行假設檢驗時，各種統計軟體均會給出檢驗統計量觀測值以及原假設成立時該檢驗統計量取值的相伴概率（即檢驗統計量某特定取值及更極端可能值出現的概率，用p表示）。 p值是否小於事先確定的α值，是接受或拒絕原假設的依據。 如果p值小於事先已確定的α值，就意味著檢驗統計量取值的可能性很小，進而可推斷原假設成立的可能性很小，因而可以拒絕原假設。相反，如果p值大於事先已確定的α值，就不能拒絕原假設。 在計算機技術十分發達，以及專業統計軟體功能十分強大的今天，計算檢驗統計量及其相伴概率是一件十分容易的事情。 然而，在20世紀90年代以前，只有服從標准正態分布的檢驗統計量，人們可以直接查閱事先准備好的標准正態分布函數表，從中獲得特定計算結果的相伴概率。而對於的服從t-分布、F-分布、卡方分布或其它特殊的理論分布的檢驗統計量（大多數的假設檢驗是這樣），人們無法直接計算相伴概率。人們通常查閱各類假設檢驗的臨界值表進行統計推斷。這些表格以自由度和很少的幾個相伴概率（通常為0.1、0.05和0.01）為自變數，以檢驗統計量的臨界值為函數排列。 在進行統計推斷時，人們使用上述臨界值表根據事先確定的顯著性水平，查閱對應於某一自由度和特定相伴概率的檢驗統計量的臨界值，然後將所計算出的檢驗統計量與該臨界值相比較。如果檢驗統計量的計算值大於臨界值，即實際的相伴概率小於事先規定的顯著性水平，便可拒絕原假設。否則，可接受原假設。 4.舉例 在根據顯著性水平進行統計推斷時，應注意原假設的性質。 以二元相關分析為例，相關分析中的原假設是「相關系數為零」（即2個隨機變數間不存在顯著的相關關系）。如果計算出的檢驗統計量的相伴概率（p值）低於事先給定α值（如0.05），就可以認為「相關系數為零」的可能性很低， 既2個隨機變數之間存在顯著的相關關系。 在正態分布檢驗時，原假設是「樣本數據來自服從正態分布的總體」。此時，如果計算出的檢驗統計量的相伴概率（p值）低於事先給定α值（如0.05），則表明數據不服從正態分布。只有p值高於α值時，數據才服從正態分布。這與相關分析的假設檢驗不同。 5.作者在描述相關分析結果時常有的失誤 僅給出相關系數的值，而不給出顯著性水平。這就無法判斷2個隨機變數間的相關性是否顯著。 有時作者不是根據顯著性水平判斷相關關系是否顯著，而是根據相關系數的大小來推斷（相關系數越近1，則相關關系越顯著）。問題是，相關系數本身是一個基於樣本數據計算出的觀測值，其本身的可靠性尚需檢驗。 此外，作者在論文中常常用「顯著相關」和「極顯著相關」來描述相關分析結果，即認為p值小於0.05就是顯著相關關系（或顯著相關），小於0.01就是極顯著相關關系（或極顯著相關）。 在假設檢驗中，只有 「顯著」和 「不顯著」，沒有「極顯著」這樣的斷語。只要計算出的檢驗統計量的相伴概率（p值）低於事先確定的α值，就可以認為檢驗結果「顯著」（相關分析的原假設是「相關系數為零」，故此處的「顯著」實際意味著「相關系數不為零」，或說「2個隨機變數間有顯著的相關關系」）；同樣，只要計算出的檢驗統計量的相伴概率（p值）高於事先確定的α值，就可以認為檢驗結果「不顯著」。 在進行相關分析時，不能同時使用0.05和0.01這2個顯著性水平來決定是否拒絕原假設，只能使用其中的1個。