乡亲们
每天,我们都会接触到各种调查和民调的结果。一个典型的例子可能是:奥巴马总统在一项民调中以48%对45%的得票率领先米特·罗姆尼,但这一结果在统计学上并不显著。一个合理的问题可能是:“所谓‘统计学上显著’究竟是什么意思?”
为了确定统计学上的显著性,统计学家通常会采用以下标准:如果结论出错的概率不超过5%,则认为该结果具有统计学上的显著性。因此,当另一项民调显示奥巴马总统以49%对44%领先,且这一结果具有统计学上的显著性时,从统计学角度来看,该结论出错的概率小于5%。 5%这一标准并非一成不变。有时可能会采用10%、1%甚至0.1%。不过,传统上将5%作为“统计学显著性”的默认值。此外,还需要了解的是,样本中的数据点越多,结果就越有可能具有统计学显著性。
但是,如果某些数据在统计学上显著,是否就一定在“实际”上也具有显著意义呢?举个例子,假设你非常喜欢巧克力。你最喜欢的品牌参加了一次口味测试,得分是10分中的9.6分,而一款新推出的巧克力得分是10分中的9.7分,且这一结果在统计学上具有显著性。不过,这款新巧克力的价格却是原来的5倍。为了换成这款新巧克力,多花这笔钱值得吗? 在这种情况下,我们必须问:这种差异在实际意义上是否显著?答案很可能是“不”。10分中0.1分的差异非常微小,而且口味本身也是主观的。在此情况下,该结果可能并不具有实际意义。口味测试的主观性可能意味着,你要么尝不出两者的区别,要么还是最喜欢你原本最爱的巧克力。
让我们来看一个主观性较弱的例子。假设在某项应用 中,焊料空洞率 是关键关注点。因此,你测量了两种焊膏的空洞率 。在收集了数百个数据点后,你发现一种焊膏的平均空洞率 为8%,另一种为7%。通过Mintab®软件进行分析后,结果显示这一差异在统计学上显著。但这一差异在实际应用中是否具有显著意义?恐怕并非如此。
如何确定实际意义?通常是通过实验来确定,在某些情况下则依靠经验。以我们关于焊料的例子空洞率 为例,假设实验表明,只要空洞率 的平均值低于 30%,就无需担心。鉴于此,工程部门可能制定了一项规范,规定空洞率 的平均值不得超过 25%。 (以上讨论均假设数据的离散程度或标准方差 不大,但这一问题属于另一个讨论的范畴。)因此,在这种情况下,7%与8%之间的差异空洞率 虽然在统计学上可能显著,但在实际应用中却不显著。因此,如果8%的焊膏具有其他理想特性——例如对暂停的响应 更好、 抗葡萄球 能力更强 ,或者性能有所提升 枕头缺陷 缺陷。
因此,请时刻问自己:这种差异在统计学上和实际应用中 是否都成立。
图中所示的是焊点葡萄球 ,其问题往往比空洞率 更值得关注。
干杯
罗恩博士


