刚在那个什么 创新医学网 上看见过 医学论文 写作辅导的文章 这个知道是不是 你要的答案 统计资料的显著性检验(significant test)方法的选择是医学论文中常常遇见的问题，退稿原因中常有显著性检验方法选择不当。如t检验、u检验、χ2检验等，虽然各有其应用范围和要求，但也其共同之处。作者可根据统计资料的类型，选择一种或几种检验方法。但当作者在获得一组、两组或两组以上的数据资料时，选择何种显著性检验，是至关重要的问题。不同的资料类型其统计指标、统计检验的方法是不同的，见表1。 医学生物研究中，许多指标都是服从正态分布(u分布)的，而随着样本含量加大或自由度增大，t分布、χ2分布、F分布都趋向于正态分布见图1、图2。 在《中华创伤杂志》第12卷1～6期和增刊中文章所涉及的统计方法(表2)，表明了正态分布的广泛性、常见性。 故当作者获得数据资料后，首先应进行正态性检眩�范ㄊ欠为标准正态分布(或近似正态分布)或不属于正态分布。笔者首先推荐概率单位法。 当统计资料属于正态分布或近似正态分布时，差异显著性检验方法的选裕�诜合其应用条件下，一般可按表3进行选择。 显著性检验应用时的主要注意事项：(1)率值或均值在进行显著性检验前，应注意样本的代表性和可比性。(2)检验结果接近显著性界限时：要多方面考虑，是否确实不存在差异；或是观察例数不够，而需加大样本例剩换是检验公式运用不当，可用其他检验印证。(3)多个样本比例数的χ2检验，差异显著性，只能说明多组比例数不同或不完全相同，而不能确定哪个比例数不同，要进一步进行显著性检验才能了解两个样本比例数是否构成相同。表1 一般情况下不同资料的统计指标与检验方法的关系资料类型 统计指标 统计检验方法 计量资料 均数、标准差 t检验、F检验等 计数资料 率、构成比 χ2检验等 半定量资料 率、构成比 秩和检验、Ridit分析表2 《中华创伤杂志》第12卷1～6期、 增刊显著性检验方法使用频数检验方法 应用次数 检验方法 应用次数 t检验 27 直线相关与回归分析 5 χ2检验 16 拟合线性回归 1 F检验 24 相关分析 6 Q检验 2 非参数统计 4 u检验 1 未注明方法 6表3 常用显著性检验方法的选择统计资料比较类型 显著性检验 小样本均数与总体均数相比较 t检验 小样本均数相比较 t检验、F检验 两个或多个大样本均数与 总体均数相比较 u检验、t检验 大样本均数相比较 u检验、t检验 配对计量资料 配对t检验 两个率的比较 u检验、χ2检验 多个样本率的的比较 χ2检验 配对计数资料两种属性的 相关分析及其差别的比较 χ2检验
交互作用p值的意义：p值就是说出现统计量极端值的概率，官方解释就是书上的出现统计量目前值及更不利于的0假设值的概率这是定义，具体含义是0假设成立时，犯第一类错误的概率。
P值越小，我们拒绝原假设的理由越充分。总之，P值越小，表明结果越显著。但是检验的结果究竟是“显著的”、“中度显著的”还是“高度显著的”需要我们自己根据P值的大小和实际问题来解决。
研究方法
当存在交互作用时，单纯研究某个因素的作用是没有意义的，必须分另一个因素的不同水平研究该因素的作用大小。
如果所有单元格内都至多有一个元素，则交互作用无法测量，只能不予考虑，最典型的例子就是配伍设计的方差分析。
实验设计方法中交互作用表示当两种或几种因素水平同时作用时的效果较单一水平因素作用的效果加强或者减弱的作用。
科学研究很早就已经从简单的定性分析深入到细致的定量分析，科研工作者要面对大量的数据分析问题，科研数据的统计分析结果直接影响着论文的结果分析。在医学科研写作中，实验设计的方法直接决定了数据采取何种统计学方法，因为每种统计方法都要求数据满足一定的前提和假定，所以论文在实验设计的时候，就要考虑到以后将采取哪种数据统计方法更可靠。医学统计方法的错误千差万别，其中最主要的就是统计方法和实验设计不符，造成数据统计结果不可靠。下面，医刊汇编译列举一些常见的可以避免的问题和错误：打开百度APP，查看更多高清图片一、数据统计分析方法使用错误或不当。医学论文中，最常见的此类错误就是实验设计是多组研究，需要对数据使用方差分析的时候，而作者都采用了两样本的均数检验。二、统计方法阐述不清楚。在同一篇医学论文中，不同数据要采取不同统计处理方法，这就需要作者清楚地描述出每个统计值采用的是何种统计学方法，但在许多使用一种以上数据统计分析方法的医学论文中，作者往往只是简单地把论文采用的数据统计方法进行了整体罗列，并没有对每个数据结果分析分别交代具体的统计方法，这就很难让读者确认某一具体结果作者到底采用的是何种数据分析方法。三、统计表和统计图缺失或者重复。统计表或者统计图可以直观地让读者了解统计结果。一个好的统计表或统计图应该具有独立性，即作者即使不看文章内容，也可从统计表或统计图中推断出正确的实验结果。而一些医学论文只是简单地堆砌了大量的统计数字，缺乏直观的统计图或表；或者虽然也列出了统计表或统计图，但表或图内缺项很多，让读者难以从中提取太多有用的信息。另外，也有作者为了增加文章篇幅，同时列出统计表和统计图，造成不必要的浪费和重复。统计表的优点是详细，便于分析研究各类问题。统计图(尤其是条形统计图)的优点是能够直观反映变量的数量差异。医学论文中对数据统计结果的解释，最常见的两个错误就是过度信赖P值(结果可信程度的一个递减指标)和回避阴性结果。前一个错误的原因是因为一些作者对P值含义理解有误，把数据的统计学意义和研究的临床意义混淆。所以医学研究人员一定要注意不能单纯依靠统计值武断地得出一些结论，一定要把统计结果和临床实践结合在一起，这样才会避免出现类似的错误。至于回避阴性结果，只提供阳性结果，是因为不少作者在研究设计时，难以摆脱的一种单向的思维定式就是主观地先认定自己所预想的某种结果结论。在归纳某种结果原因时，从一个方向的实验就下完美的结论，尤其是如果这个结论可能对实际情形非常有意义时。这样的思维定势过于强调统计差异的显著性，有时会刻意回避报道差异的不显著结果，不思考和探究差异不显著的原因和意义，反而会因此忽视一些重大的科学发现。
医学论文中常用统计分析方法的合理选择目前，不少医学论文中的统计分析存在较多的问题。有报道,经两位专家审稿认为可以发表的稿件中,其统计学误用率为90%-95%。为帮助广大医务工作者提高统计分析水平，本文将介绍医学论文中常用统计分析方法的选择原则及应用过程中的注意事项。 检验t检验是英国统计学家 1908年根据t分布原理建立起来的一种假设检验方法，常用于计量资料中两个小样本均数的比较。理论上，t检验的应用条件是要求样本来自正态分布的总体，两样本均数比较时，还要求两总体方差相等。但在实际工作中，与上述条件略有偏离，只要其分布为单峰且近似正态分布，也可应用[2]。常用的t检验有如下三类：①单个样本t检验：用于推断样本均数代表的总体均数和已知总体均数有无显著性差别。当样本例数较少（n＜60）且总体标准差未知时，选用t检验；反之当样本例数较多或样本例数较少、总体标准差已知时，则可选用u检验 [3]。②配对样本t检验：适用于配对设计的两样本均数的比较，在选用时应注意两样本是否为配对设计资料。常用的配对设计资料主要有如下三种情况：两种同质受试对象分别接受两种不同的处理；同一受试对象或同一样本的两个部分，分别接受不同的处理；同一受试对象处理前后的结果比较。③两独立样本t检验：又称成组t检验，适用于完全随机设计的两样本均数的比较。与配对t检验不同的是，在进行两独立样本t检验之前，还必须对两组资料进行方差齐性检验。若为小样本且方差齐，则选用t检验；反之若方差不齐，则选用校正t检验（t’检验），或采用数据变换的方法（如取对数、开方、倒数等）使两组资料具有方差齐性后再进行t检验，或采用非参数检验[4]。此外，当两组样本例数较多（n1、n2均＞50）时，这时应用t检验的计算比较繁琐，可选用u检验[5]。 2.方差分析方差分析适用于两组以上计量资料均数的比较，其应用条件是各组资料取自正态分布的总体且各组资料具有方差齐性。因此，在应用方差分析之前，同样和成组t检验一样需要对各组资料进行正态性检验、方差齐性检验。常用的方差分析有如下几类：①完全随机设计的方差分析：主要用于推断完全随机设计的多个样本均数所代表的总体均数之间有无显著性差别。完全随机设计是将观察对象随机分为两组或多组，每组接受一种处理，形成两个或多个样本。②随机区组设计的方差分析：随机区组设计首先是将全部受试对象按某种或某些特性分为若干区组，然后区组内的每个研究对象接受不同的处理，通过这种设计，既可以推断处理因素又可以推断区组因素是否对试验效应产生作用。此外，由于这种设计还使每个区组内研究对象的水平尽可能地相近，减少了个体间差异对研究结果的影响，比成组设计更容易检验出处理因素间的差别。③析因设计的方差分析：将两个或两个以上处理因素的各种浓度水平进行排列组合、交叉分组的试验设计。它不仅可以检验每个因素各水平之间是否有差异，还可以检验各因素之间是否有交互作用，同时还可以找到处理因素的各种浓度水平之间的最佳组合。此外，还有正交设计、拉丁方设计等多种方差分析法，实验者在应用时可以参考相关的统计学著作。目前，某些医学论文中有这样的情况，就是用t 检验代替方差分析对实验数据进行统计学处理，这是不可取的。t 检验只适用于推断两个小样本均数之间有无显著性差别，而采用t 检验对多组均数进行两两比较，会增加犯I 型错误的概率，即可能把本来无差别的两个总体均数判为有差别，使结论的可信度降低[6]。对多个样本均数进行比较时，正确的方法是先进行方差分析，若检验统计量有显著性意义时，再进行多个样本均数的两两（多重）比较。3.卡方检验（χ2检验）χ2检验是一种用途比较广泛的假设检验方法，但是在医学论文中常用于分类计数资料的假设检验，即用于两个样本率、多个样本率、样本内部构成情况的比较，样本率与总体率的比较，某现象的实际分布与其理论分布的比较。但是当样本满足正态近似条件时，如样本例数n与样本率p满足条件np与n（1— p）均大于5，则可以计算假设检验统计量u值来进行判断。常用的χ2检验分为如下几类：①2×2表χ2检验：适用于两个样本率或构成比的比较，在应用时，当整个试验的样本例数n≥40且某个理论频数1≤T＜5时，需对χ2值进行连续性校正。因为T值太小，会导致χ2值增大，易出现假阳性结论。此外，若样本例数n＜40，或有某个T值＜1，此时即使采用校正公式计算的χ2值也有偏差，需要用2×2表χ2检验的确切概率检验法（Fisher确切检验法）。②配对资料χ2检验：适用于配对设计的两个样本率或构成比的比较，即通过单一样本的数据推断两种处理结果有无显著性差别。在应用时，如果甲处理结果为阳性而乙处理结果为阴性的样本例数n1与甲处理结果为阴性而乙处理结果为阳性的样本例数n2之和＜40，需要对计算的χ2值进行校正。③R×C表χ2检验：适用于多个样本率或构成比的比较。在R×C表χ2检验中，若检验统计量有显著性意义时，还需要对多个样本率或构成比进行两两比较，即分割R×C表，使之成为非独立的四格表，并对每两个率之间有无显著性差别作出结论。 2×2表资料在应用时可分为如下几种类型：横断面研究设计的2×2表资料、队列研究设计的2×2表资料、病例-对照研究设计的2×2表资料、配对研究设计的2×2表资料。研究者应注意不同类型的2×2表资料的统计分析方法略有差别，比如在分析队列研究设计的2×2表资料时，如果用χ2公式计算得到P＜，研究者则应再计算相对危险度（RR）并检验总体RR与1之间的差异是否具有统计学意义。此外，在进行R×C表χ2检验时，还有如下两个主要的注意事项：首先，T值最好不要＜5，若有1/5的T值＜5，χ2检验结论是不可靠的，解决的办法有三种：增大样本量；删去T值太小的行和列；将T值太小的行或列与性质相近的邻行或邻列的实际频数合并。其次，不同类型的R×C表资料选择的统计分析方法是不一样。①双向无序的R×C表资料：可以选用一般的χ2公式计算。②单向有序的R×C表资料：如果是原因变量为有序变量的单向有序R×C表资料，可以将其视为双向无序的R×C表资料而选用一般的χ2检验公式计算，但如果是结果变量为有序变量的单向有序R×C表资料，选用的统计分析方法有秩和检验、Radit分析和有序变量的logistic回归分析等。③双向有序且属性不同的R×C表资料：对于这类资料采用的统计分析方法不能一概而论，应根据研究者的分析目而合理选择。如果研究者只关心原因变量与结果变量之间的差异是否具有统计学意义时，此时，原因变量的有序性就显得无关紧要了，可将其视为结果变量为有序变量的单向有序R×C表资料进行分析。如果研究者希望考察原因变量与结果变量之间是否存在线性相关关系，此时需要选用处理定性资料的相关分析方法如Spearman秩相关分析方法等。如果两个有序变量之间的相关关系具有统计学意义，研究者希望进一步了解这两个有序变量之间的线性关系，此时宜选用线性趋势检验。如果研究者希望考察列联表中各行上的频数分布是否相同，此时宜选用一般的χ因此，对于适用参数检验的资料，最好还是用参数检验。秩和检验是最常用的非参数检验，它包括如下几类：①配对资料的符号秩和检验（Wilcoxon配对法）：是配对设计的非参数检验。当n≤25时，可通过秩和检验对实验资料进行分析；当n＞25时，样本例数超出T界值表的范围，可按近似正态分布用u检验对实验资料进行分析。②两样本比较的秩和检验（Wilcoxon Mann-Whitney检验）：适用于比较两样本分别代表的总体分布位置有无差异。如果样本甲的例数为n1，样本乙的例数为n2，且n1＜n2；当n1≤10、n2—n1≤10时，可通过两样本比较的秩和检验对实验资料进行分析；当n1、n2超出T界值表的范围时，同样可按近似正态分布用u检验对实验资料进行分析。③多个样本比较的秩和检验（Wilcoxon Kruskal-Wallis检验）：适用于比较各样本分别代表的总体的位置有无差别，它相当于单因素方差分析的非参数检验，计算方法主要有直接法和频数表法等。此外，在进行上述3类秩和检验（前两类秩和检验实际上已经被u检验替代）时，如果相同秩次较多，则需要对计算的检验统计量进行校正。公式计算。④双向有序且属性相同的R×C表资料：这类资料实际上就是配对设计2×2表资料的延伸，在分析这类资料时，实验者的目的主要是研究两种处理方法检测结果之间是否具有一致性，因此常用的统计分析方法为一致性检验或Kappa检验。4. 非参数检验非参数检验可不考虑总体的参数、分布而对总体的分布或分布位置进行检验。它通常适用于下述资料[2]：①总体分布为偏态或分布形式未知的计量资料(尤其样本例数n＜30时)；②等级资料；③个别数据偏大或数据的某一端无确定的数值；④各组离散程度相差悬殊，即各总体方差不齐。该方法具有适应性强等优点，但同时也损失了部分信息，使得检验效率降低。即当资料服从正态分布时，选用非参数检验法代替参数检验法会增大犯Ⅱ类错误的概率。
医学文献翻译软件推荐如下：
1、Transgod。这款软件上传文件后直接翻译就可以，操作简单。同时它还可以保留医学专业词汇翻译的准确率和正确率。一般来说文献都存在有大量的表格，图线等，而这款软件翻译后可以保持文献的版式不变，从而有利于直接进行中英文对比，有利于中文直接进行引用。2、ACT智能医学翻译平台。这个平台最令人喜爱的是他免费开放使用，而且他既支持文档也支持文献的医学翻译使用，适用PDF、WORD等多种模板。当然，最重要的是涵盖大量的医药领域术语，这些术语来源于药典、开放性药物数据库、以及大量的医学书籍，可以很好地支持医学相关领域的翻译。3、欧路词典。欧路词典作为一个专业的词典，它的专业性词汇量毋庸置疑，可以提供其他软件提供不了的医学专业词汇。除此之外，它在进行相关翻译的同时会配备上相应的图文，不得不说配备上图文上对于翻译来说更有助于理解。
除了以上介绍的这三款软件，肯定还有各种各样的医学翻译软件，而且每个人的使用习惯也不尽相同，可能对于不同的软件的喜爱程度也不同，需要自己独自去摸索出来最适合自己的翻译软件。
现在都在使用金山词霸了，里面的单词超过20W，很实用的，感觉比有道词典好用多了。
英文翻译成中文是一项需要专业知识和技巧的工作，下面湖南雅言翻译公司将为您介绍几种方法，帮助您有效地翻译英文到中文。方法一：直接翻译这是最常见的翻译方法，也是最简单的。当你面对一个英文句子时，你可以通过将单词一个一个地翻成中文来构建句子。但是需要注意的是，在翻译过程中要特别注意语法和表达方式。例如，将以下英文句子翻译成中文：“He loves playing soccer with his friends.”可以直接翻译为“他喜欢和他的朋友一起踢足球。”方法二：意译法意译法是一种快速翻译长句子的方法。它并不是原样翻译，而是将原句子的含义转化为中文，并结合中文的表达方式来表达原意。这种方法适用于翻译口语或日常用语。例如，将以下英文句子翻译成中文：“Break a leg!”可以翻译成“祝你好运!”或“加油!”等含义相近的中文表达方式。方法三：背景知识法在进行专业翻译时，必须有相关的背景知识。通过了解相关领域的专业术语和文化背景，可以更好地理解原文，并准确地翻译成中文。例如，将以下医学论文中的英文句子翻译成中文：“A double-blind, randomized, placebo-controlled trial of olanzapine in the treatment of tardive dyskinesia.”需要对医学领域的专业术语有一定的了解才能恰当地翻译，“双盲、随机、安慰剂对照试验评估奥氮平治疗晚发性运动障碍的疗效”。方法四：机器翻译随着科技的不断进步，机器翻译已经日益成熟。这种方法适用于翻译文章或大量文本，并具有时间和精力上的优势。但是，需要注意的是，机器翻译在专业术语、语言差异等方面存在缺陷，因此还需要人工修正和校对。例如，使用谷歌翻译将以下英文句子翻译成中文：“The quick brown fox jumps over the lazy dog.”翻译结果为“敏捷的棕色狐狸跳过懒惰的狗。”总之，翻译英文到中文需要掌握各种技巧和方法，并且需要基于文化、背景和语境等因素进行翻译。只有通过不断学习和实践，才能成为一名优秀的翻译工作者。
因为他的论文写出来大多数人的心声，也让人觉得很真实，所以才能引起大家的共鸣。
医疗媒体一般负责医院的新媒体运营等工作，例如：按照医院要求负责抖音.小红书.视频号.知乎等新媒体的日常运营和维护工作，为专家医生打造人设服务；负责短视频接诊、案例、科普视频的拍摄及文案策划工作；负责品牌自媒体的深度运营，深入发掘和分析用户需求与喜好，提升自媒体影响力及用户活跃度，包括用户调查.内容产出.投放渠道.数据反馈.调整优化等；研究新兴社会化网络营销应用平台及手段，扩展各自媒体账号粉丝量引入渠道.提升用户活跃度.增加粉丝量。
在医患关系如此紧张的今天，首先要消除患者对医者的不信任，医疗自媒体更应该坚守这一点才能有长久的运营。前几天微博微信空间动态都被陕西跳楼的孕妇刷屏。开始舆论的导向一直是对患者家属很不利，我也想的是这家子人又可以讹一大笔钱，然后那个男的又可以换一个貌美如花的女子相守一生。我开始觉得这样是很恶心的一种发展方向，就像当年的老人碰瓷，只要有老人倒了第一反应这就是碰瓷的，错都在老人。
这一次我也想当然以为是家属闹事，医院无辜背锅，可是最近的发展竟是医院用的医学术语使舆论导向偏向他们，这也是挺让人震惊的，一条人命，怎么都要突出家属的不对，医院只是监护不当这样转移人的视线，家属的内心压力有多大，他们的内心又有多么的痛。
虽然拿到了赔偿，但是他们的孩子回不来了，他的妻子也不能在陪他度过余生了，如果一开始医院有问过家属，重视下孕妇，还是说他们在医院见到这样的事多了已经麻木了？总之，这样的悲剧就可以避免。
作为一个医疗自媒体最重要就是要分清事实，搞清楚事情真相，不要带节奏，搞偏舆论导向。人心还是暖的，不要让人对这个行业产生偏见，以前是看病救人，现在是看钱救人，怎么不让人心寒。医患关系处理好，舆论导向不带偏，至少要给世人一个真相，这样才能长久运营。
自媒体现在非常流行，各行各业都开通了自己的自媒体。关于医疗自媒体如何运营，妹子我有几点看法。
尽量原创为主
如果只是从网上搬来一些东西的话，那么谁又会愿意看呢？除非是一些热点爆点。所以如果做自媒体，也可以找一个文采相对好一些并且有一定的经验的人来做，这样的话，效果方面也会更好。
健康类常识为主
医疗多少是跟健康沾点关系的，所以做此类的自媒体可以从健康方面入手。
如果不从事一个行业，我们也很难对这个行业了解，但是人们对这个行业健康类的知识确实十分渴求的。
所以如果自媒体分享一些跟人们生活相关的健康的话，现在人人都很关心自己的健康问题，那么自然有人愿意去看的自媒体文章了。
穿插一些客户类案例
我们都知道做自媒体一方面是想推广自己的品牌，另外一方面则是为了引流，所以在自媒体的过程中穿插一些客户类的案例也是非常必要的，因为医疗类的只有让别人看到效果方面才会愿意了解并选择你这个品牌。
自媒体需要一个长期的过程，并且其知名度和影响力都是需要长期才能积累起来，但是做自媒体的人一定要能及时发现自媒体中的问题，比如说用户喜欢哪个类型文章，那篇文章是属于爆文，客户反响度如何等等，都是需要定期统计并做分析的。
因为只有精准统计好相关的数据，挖掘自己潜在客户，这样自媒体才能起到很好的效果。
采用spss软件，单因素分组对照计算。
t值和P值都用来判断统计上是否显著的指标。在p值就是拒绝原假设的最小alpha值，把统计量写出来，带进去算出来之后，根据统计量的分布来算p值。P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较。由R·A·Fisher首先提出。Fisher的具体做法
假定某一参数的取值，选择一个检验统计量，在该统计量的分布在假定的参数取值为真时应该是完全已知的从研究总体中抽取一个随机样本计算检验统计量的值计算概率值或者说观测的显著水平即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。
我们常常在统计学应用中看到P值，F值，T值，这些参数是什么？我想应该先讲讲“假设检验”，弄明白假设检验，很多问题就通了。
本文首先介绍了假设检验在统计学的位置，然后从 显著性检验 、 P值的疑问 、 假设检验方法的使用 三个角度描述假设检验。
统计学按照发展阶段和侧重点不同，可分为描述统计学和推断统计学 [1]
描述统计学 是阐述如何对客观现象的数量表现进行计量表示； 推断统计学 主要阐述如何根据部分数据(样本统计量)去推论总体的数量特征及规律性的一系列理论和方法
假设检验(hypothesis testing)作为推断统计学的重要部分，用来判断样本与样本、样本与总体的差异是由抽样误差引起还是本质差别造成的统计推断方法。
显著性检验是假设检验中最常用的一种方法，也是一种最基本的统计推断形式，其基本原理是先对总体的特征做出某种假设，然后通过抽样研究的统计推理，对此假设应该被拒绝还是接受做出推断。
常用的假设检验方法有Z检验、T检验、卡方检验、F检验等 [2]
显著性检验（significance test）是假设检验的一种最常用的方法，用于检测实验组与对照组是否有差异以及差异是否显著的办法。
因为显著性检验<假设检验<推断统计学，所以显著性检验具有以下特点：
小概率事件实际不可能性原理是显著性检验的基本原理，如果P小于阈值 ，表明事件是小概率事件，存在发生的可能性但可能性不大甚至不可能发生，所以认为 大概率不会发生，拒绝原假设。
显著性水平是假设检验中的一个概念，是指当原假设为正确时人们却把它拒绝了所愿意承担的风险。 通常取α=或α=。这表明，当作出决策时，其正确的可能性为95%或99%，有或α=下错结论的风险。
置信度也称为可靠度，或置信水平、置信系数 置信度 = 1-α
什么是显著性差异？
H0和H1的设置，不管在什么场景要满足：
赌场上你想检查一下抛掷的硬币是否被动过手脚，要求抛几次硬币看结果是不是公平的。 总共扔了十次，也都是“花”朝上，认为很可能这枚硬币不是公平的。
这就是假设检验： 你提出假设：说硬币是正常的 （H0：硬币是正常的；H1：硬币不正常） 我提出要检验你的假设：扔十次，看实验的结果是不是和你的假设相符
反复扔硬币应该符合二项分布
总共扔10次硬币，那么是出现7次正面之后，可以认为“硬币是不公平的”，还是在出现9次正面以后认为“硬币是不公平”，这是一个主观标准，看你能够承担的风险有多大，也就是显著性水平 。
例如取 为， ，则认为原假设是小概率事件，拒绝原假设，认为硬币不正常，存在显著性差异（和正常硬币的抛掷分布情况很不一样）。 由于取 为，所以这个决策有95%的准确性。
P值是指在特定的统计假设模型下，数据的某个统计指标（如两组样本均数之差）等于观察值或比观察值更为极端的概率。
上文显著性检验就是比较P值和 之间的关系做出决策，但对P值的争议很大，因此需要单独讲一讲P值。
目前科学界对P值的使用存在很大的置疑，认为P值是是扰人烦的蚊子，是皇帝的新衣，比“毫无用处”还糟糕 [6] 。
林泽民教授2016/6/6在台湾政大社科院的演讲，题目为《看电影学统计：p值的陷阱》提到统计学很快会有很重大的改变，传统的作法：用P值来作统计检定的作法，大概再过几年就不容易再存在。
2018年1月22日，美国政治学顶级学术期刊《政治分析》在他们的官方twitter上宣布从2018年的开始的第26辑起禁用p值。根据该刊的声明，其主要原因是：“p值本身无法提供支持相关模式或假说之证据。”
在临床试验中P值的使用尤为普遍，用来检验药物的有效性，P值问题使得近半数的相关论文可靠性被推翻。
为什么说P值是个陷阱？为什么P值本身无法支持相关模式或假说之证据？
主要原因是因为：P值只能对样本数据负责，但模型的意义在于推断总体，所以总有以偏概全的风险存在。同时，因为P值易受样本操控，而很多研究为了得到想要的结论，往往是不断调整样本量，直到得到想要的结果 [8] 。
P值本身是没有问题的，但如果单纯只依赖P值是否小于 做出决策却也是不可取的，学术界反对的是P值的滥用。
美国统计协会（American Statistical Association，ASA）全面透彻地梳理了统计界关于P值的统计意义并形成共识 [7] ：
而常用统计推断检验方法分为两大类：参数检验和非参数检验
根据总体数据是否服从某种分布，采用参数检验和非参数检验两种检验方法，具体使用哪种检验方法根据属性和要求决定。
某公司运营团队为了针对活跃度提升专题运营活动的效果进行测试，从同样群体中抽出两组人群，一组运营组，一组对照组。30天后运营活动结束后，想要知道该次针对性运营是否有效，两组活跃度分数是否差异明显?
T检验是数据化运营效果分析中应用最多的方法和技术。使用要求为：1）样本组之间独立；2）每组样本来自正态分布总体；3）两个独立样本方差相等。
虽然两组都是独立的，但两组样本的总体不一定是正态分布的，方差也不一定相等，我们可以采用非参数检验—wilcoxon符号秩检验。
wilcoxon符号秩检验适用于两个独立样本间的两两比较。
如果不能确定总体是否为正态分布，则只能退而求其次用非参数检验的方法。如果满足T检验要求，有限考虑T检验的结果。
[1] 推断统计学： [2] 假设检验： [3] 显著性水平： [4] 显著性差异： [5] 统计学假设检验中 p 值的含义具体是什么？ [6] 统计学里“P”的故事：蚊子、皇帝的新衣和不育的风流才子： [7] 临床试验中P值的意义及结果： [8] P值的陷阱： [9] 非参数检验：
你把各组30例原始数据拿来可以直接统计分析，你所给的数据不能分析。
统计中t值和p值的区别为：
1、t值，指的是T检验，主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料。T检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。
2、P值，就是当原假设为真时，所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。
p值代表的是不接受原假设的最小的显著性水平，可以与选定的显著性水平直接比较。例如取5%的显著性水平，如果P值大于5%，就接受原假设，否则不接受原假设。这样不用计算t值，不用查表。
3、P值能直接跟显著性水平比较；而t值想要跟显著性水平比较，就得换算成P值，或者将显著性水平换算成t值。在相同自由度下，查t表所得t统计量值越大，其尾端概率P越小，两者是此消彼长的关系，但不是直线型负相关。
扩展资料：
1、T检验的适用条件：
（1） 已知一个总体均数；
（2）可得到一个样本均数及该样本标准差；
（3） 样本来自正态或近似正态总体
2、P值数据解释：
参考资料：百度百科_P值百度百科_t检验
t指的是T检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料P值（P value）就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。总之，P值越小，表明结果越显著。但是检验的结果究竟是“显著的”、“中度显著的”还是“高度显著的”需要我们自己根据P值的大小和实际问题来解决。
1、t值
T检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n < 30），总体标准差σ未知的正态分布。
T检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。它与f检验、卡方检验并列。t检验是戈斯特为了观测酿酒质量而发明的,并于1908年在Biometrika上公布 。
2、P值
P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较。由R·A·Fisher首先提出。
P值（P value）就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由越充分。
扩展资料
实用举例
1、t检验可用于比较男女身高是否存在差别
为了进行独立样本t检验，需要一个自（分组）变量（如性别：男、女）与一个因变量（如身高测量值）。根据自变量的特定值，比较各组中因变量的均值。用t检验比较下列男、女儿童身高的均值 。
假设
H0：男平均身高 = 女平均身高
H1：男平均身高 ≠ 女平均身高
选用双侧检验：选用α=的统计显著水平
2、P值
从研究总体中抽取一个随机样本计算检验统计量的值计算概率P值或者说观测的显著水平，即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。
如果P<，说明是较强的判定结果，拒绝假定的参数取值。
如果 如果P值>，说明结果更倾向于接受假定的参数取值。 参考资料来源：百度百科-t值 参考资料来源：百度百科-p值