“假设检验”和“重要性检验”这两个短语之间是否存在差异？
在@Micheal Lew的详细回答之后，我有一个困惑，即当今的假设（例如，t检验到检验均值）是“显着性检验”还是“假设检验”的例子？还是两者的结合？您如何通过简单的示例来区分它们？
Answers:
重要性检验是费舍尔设计的，而假设检验则是内曼和皮尔森设计的用来代替重要性检验的产品。它们是不一样的，并且在某种程度上相互不兼容，这会使大多数使用零假设检验的用户感到惊讶。
Fisher的显着性检验得出ap值，该值表示零假设下观察值的极端程度。p值是针对原假设和显着性水平的证据指标。
Neyman和Pearson的假设检验既建立了原假设，也建立了替代假设，并作为接受原假设的决策规则。简短地讲（比我在这里要说的要多得多），您可以选择可接受的误报率Alpha（通常为0.05），然后根据p值是高于还是低于alpha来接受或拒绝空值。如果您想防止误报错误，则必须遵守统计检验的决定。
Fisher的方法允许您在解释结果时考虑任何您喜欢的事情，例如，在解释和显示结果时可以非正式地考虑预先存在的证据。在NP方法中，只能在实验设计阶段完成，而且似乎很少这样做。我认为，比起NP方法，Fisherian方法在基础生物科学工作中更有用。
关于重要性检验和假设检验之间的不一致以及两者不幸的杂交，已有大量文献报道。您可以从本文开始：Goodman，迈向基于证据的医学统计。1：P值谬误。 http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=10383371
在许多情况下，这两个语句含义相同。但是，它们也可以完全不同。
检验假设包括：首先说出您认为某种现象会发生什么，然后对该现象进行某种检验，然后确定该现象是否确实发生。在许多情况下，对假设的检验无需涉及任何统计检验。物理学家欧内斯特·卢瑟福（Ernest Rutherford）使我想起了这句话- 如果您的实验需要统计，则应该做一个更好的实验。 话虽如此，假设检验通常确实使用某种统计工具。
相反，重要性检验是纯粹的统计概念。本质上，一个假设有两个-零假设，它表示两个（或多个）数据集合之间没有区别。另一种假设是，您的两个样本之间有一个偶然发生的差异。
根据研究的设计，然后使用统计检验比较两个（或多个）样本，这会给您一个数字，然后将其与参考分布（如正态分布，t或F分布）进行比较，如果如果该检验统计量超过临界值，则您拒绝原假设，并得出结论认为两个（或多个）样本之间存在差异。该标准通常是偶然发生差异的概率小于二十分之一（p <0.05），尽管有时会使用其他概率。