1) significance test
显着性检验
2) significance test
显着性检定
3) test of significance
显著性检验
1.
Agglomeration of China's Regional Manufacture and its FDI Dependence:Measure,Test of Significance,and Analysis
中国地区制造业集聚与FDI依赖——度量、显著性检验与分析
2.
Using Excel regression analysis system, the method of stepwise analysis and test of significance, this paper has established the regression relation between the collapsible coefficient and some physical properties(w, e_0, γ) for various units in Xi an region.
通过Excel回归分析系统和逐步回归分析方法,利用显著性检验,建立了西安地区不同地貌单元湿陷性土湿陷系数与物理指标(w,e0,γ)之间的相关关系,并进行了指标间的多重共线性检验。
3.
Based on the significant test of significance and the existing problems,a model estimate test of view and method are presen- ted.
基于显著性检验的意义及其存在的问题,提出了评价经验模型预测性的观点与方法,从理论与实践两方面探讨有关的统计检验手段,进而提出预测性检验理论。
5) significance test
显著性检验
1.
Reliability testing of rapid analysis on determination of solid phase in milk by means of significance test;
用显著性检验方法判断全乳固体快速测定方法的可靠性
2.
The application of significance test and uncertainty in laboratory;
显著性检验及不确定度在实验室的应用
3.
In addition,a significance test for the change of the etching rating after magnetic treatment was performed.
并在此基础上,对试样在磁处理前后的腐蚀速率差异值进行了统计意义上的显著性检验。
补充资料：显著性检验
根据样本的观测值推断总体的统计学方法，又称假设检验或统计假设检验。假设检验不同于统计推断中的参数估计，参数估计要对总体的分布类型或参数作出估计，而假设检验是对所讨论的具体问题预先提出一个统计假设（关于总体分布的一个命题），然后根据试验或观测数据，在某种可靠程度上判定接受还是拒绝这一假设。显著性检验在医学研究中有特殊重要的意义，广泛应用于对药物疗效、医疗预防措施效果的评价。
可用显著性检验解决的问题、类型和提法多种多样，但显著性检验的基本思想很简单：从样本的观测值出发，去判断一种"看法"是否成立。这种"看法"就是假设。因为这种假设总是同一些带有随机性的数据的统计特性有关（如某统计量服从某种分布或以某已知值为分布参数等），所以称作统计假设。
以下通过一个具体例子（中草药青木香是否有降低血压的作用）来阐明有关显著性检验的一些基本概念和方法。13个患者服用青木香前后测得的舒张压数据（以毫米汞柱为单位）如表。
没有统计学知识的人,一看下表会立刻得出结论:青木香有降低血压的显著疗效。但这样的结论过于草率，也缺乏令人信服的科学依据，因为这些数据的差异很可能是偶然的，在不经治疗的情况下对病人作两次测量也完全可能产生这样的结果。显著性检验在处理这类问题时是先提出一个假设：青木香无降低血压的疗效。这个假设在统计学上称为原假设，常以H0记之。在这假设下差量X 服从正态分布。且其均值μ 为零。因此在原假设H0成立的条件下，观测数据Xi在零附近的波动应视为受随机性因素的影响，可以按统计学的理论在一定可靠程度上估算出来。如果实际观察到的样本数据同理论数据偏离很远，就有足够的理由来怀疑原假设的正确性，并可以认为这种数据之所以出现"出乎意料"的差异，原因不是随机性的，而是实质性的，在本例中就是青木香的降血压作用。
做显著性检验时必须在取得数据后，对接受或拒绝原假设作出抉择，在统计学上通常指定一个很小的正数α 作为临界概率，如果在H0成立的条件下出现所观察到的事件（即实际数据偏离理论值很远）的概率 P小于等于α，就作出拒绝 H0的决定。因为可以认为这样的"小概率事件"基本上是不会发生的,如果它竟然发生了,那么原假设就有问题。这个小正数α 在统计学上称为检验水平或显著性水平。为了查表方便，通常取α=0.05，若查表后 P≤0.05，则称样本观测数据与原假设的偏离为"显著的"；若取α =0.01,则称偏离为"非常显著的"。检验水平α 的值取得很小，这是为了对否定原假设采取慎重态度，对一个科学结论、假设在证据不够充分的情况下不要轻易否定。在统计学上不否定一个假设并不意味着这假设一定成立，它只说明，通过检验这假设不成立的概率是很小的。检验水平α 也可理解为原假设成立而遭到拒绝的临界概率。
由于原假设的类型不同，显著性检验采取的方法也不同。最常用的检验方法有t检验、F检验、x2检验，这些检验法中所采用的统计量分别服从t分布、F分布、x2分布。在一般统计学著作中都附录t分布、F分布、x2分布的数值表,以备查用,这样在进行显著性检验时可避免许多冗繁的计算。例如上述例子可采用 t检验方法。先计算统计量，式中n=13，塢为样本均值，μ 按原假设为零， S2为样本方差，将观测数据代入,算得T=4.885；然后查t值表，当检验水平α 取0.01，自由度为12时，临界值T0=3.055（T0的意义如前所述：统计量T大于或等于T0这样的事件，大概只能在100次中观察到1次）。现在T=4.885远大于T0，因此可以有99％的把握说，实际观测数据与原假设的差异是显著的，也可以说青木香在降低血压方面是有非常显著疗效的。
可用显著性检验解决的问题、类型和提法多种多样，但显著性检验的基本思想很简单：从样本的观测值出发，去判断一种"看法"是否成立。这种"看法"就是假设。因为这种假设总是同一些带有随机性的数据的统计特性有关（如某统计量服从某种分布或以某已知值为分布参数等），所以称作统计假设。
以下通过一个具体例子（中草药青木香是否有降低血压的作用）来阐明有关显著性检验的一些基本概念和方法。13个患者服用青木香前后测得的舒张压数据（以毫米汞柱为单位）如表。
没有统计学知识的人,一看下表会立刻得出结论:青木香有降低血压的显著疗效。但这样的结论过于草率，也缺乏令人信服的科学依据，因为这些数据的差异很可能是偶然的，在不经治疗的情况下对病人作两次测量也完全可能产生这样的结果。显著性检验在处理这类问题时是先提出一个假设：青木香无降低血压的疗效。这个假设在统计学上称为原假设，常以H0记之。在这假设下差量X 服从正态分布。且其均值μ 为零。因此在原假设H0成立的条件下，观测数据Xi在零附近的波动应视为受随机性因素的影响，可以按统计学的理论在一定可靠程度上估算出来。如果实际观察到的样本数据同理论数据偏离很远，就有足够的理由来怀疑原假设的正确性，并可以认为这种数据之所以出现"出乎意料"的差异，原因不是随机性的，而是实质性的，在本例中就是青木香的降血压作用。
做显著性检验时必须在取得数据后，对接受或拒绝原假设作出抉择，在统计学上通常指定一个很小的正数α 作为临界概率，如果在H0成立的条件下出现所观察到的事件（即实际数据偏离理论值很远）的概率 P小于等于α，就作出拒绝 H0的决定。因为可以认为这样的"小概率事件"基本上是不会发生的,如果它竟然发生了,那么原假设就有问题。这个小正数α 在统计学上称为检验水平或显著性水平。为了查表方便，通常取α=0.05，若查表后 P≤0.05，则称样本观测数据与原假设的偏离为"显著的"；若取α =0.01,则称偏离为"非常显著的"。检验水平α 的值取得很小，这是为了对否定原假设采取慎重态度，对一个科学结论、假设在证据不够充分的情况下不要轻易否定。在统计学上不否定一个假设并不意味着这假设一定成立，它只说明，通过检验这假设不成立的概率是很小的。检验水平α 也可理解为原假设成立而遭到拒绝的临界概率。
由于原假设的类型不同，显著性检验采取的方法也不同。最常用的检验方法有t检验、F检验、x2检验，这些检验法中所采用的统计量分别服从t分布、F分布、x2分布。在一般统计学著作中都附录t分布、F分布、x2分布的数值表,以备查用,这样在进行显著性检验时可避免许多冗繁的计算。例如上述例子可采用 t检验方法。先计算统计量，式中n=13，塢为样本均值，μ 按原假设为零， S2为样本方差，将观测数据代入,算得T=4.885；然后查t值表，当检验水平α 取0.01，自由度为12时，临界值T0=3.055（T0的意义如前所述：统计量T大于或等于T0这样的事件，大概只能在100次中观察到1次）。现在T=4.885远大于T0，因此可以有99％的把握说，实际观测数据与原假设的差异是显著的，也可以说青木香在降低血压方面是有非常显著疗效的。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条