请参阅如何：
- 查看箱形图和统计数据，最初由 Mary Eleanor Spear 提出，作为呈现人口信息的一种方式
- 使用 Sealy Gosset 首次提出的学生 t 检验来确定平均值是否与目标不同，或者两个平均值在统计上是否相同，例如，来自不同批次的谷物样品是否具有相同（可接受的）蛋白质含量目标值
- 执行由 John Tukey 整理和完善的探索性数据分析 (EDA)，以查看具有潜在关系的数据并检查一些有助于理解这些关系的统计数据
Barley Box PlotBarley Box Plot大麦箱线图
Petal Length vs WidthPetal Length vs Width花瓣长度与宽度
资源
你好JMP 用户社区
谢谢至@gail_massari , @迈克D_安德森举办 2021 年 10 月 15 日掌握 JMP 会议，制作和解释基础统计数据。
您演示的“缺口”箱线图功能（可通过右键单击在图形生成器中使用）是超级酷（且有用）的功能！
在会议期间，提出了一些关于假设检验以及假设检验背景下 p 值的正确/有意义的解释的问题。首先，我想声明假设检验是一种规范性的规定框架，用于在不确定性下做出最佳决策，基于奥卡姆剃刀的实例（单击下面我引用的链接）。抽样误差是解释无治疗效果（我们在零假设下所处的情况）的最简单（最简约）的解释，其中抽样误差为始终存在- 这只是我们从总体中重复采样时得到的固有变化。
p 值只是原假设下分布中面积的比例，其中该比例（覆盖的面积）只是一个概率。
正式地，在假设检验的框架中，p 值是获得统计数据（或更极端）的概率如果原假设为真。
如果概率为“低”，那么我们有理由拒绝原假设。
如果概率为“高”，那么我们没有理由拒绝原假设。
问。 什么决定概率是“高”还是“低”？A。 我们制定的标准通常是前进行实验。
这个标准是什么？该标准只是一个截止值，我们在其中决定该截止值应该是什么，以及该截止值通常设置为 = 0.05（或作为一般经验法则为 5%）。
我们把这个标准称为什么？ 正式地，这个界限被称为“α”（α），也称为我们的“证据标准”。
如果 p < α，则我们拒绝原假设。
如果 p ≥ α，那么我们不拒绝原假设。
原假设永远不会被接受！为什么？ 在特定实验中缺乏效应的证据（换句话说，p ≥ α）决不能作为群体中不存在该效应的证据。在科学或工业实验中，我们“不断寻找”。尤其如果我们的样本量很小和/或我们发现我们的实验结果无法复制。在统计学中，我们通常认为对无效证据（p < α）的拒绝陈述比非拒绝陈述（p ≥ α）“更强”得多。“不拒绝原假设”的决定实际上是“我们没有发现任何东西”的决定。这并不能证明外面什么都没有。如果我们假设是这样，那么我们就不会做科学或工业实验（生活会很无聊）。
朱利安·帕里斯 ( @朱利安）提供了出色的治疗假设检验的逻辑和框架在他的 (2015) JMP 驱动的统计课程中显着性统计方法,
JMP 中也很好地涵盖了假设检验和 p 值STIPS模块：利用数据做出决策，可在 SAS 虚拟学习环境中使用（注册 SAS 用户名和密码即可免费使用）。
看第 4.2 节统计测试基础（ “理解原假设和备择假设”和“p 值和统计显着性” ）
希望这有帮助！
@帕特里克朱利亚诺
