請參閱如何：
- 查看箱形圖和統計數據，最初由 Mary Eleanor Spear 提出，作為呈現人口信息的一種方式
- 使用 Sealy Gosset 首次提出的學生 t 檢驗來確定平均值是否與目標不同，或者兩個平均值在統計上是否相同，例如，來自不同批次的穀物樣品是否具有相同（可接受的）蛋白質含量目標值
- 執行由 John Tukey 整理和完善的探索性數據分析 (EDA)，以查看具有潛在關係的數據並檢查一些有助於理解這些關係的統計數據
Barley Box PlotBarley Box Plot大麥箱線圖
Petal Length vs WidthPetal Length vs Width花瓣長度與寬度
資源
你好JMP 用戶社區
謝謝至@gail_massari , @邁克D_安德森舉辦 2021 年 10 月 15 日掌握 JMP 會議，製作和解釋基礎統計數據。
您演示的“缺口”箱線圖功能（可通過右鍵單擊在圖形生成器中使用）是超級酷（且有用）的功能！
在會議期間，提出了一些關於假設檢驗以及假設檢驗背景下 p 值的正確/有意義的解釋的問題。首先，我想聲明假設檢驗是一種規範性的規定框架，用於在不確定性下做出最佳決策，基於奧卡姆剃刀的實例（單擊下面我引用的鏈接）。抽樣誤差是解釋無治療效果（我們在零假設下所處的情況）的最簡單（最簡約）的解釋，其中抽樣誤差為始終存在- 這只是我們從總體中重複採樣時得到的固有變化。
p 值只是原假設下分佈中面積的比例，其中該比例（覆蓋的面積）只是一個概率。
正式地，在假設檢驗的框架中，p 值是獲得統計數據（或更極端）的概率如果原假設為真。
如果概率為“低”，那麼我們有理由拒絕原假設。
如果概率為“高”，那麼我們沒有理由拒絕原假設。
問。 什麼決定概率是“高”還是“低”？A。 我們制定的標准通常是前進行實驗。
這個標準是什麼？該標準只是一個截止值，我們在其中決定該截止值應該是什麼，以及該截止值通常設置為 = 0.05（或作為一般經驗法則為 5％）。
我們把這個標準稱為什麼？ 正式地，這個界限被稱為“α”（α），也稱為我們的“證據標準”。
如果 p < α，則我們拒絕原假設。
如果 p ≥ α，那麼我們不拒絕原假設。
原假設永遠不會被接受！為什麼？ 在特定實驗中缺乏效應的證據（換句話說，p ≥ α）決不能作為群體中不存在該效應的證據。在科學或工業實驗中，我們“不斷尋找”。尤其如果我們的樣本量很小和/或我們發現我們的實驗結果無法複製。在統計學中，我們通常認為對無效證據（p < α）的拒絕陳述比非拒絕陳述（p ≥ α）“更強”得多。“不拒絕原假設”的決定實際上是“我們沒有發現任何東西”的決定。這並不能證明外面什麼都沒有。如果我們假設是這樣，那麼我們就不會做科學或工業實驗（生活會很無聊）。
朱利安·帕里斯（ @朱利安）提供了出色的治療假設檢驗的邏輯和框架在他的 (2015) JMP 驅動的統計課程中顯著性統計方法,
JMP 中也很好地涵蓋了假設檢驗和 p 值STIPS模塊：利用數據做出決策，可在 SAS 虛擬學習環境中使用（註冊 SAS 用戶名和密碼即可免費使用）。
看第 4.2 節統計測試基礎（ “理解原假設和備擇假設”和“p 值和統計顯著性” ）
希望這有幫助！
@帕特里克朱利亞諾
