回复：为什么这是一个令人毛骨悚然的统计报表？ #1我同意这个令人畏惧的例子 - 对缺乏证据的经典误解并不意味着没有证据。请考虑经典但不那么直接的：“95% 的置信区间范围从 x 到 y，这意味着我有 95% 的信心认为真正的影响在 x 和 y 之间。”我碰巧相信可以这样说，即使我知道正确的说法是“以这种方式构建的所有随机样本中的 95% 将包含真实的效果”。当然，我们不知道我们的样本是不包含真实人口效应的 95% 之一还是 5% 之一，它要么包含要么不包含。但是，鉴于我们拥有的一个样本，我认为我们能说的最好的是第一个引用的声明，尽管它在技术上是不正确的。
我想听听其他人对这个例子的看法。统计学家喜欢指出这种对置信区间的错误解释是多么普遍，而我完全可以理解。我承认让学生可以自由地错误地解释它（尽管至少我指出了正确的解释是什么）。正确解释的问题在于它不能让我们对我们实际拥有的样本说任何话。
回复：为什么这是一个令人毛骨悚然的统计报表？ #1我会玩……我最喜欢的其实很简单……在没有上下文的任何地方使用“统计显着”这个短语。 有趣的是，如果你问某人他们是否更有可能相信某事统计显着补充说他们在不知道任何比较的情况下回答是。
回复：为什么这是一个令人毛骨悚然的统计报表？ #1嘿@P_Bartell ！很高兴听到你的消息！
谢谢回复！！我们会将这些想法放在我（不断增长的）令人畏惧的声明列表中，并在以后的帖子中提出！
保持健康，我的朋友！
回复：为什么这是一个令人毛骨悚然的统计报表？ #1谢谢@statman ！为以后的帖子提供更多好的素材。
继续评论！！
回复：为什么这是一个令人毛骨悚然的统计报表？ #1+ 没有提到检查正态性
回复：为什么这是一个令人毛骨悚然的统计报表？ #1稍微扩大讨论范围 - 对我来说，这从一开始就听起来并不令人畏惧。 在我看来，这仍然是一个有效的决定。 当然，正如其他人已经指出的那样，可能缺少很多其他信息来信任该决定。 所以在我看来，这取决于声明的上下文，以及是谁提出的。 顺便说一句，使用相同数量的单词的正确语句是什么？
此外，虽然我有时喜欢讨论正确的措辞 - 术语很重要，但我不喜欢在统计人员和过程工程师之间建立一堵墙，他们在统计方面没有那么深的知识。 但后者知道他们的数据和流程。 正如我们可以想象的那样，在光秃秃的数字表下面还有很多更重要的事情。 这可能是数据采样的环境以及决策的后果，例如@P_Bartell已经说明了。 决策仍然必须由人类做出，而不是由机器做出。
回复：为什么这是一个令人毛骨悚然的统计报表？ #1我真的很喜欢@乔治上面他回复中的最后一句话。 作为一名在行业中从事流程/产品商业化或纠正行动团队 20 多年的统计学家，我经常告诉与我共事的工程师、科学家和经理，“你让我，一名统计学家，告诉你如何运行你的流程是您走向毁灭之路的开始。 你忘记的过程/产品比我知道的要多。”
或者正如 Walter Shewhart 所写（由我解释）：“统计学的长期贡献与其说是创造一群统计学家，不如说是创造一群具有统计学头脑的工程师、科学家、生产人员和其他人。”
回复：为什么这是一个令人毛骨悚然的统计报表？ #1除了之前帖子提到的其他问题，
1) 在测试均值的等价性时，必须先验地指定测试的侧向性。 如果没有另外说明，均值等价性检验通常意味着 2 边检验，在这种情况下，α，即 5% 的 I 类错误概率，是零分布的上尾和下尾区域的总和。 在几乎所有情况下，这个概率都是等分的，所以应该与 p 值进行比较的尾部区域应该是 alpha/2，即 0.025，而不是 0.05。
** 编辑：JMP 通过将使用临界统计发现的尾部加倍来处理此问题，但如果您是“手动”执行此操作，您最终会拒绝 < 0.025 的单尾部区域。
2）“对结果的 95% 置信度”是令人畏惧的，因为它误解了假设检验背后的主要思想。 您可以 100% 地确信，在 0.05 的显着性水平上运行假设检验时，您将采用某种程序（如果您做对了的话）。 当 2 个分布的均值实际上相同时，从长期来看（并假设所有假设成立），由于抽样变异性，该过程有 5% 的时间会产生导致得出不同均值结论的检验统计量。
3) 对于这种性质的假设检验，只有 2 个可能的结论：1)“样本数据提供了（令人信服的）原假设是错误的证据”和 2)“样本数据没有提供令人信服的证据表明原假设是错误的是假的”。 值得注意的是，“根据样本数据，我们得出零假设为真的结论”这一陈述是不存在的。 通常，当您想要证明某事时，您会将您试图证明的内容构建为替代假设，希望数据支持拒绝零值以支持替代假设。 如果研究人员试图证明均值相等，那么两个单方面的测试会更合适。
4）其他人已经提到了这一点，但值得重申：统计意义和实际意义不一定，而且通常不是一回事。 如果不是方格 0，则应从方格 1 讨论和商定实际意义。
@dale_lehman提到“正确解释的问题在于，我们无法对我们实际拥有的样本发表任何看法。”我会不同意，但我知道他要做什么。 每一种统计技术都有一个专门用来回答的特定问题。 特别是在数据未能拒绝零假设的情况下，非统计学家（和贝叶斯统计学家，就此而言）的主要问题之一是频率论假设检验是 p 值回答的问题是要问一个不自然的问题，即：“在零假设下，我观察到的结果与我实际观察到的结果一样极端，甚至更极端的概率是多少？”。 贝叶斯主义者会说他们的方法回答了更自然的问题，但贝叶斯技术有自己的问题——没有万能药。 没有什么可以替代了解哪些技术更适合回答某些问题，并选择一种非常适合您要回答的问题的技术。 最近（ish）对 p 值的强烈反对，尤其是在医学研究领域，让我觉得有点像对用作眼罩的叉子的反对。 p 值是一种工具，就像任何其他工具一样。 以正确的方式使用它，为正确的工作，你会没事的……以错误的方式使用它，“你会射出你的眼睛！”。
回复：为什么这是一个令人毛骨悚然的统计报表？ #1我认为我的示例与贝叶斯与频率论分析或 p 值（至少直接）没有任何关系。当然，您说我对这个 95% 置信区间中的真实值有 95% 的置信度是正确的，这是不正确的：置信度在于程序，而不是任何一个特定的置信区间。真值要么在那个特定的区间内，要么不在该区间内。
但我的观点是 95% 是我能给出的最佳估计，即我的一个特定区间是包含真实值的 95% 的“好区间”之一，还是给出错误的 5% 的区间之一结论。你可能会觉得错误的解释令人生畏，但我不这么认为。事实上，我觉得正确的解释有点令人畏缩，因为它是一堆让大多数人眼睛流泪的词。而且，我认为它导致了更糟糕（更令人畏惧）的做法，即完全忽略不确定性并将点估计值视为真实值。
回复：为什么这是一个令人毛骨悚然的统计报表？ #1我从哪里开始？ 样本大小（没有说明......可能太小而无法让信号有机会超过噪声）？ 选择的 alpha 风险是什么（“...对结果有 95% 的信心...”对于 alpha 风险来说是毫无意义的陈述。 这句话到底是什么意思）？ 什么是零假设（未说明）？ 测量误差是多少（已知或什至假设）？ 抽样计划是什么（随机、便利、第一个/最后一个下线、分层或其他一些计划）？ 代表风险是什么……不仅仅是统计风险？ 等等。
为什么这是一个令人毛骨悚然的统计报表？ #1在接下来的几周内，我将开始一些讨论主题，并邀请任何 JMP 用户加入
与他们的想法。这些讨论将围绕“令人毛骨悚然的统计报表”展开。
请考虑贡献。几天后，我将在博客文章中总结想法， 和介绍另一个令人畏惧的声明！
这是令人畏惧的声明#1：
我们运行 t 检验来比较两个总体的均值。我们希望对结果有 95% 的置信度。我们运行测试，p 值回到 0.63。我们发表声明“由于 p 不小于 0.05，我们得出结论，这些总体的均值没有差异。 ”
为什么这句话令人毛骨悚然？？？？
分析回复：为什么这是一个令人毛骨悚然的统计报表？ #1我不会称这种解释为：“我有 95% 的把握认为样本均值差异不小于下 CI 且不大于上 CI”本身是“错误的”，事实上我认为这是一种非常合适的措辞方式这代表“正确”且易于表述，但我会说这种解释只是“普遍被误解” @dale_lehman正如你所指出的。
作为@朱利安说在数据决策 (STIPS) ——第 4.1 节估算{并且您可以从 Transcript 中获取此信息，其中我在屏幕上抓取了下面标题为“的适当模块参考”演示：了解置信水平和阿尔法风险"}
“我们将单击重置样本，将样本数量更改为 100，然后单击绘制其他样本。 随着我们继续抽取样本，请注意样本的均值接近真实均值。 另请注意，接近 95% 的置信区间包含真实的平均 IQ 值，而大约 5% 的置信区间不包含真实的平均值。”
“这就是我们所说的‘信心’一词的意思。 一般， 为一个95% 的置信度间隔，9 5%的时间使用这个间隔方法，间隔捕获真实的参数值.”
当然，推断是基于总体的，但它是基于样本数据的。 这就是我们在进行一般推理统计时正在做的事情。 整个企业就是根据我们拥有的样本数据对总体进行推断。 再次，在同一用数据做决策第 4 单元，观看第 4.1 节统计推断简介.这里， @mia_stephens以清晰、准确和直接的方式谈论这一点。
回复：为什么这是一个令人毛骨悚然的统计报表？ #1对我来说，它只是没有反映足够的理解水平，但至少它或多或少是“正确的解释”。
一些人讨论了我喜欢称之为运行 T 检验的“p 值方法”和“置信区间方法”的内容。我喜欢将这两种分析方式视为本质上的同一件事，我将在这里提出（并且请随时不同意我的观点）它们实际上是，不同的方式（数学表达）同一件事.在大多数情况下，JMP 非常聪明地为您提供两种方式的统计展示，我真的很喜欢这一点！ 使用置信区间的解释（在普通 T 检验、非劣效性检验、等价性和优越性检验的背景下）对我来说总是更容易解释。
我的一位好朋友给了我一本很好的教科书参考，我认为它说明了这一点：
Bluman，基本统计（第 7 版），2015
