回复：為什麼這是一個令人毛骨悚然的統計報表？ #1我同意這個令人畏懼的例子 - 對缺乏證據的經典誤解並不意味著沒有證據。請考慮經典但不那麼直接的：“95% 的置信區間範圍從 x 到 y，這意味著我有 95% 的信心認為真正的影響在 x 和 y 之間。”我碰巧相信可以這樣說，即使我知道正確的說法是“以這種方式構建的所有隨機樣本中的 95% 將包含真實的效果”。當然，我們不知道我們的樣本是不包含真實人口效應的 95% 之一還是 5% 之一，它要么包含要么不包含。但是，鑑於我們擁有的一個樣本，我認為我們能說的最好的是第一個引用的聲明，儘管它在技術上是不正確的。
我想听聽其他人對這個例子的看法。統計學家喜歡指出這種對置信區間的錯誤解釋是多麼普遍，而我完全可以理解。我承認讓學生可以自由地錯誤地解釋它（儘管至少我指出了正確的解釋是什麼）。正確解釋的問題在於它不能讓我們對我們實際擁有的樣本說任何話。
回复：為什麼這是一個令人毛骨悚然的統計報表？ #1我會玩……我最喜歡的其實很簡單……在沒有上下文的任何地方使用“統計顯著”這個短語。 有趣的是，如果你問某人他們是否更有可能相信某事統計顯著補充說他們在不知道任何比較的情況下回答是。
回复：為什麼這是一個令人毛骨悚然的統計報表？ #1嘿@P_Bartell ！很高興聽到你的消息！
謝謝回复！！我們會將這些想法放在我（不斷增長的）令人畏懼的聲明列表中，並在以後的帖子中提出！
保持健康，我的朋友！
回复：為什麼這是一個令人毛骨悚然的統計報表？ #1謝謝@statman ！為以後的帖子提供更多好的素材。
繼續評論！！
回复：為什麼這是一個令人毛骨悚然的統計報表？ #1+ 沒有提到檢查正態性
回复：為什麼這是一個令人毛骨悚然的統計報表？ #1稍微擴大討論範圍 - 對我來說，這從一開始就听起來並不令人畏懼。 在我看來，這仍然是一個有效的決定。 當然，正如其他人已經指出的那樣，可能缺少很多其他信息來信任該決定。 所以在我看來，這取決於聲明的上下文，以及是誰提出的。 順便說一句，使用相同數量的單詞的正確語句是什麼？
此外，雖然我有時喜歡討論正確的措辭 - 術語很重要，但我不喜歡在統計人員和過程工程師之間建立一堵牆，他們在統計方面沒有那麼深的知識。 但後者知道他們的數據和流程。 正如我們可以想像的那樣，在光禿禿的數字表下面還有很多更重要的事情。 這可能是數據採樣的環境以及決策的後果，例如@P_Bartell已經說明了。 決策仍然必須由人類做出，而不是由機器做出。
回复：為什麼這是一個令人毛骨悚然的統計報表？ #1我真的很喜歡@喬治上面他回復中的最後一句話。 作為一名在行業中從事流程/產品商業化或糾正行動團隊 20 多年的統計學家，我經常告訴與我共事的工程師、科學家和經理，“你讓我，一名統計學家，告訴你如何運行你的流程是您走向毀滅之路的開始。 你忘記的過程/產品比我知道的要多。”
或者正如 Walter Shewhart 所寫（由我解釋）：“統計學的長期貢獻與其說是創造一群統計學家，不如說是創造一群具有統計學頭腦的工程師、科學家、生產人員和其他人。”
回复：為什麼這是一個令人毛骨悚然的統計報表？ #1除了之前帖子提到的其他問題，
1) 在測試均值的等價性時，必須先驗地指定測試的側向性。 如果沒有另外說明，均值等價性檢驗通常意味著 2 邊檢驗，在這種情況下，α，即 5% 的 I 類錯誤概率，是零分佈的上尾和下尾區域的總和。 在幾乎所有情況下，這個概率都是等分的，所以應該與 p 值進行比較的尾部區域應該是 alpha/2，即 0.025，而不是 0.05。
** 編輯：JMP 通過將使用臨界統計發現的尾部加倍來處理此問題，但如果您是“手動”執行此操作，您最終會拒絕 < 0.025 的單尾部區域。
2）“對結果的 95% 置信度”是令人畏懼的，因為它誤解了假設檢驗背後的主要思想。 您可以 100% 地確信，在 0.05 的顯著性水平上運行假設檢驗時，您將採用某種程序（如果您做對了的話）。 當 2 個分佈的均值實際上相同時，從長期來看（並假設所有假設成立），由於抽樣變異性，該過程有 5% 的時間會產生導致得出不同均值結論的檢驗統計量。
3) 對於這種性質的假設檢驗，只有 2 個可能的結論：1)“樣本數據提供了（令人信服的）原假設是錯誤的證據”和 2)“樣本數據沒有提供令人信服的證據表明原假設是錯誤的是假的”。 值得注意的是，“根據樣本數據，我們得出零假設為真的結論”這一陳述是不存在的。 通常，當您想要證明某事時，您會將您試圖證明的內容構建為替代假設，希望數據支持拒絕零值以支持替代假設。 如果研究人員試圖證明均值相等，那麼兩個單方面的測試會更合適。
4）其他人已經提到了這一點，但值得重複一遍：統計意義和實際意義不必，通常也不是一回事。 如果不是方格 0，則應從方格 1 討論和商定實際意義。
@dale_lehman提到“正確解釋的問題在於，我們無法對我們實際擁有的樣本發表任何看法。”我會不同意，但我知道他要做什麼。 每一種統計技術都有一個專門用來回答的特定問題。 特別是在數據未能拒絕零假設的情況下，非統計學家（和貝葉斯統計學家，就此而言）的主要問題之一是頻率論假設檢驗是 p 值回答的問題是要問一個不自然的問題，即：“在零假設下，我觀察到的結果與我實際觀察到的結果一樣極端，甚至更極端的概率是多少？”。 貝葉斯主義者會說他們的方法回答了更自然的問題，但貝葉斯技術有自己的問題——沒有萬能藥。 沒有什麼可以替代了解哪些技術更適合回答某些問題，並選擇一種非常適合您要回答的問題的技術。 最近（ish）對 p 值的強烈反對，尤其是在醫學研究領域，讓我覺得有點像對用作眼罩的叉子的反對。 p 值是一種工具，就像任何其他工具一樣。 以正確的方式使用它，為正確的工作，你會沒事的……以錯誤的方式使用它，“你會射出你的眼睛！”。
回复：為什麼這是一個令人毛骨悚然的統計報表？ #1我認為我的示例與貝葉斯與頻率論分析或 p 值（至少直接）沒有任何關係。當然，您說我對這個 95% 置信區間中的真實值有 95% 的置信度是正確的，這是不正確的：置信度在於程序，而不是任何一個特定的置信區間。真值要么在那個特定的區間內，要么不在該區間內。
但我的觀點是 95% 是我可以給出的最佳估計，即我的一個特定區間是包含真實值的 95% 的“好區間”之一，還是給出錯誤的 5% 的區間之一結論。你可能會覺得錯誤的解釋令人生畏，但我不這麼認為。事實上，我覺得正確的解釋有點令人畏縮，因為它是一堆讓大多數人眼睛流淚的詞。而且，我認為它導致了更糟糕（更令人畏懼）的做法，即完全忽略不確定性並將點估計值視為真實值。
回复：為什麼這是一個令人毛骨悚然的統計報表？ #1我從哪裡開始？ 樣本大小（沒有說明......可能太小而無法讓信號有機會超過噪聲）？ 選擇的 alpha 風險是什麼（“...對結果有 95% 的信心...”對於 alpha 風險來說是毫無意義的陳述。 這句話到底是什麼意思）？ 什麼是零假設（未說明）？ 測量誤差是多少（已知或什至假設）？ 抽樣計劃是什麼（隨機、便利、第一個/最後一個下線、分層或其他一些計劃）？ 代表風險是什麼……不僅僅是統計風險？ 等等。
為什麼這是一個令人毛骨悚然的統計報表？ #1在接下來的幾週內，我將開始一些討論主題，並邀請任何 JMP 用戶加入
與他們的想法。這些討論將圍繞“令人毛骨悚然的統計報表”展開。
請考慮貢獻。幾天后，我將在博客文章中總結想法， 和介紹另一個令人畏懼的聲明！
這是令人畏懼的聲明#1：
我們運行 t 檢驗來比較兩個總體的均值。我們希望對結果有 95% 的置信度。我們運行測試，p 值回到 0.63。我們發表聲明“由於 p 不小於 0.05，我們得出結論，這些總體的均值沒有差異。 ”
為什麼這句話令人毛骨悚然？？？？
分析回复：為什麼這是一個令人毛骨悚然的統計報表？ #1我不會稱這種解釋為：“我有 95% 的把握認為樣本均值差異不小於下 CI 且不大於上 CI”本身是“錯誤的”，事實上我認為這是一種非常合適的措辭方式這代表“正確”且易於表述，但我會說這種解釋只是“普遍被誤解” @dale_lehman正如你所指出的。
作為@朱利安說在數據決策 (STIPS) ——第 4.1 節估算{你可以從 Transcript 中得到這個，我在屏幕上抓取了下面標題為“的適當模塊參考”演示：了解置信水平和阿爾法風險"}
“我們將單擊重置樣本，將樣本數量更改為 100，然後單擊繪製其他樣本。 隨著我們繼續抽取樣本，請注意樣本的均值接近真實均值。 另請注意，接近 95% 的置信區間包含真實的平均 IQ 值，而大約 5% 的置信區間不包含真實的平均值。”
“這就是我們所說的‘信心’一詞的意思。 一般， 為一個95% 的置信度間隔，9 5%的時間使用這個間隔方法，間隔捕獲真實的參數值.”
當然，推斷是基於總體的，但它是基於樣本數據的。 這就是我們在進行一般推理統計時正在做的事情。 整個企業就是根據我們擁有的樣本數據對總體進行推斷。 再次，在同一用數據做決策第 4 單元，觀看第 4.1 節統計推斷簡介.這裡， @mia_stephens以清晰、準確和直接的方式談論這一點。
回复：為什麼這是一個令人毛骨悚然的統計報表？ #1對我來說，它只是沒有反映足夠的理解水平，但至少它或多或少是“正確的解釋”。
一些人討論了我喜歡稱之為運行 T 檢驗的“p 值方法”和“置信區間方法”的內容。我喜歡將這兩種分析方式視為本質上的同一件事，我將在這裡提出（並且請隨時不同意我的觀點）它們實際上是，不同的方式（數學表達）同一件事.在大多數情況下，JMP 非常聰明地為您提供兩種方式的統計展示，我真的很喜歡這一點！ 使用置信區間的解釋（在普通 T 檢驗、非劣效性檢驗、等價性和優越性檢驗的背景下）對我來說總是更容易解釋。
我的一位好朋友給了我一本很好的教科書參考，我認為它說明了這一點：
Bluman，基本統計（第 7 版），2015
