假设检验 矛盾结果 解释亲爱的 JMP 社区成员，
我试图找出下面在重要性水平 0.05 下完成的两个假设系统之间的矛盾。
看看第一个假设系统
双面检验
Ho：Mu=0，H1：Mu 不等于 0，P（值）= 0.0705
统计结论：无法拒绝 Ho，因此 Mu=0
然而，如果我们看看第三个系统
下侧测试
Ho：Mu >= 0，H1：Mu < 0。P（值）= 0.0352
统计结论：接受 H1 因此 Mu < 0。
本例中，这两个假设体系之间存在着矛盾的统计结论。
双侧检验表明 Mu=0
下侧检验表明 Mu <0
我们该如何解读这一点？
谢谢您对此事的建议。
Br，
克里斯
高级统计建模回复：假设检验矛盾结果解释因此，仅需澄清 1-0.9648=0.0352，且 0.0352*2=0.0704（JMP 中的值没有像这里一样四舍五入）
单侧检验
小于 t 的概率是多少，非常小。（深蓝色区域）
大于 t 的概率是多少，相当大。（深蓝色区域右侧的所有区域）
双侧检验
t 在 95% 置信区间内的概率是多少，非常小（0.07）（图中的白色区域）
用普通语言（不是完美的统计语言）来表达，它是这样的：
如果我说 -1.2667 与 0 不同，那么我错的概率是多少。prob>|t|
如果我说 -1.2667 大于 0，我错的概率是多少。prob>t
如果我说 -1.2667 小于 0，我错的概率是多少。概率<>
也许更精通具体统计语言的人可以将 null 添加到此处？（双关语）
回复：假设检验矛盾结果解释您表现出了一种根本性的误解 - 这种误解导致许多人（有时包括我自己）呼吁停止零假设显著性检验 (NHST)。您绝不应该以二元方式解释检验。按照二元思维，您所报告的内容是正确的：在双侧检验中，零假设未被拒绝，而在单侧检验中则被拒绝（其中 p 值恰好是双侧检验 p 值的一半）。按照二元思维，您不会在双侧检验中拒绝零假设，但在单侧检验中会拒绝。但两种检验中的证据完全相同。改变的是您犯第 1 类错误的意愿。
您应该得出的结论是，在任一方向上获得至少与零相差 1.2667 个标准误差的平均值的概率约为 7%，而在负方向上获得至少与零相差 -1.2667 的平均值的概率约为 3.5%。如果您坚持使用 .05 作为二元截止值，那么您将得出不同的结论。虽然这对您来说可能令人费解，但它只反映了一种糟糕的 p 值使用方式。当您无法拒绝原假设时，您永远不应该说它是真的。您没有足够的证据来拒绝它。由于单侧检验要求较低（因为您只关心看证据是否足够低，以便可以放心地说在这种情况下它小于零），使用二元截止值 0.05 您有足够的证据。
我认为应该放弃使用这种二元截止 p 值。我确实发现 p 值很有用，但不是那种方式。它们确实表明数据相对于特定模型提供的证据强度，但 p 值本身不应该告诉您该证据是否足以拒绝该模型。在您的案例中，双侧检验和单侧检验是不同的模型，因此如果您应用相同的二元截止值，证据的充分性会发生变化。但我想补充一点：这个二元截止值是从哪里来的？（不幸的是，答案通常是它来自一本入门统计学教材，而且已经失去了用处）。
回复：假设检验矛盾结果解释你好@ChrisLooi ：本着@dlehman1评论的精神，置信区间可能是理解这一点的更好方法。当然，p值和置信区间源自相同的原理，并且它们之间存在一一对应关系……但我们先将其放在一边。
为了我们的目的，我们假设alpha=0.05。
1. 如果 Mu 的95% 置信区间不包含 0，那么您将拒绝 [H1：Mu 不等于 0]，而支持 [H1：Mu 不等于 0]。此区间在每个尾部都有 alpha/2 =0.025。
2. 如果 Mu 的95% 上限小于 0，则您将拒绝 [Ho: Mu >= 0] 而支持 [H1:Mu < 0]。此上限在上尾中有 alpha。
1 中的置信区间的上限大于 2 中的上限（因为 1 在尾部上出现的概率小于 2）。因此，双侧检验可能会拒绝，而单侧检验则不会。
