关于假设检验的争议性、易混淆性以及其倾向于“接受零假设”的倾向，已有大量著述和讨论。实践者发现，这种方法难以有效实施和解释。纳撒尼尔·史蒂文斯提出了一致性概率（PoA）的概念，作为解决这一棘手问题的替代方案。该方法灵活适用于多种不同情况，提供了单侧和双侧一致性的不同选项，并且不预设被比较项目是否相等。这使得该方法能够平衡第一类错误和第二类错误，而P值往往无法做到这一点。该方法能够自动适应不同的样本量，从而反映出小样本带来的额外不确定性，而传统的假设检验无法在小样本中提醒用户其统计功效不足。
这将是对 JMP 的绝佳补充，因为它提供了一种更灵活、更易于理解的方式来比较不同领域的人群。这与 JMP 所倡导的鼓励探索和灵活评估数据模式的总体方法相契合。
我认为 PoA 的理念会引起从业者的共鸣，并为他们提供进行比较的工具，这种比较方式既直观又易于理解。
参考：
Stevens NT 、Steiner SH 和 MacKay RJ (2017)。评估两个测量系统之间的一致性：一致性界限方法的替代方法。 《医学研究统计方法》 ，26(6): 2487–2504。
史蒂文斯 NT 、Rigdon SE 和 Anderson-Cook CM (2018)。比较两个独立回归结果的预测一致性的贝叶斯概率。质量与可靠性工程国际，34(6): 968–978。
史蒂文斯 NT和安德森-库克 CM (2019)。设计与分析确认 实验。质量技术杂志51(2): 109–124。
史蒂文斯 NT和 Lu L. (2020)。比较 Kaplan-Meier 曲线与一致性概率。医学统计39(30): 4621–4635。
嗨，克里斯汀。几年前，纳撒尼尔·史蒂文斯录制了一场关于这个主题的“统计学讲座”网络研讨会，非常有趣。讲座中列举了一些这种方法非常吸引人的应用。我们已将此内容标记为内部讨论事项。感谢你的分享！
网络研讨会： https://www.jmp.com/en/resources/on-demand/statistically-speaking/the-same-similar-or- Different
