關於假設檢定的爭議性、易混淆性以及其傾向於「接受零假設」的傾向，已有大量著述與討論。實踐者發現，這種方法難以有效實施和解釋。納撒尼爾·史蒂文斯提出了一致性機率（PoA）的概念，作為解決這個棘手問題的替代方案。此方法靈活適用於多種不同情況，提供了單側和雙側一致性的不同選項，並且不預設被比較項目是否相等。這使得該方法能夠平衡第一類錯誤和第二類錯誤，而P值往往無法做到這一點。此方法能夠自動適應不同的樣本量，從而反映出小樣本帶來的額外不確定性，而傳統的假設檢定無法在小樣本中提醒使用者其統計效力不足。
這將是 JMP 的絕佳補充，因為它提供了一種更靈活、更易於理解的方式來比較不同領域的人群。這與 JMP 所倡導的鼓勵探索和靈活評估資料模式的整體方法相契合。
我認為 PoA 的理念會引起從業者的共鳴，並為他們提供進行比較的工具，這種比較方式既直觀又易於理解。
參考：
Stevens NT 、Steiner SH 與 MacKay RJ (2017)。評估兩個測量系統之間的一致性：一致性界限方法的替代方法。 《醫學研究統計方法》 ，26(6): 2487–2504。
史蒂文斯 NT 、Rigdon SE 和 Anderson-Cook CM (2018)。比較兩個獨立迴歸結果的預測一致性的貝葉斯機率。品質與可靠性工程國際，34(6): 968–978。
史蒂文斯 NT和安德森-庫克 CM (2019)。設計與分析確認 實驗。品質技術雜誌51(2): 109–124。
史蒂文斯 NT和 Lu L. (2020)。比較 Kaplan-Meier 曲線與一致性機率。醫學統計39(30): 4621–4635。
嗨，克里斯汀。幾年前，納撒尼爾·史蒂文斯錄製了一場關於這個主題的「統計學講解」網路研討會，非常有趣。研討會上展示了一些這種方法非常吸引人的應用。我們已將此內容標記為內部討論事項。感謝你的分享！
網路研討會： https://www.jmp.com/en/resources/on-demand/statistically-speaking/the-same-similar-or- Different
