核心要点

  • α 是 H0 为真时错误拒绝的上界

  • 知道常用 0.05、0.01 及领域惯例

  • 理解 α 与 CI 覆盖率、功效的联动

简要回答

显著性水平 α 是当 H0 为真时拒绝 H0 的最大允许概率(I 类错误率);常取 0.05,由领域风险与规范选择。

标准回答

定义显著性水平 α 是检验在 H₀ 为真错误拒绝 H₀I 类错误)的概率上界。

决策:p < α → 拒绝 H₀;结果称在 α 水平下显著

常见取值

  • α = 0.05:社会科学、一般 A/B 测试默认
  • α = 0.01 / 0.001:高风险场景(药物、安全)
  • α = 0.10:探索性研究偶见

如何选择

  1. 错误拒绝的成本(假阳性代价高 → 降低 α)
  2. 领域规范(FDA、心理学复制危机后的讨论)
  3. 与功效权衡:α↓ 则功效↓,需更大 n
  4. 多重比较:族错误率控制可能用更严有效 α

与 CI 关系:95% CI 对应双侧 α=0.05 检验(正态大样本下)。

p 值统计功效置信区间

回答思路

  • 【定义】用一句话说清「假设检验中的显著性水平是什么?如何选取」

  • 【原理】讲清关键机制或步骤(2~3 点)

  • 【例子】举一个真实项目、论文或产品中的例子

  • 【对比】与易混淆概念或替代方案比较(如有)

  • 【收尾】总结适用场景 + 一个局限或风险

延伸学习

结合侧栏延伸学习中的知识库与术语;行业背景见 AI 资讯(永久保留)。相关:资讯

常见误区

⚠️ 常见踩坑

只罗列名词、不会举例;混淆相似概念;忽略工程约束(成本、延迟、数据质量)。不确定时应主动说明假设。

追问

追问 1FDR 和 α 有什么区别?

α 通常控制单次检验 FWER。FDR(假发现率)控制被拒绝假设中假阳性比例期望,适合大量假设(基因组学),比 Bonferroni 不那么保守。

追问 2为什么 0.05 成为惯例?

Fisher 建议的历史习惯,无绝对神圣性。近年来呼吁报告效应量、CI、预注册,并视上下文选 α 或贝叶斯方法。

追问 3单侧检验 α 如何解释?

单侧 p 值是单尾概率,同 α 下单侧检验功效更高,但 H1 必须有方向先验。不能把双侧 p 减半偷换为单侧。

🔗 相似问题

同一考点的不同问法,换着练更稳

没找到想看的面试题?把你想看的告诉我们 →

延伸学习

按主题分类的相关资源,便于系统复习