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。
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
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 1:FDR 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
