并非所有假设检验的结果都是相同的。假设检验或统计显著性检验通常具有一定程度的显著性。这个重要级别是一个通常用希腊字母alpha表示的数字。统计学课上出现的一个问题是，“阿尔法的什么值应该用于我们的假设检验？”

与统计中的许多其他问题一样，这个问题的答案是“这取决于情况”。我们将探讨这一点的含义。不同学科的许多期刊定义，具有统计意义的结果是那些α等于0.05或5%的结果。但需要注意的主要一点是，没有一个通用的alpha值可以用于所有统计测试。

常用值的重要程度

由alpha表示的数字是一个概率，因此它可以取小于1的任何非负实数的值。虽然理论上，0到1之间的任何数字都可以用于alpha，但在统计实践中，情况并非如此。在所有显著性水平中，0.10、0.05和0.01是最常用于α的值。正如我们将看到的，除了最常用的数字之外，可能还有其他原因使用alpha值。

显著性水平和i型错误

针对alpha的“一刀切”值的一个考虑因素与该数字的概率有关。假设检验的显著性水平完全等于I型错误的概率。I类错误包括当无效假设实际为真时错误地拒绝无效假设。alpha值越小，我们拒绝真正的无效假设的可能性就越小。

在不同的情况下，I型错误更容易接受。当较小的alpha值导致不太理想的结果时，较大的alpha值（甚至大于0.10）可能是合适的。

在对疾病进行医学筛查时，考虑一种测试错误的可能性，一种对一种疾病进行假阳性检测的方法。假阳性会导致患者焦虑，但会导致其他测试，从而确定我们的测试结果确实不正确。假阴性会给我们的患者一个错误的假设，即他没有疾病，而事实上他没有。结果是这种疾病得不到治疗。如果有选择，我们宁愿有导致假阳性的条件，也不愿有假阴性的条件。

在这种情况下，如果alpha的值更大，那么我们会很高兴地接受它，因为它会导致一个较低的假阴性可能性的权衡。

显著性水平和p值

显著性水平是我们为确定统计显著性而设置的值。这最终成为我们衡量检验统计量计算p值的标准。如果说结果在alpha水平上具有统计显著性，则意味着p值小于alpha。例如，对于alpha=0.05的值，如果p值大于0.05，则我们无法拒绝无效假设。

在某些情况下，我们需要非常小的p值来拒绝无效假设。如果我们的无效假设涉及被广泛接受为真实的东西，那么必须有大量证据支持否定无效假设。这是由p值提供的，p值比alpha的常用值小得多。

结论

没有一个alpha值决定统计显著性。尽管0.10、0.05和0.01等数字是alpha的常用值，但没有压倒一切的数学定理表明这些是我们可以使用的唯一重要级别。正如统计中的许多事情一样，我们必须在计算之前进行思考，最重要的是运用常识。