有多远并将它与我们运行 测试时看到该结果的概率进行比较。 值 在这里，我们的测试统计数据处于令人惊讶的区域。意外区域的概率是 值。形式上，假设零假设为真， 值是从零看到特定结果（或更大）的概率。如果 原假设为真 是在欺骗您，那么请想想， 假设我们真的进行了 测试。 如果我们的测试统计量在意外区域，我们拒绝 （拒绝它真的是 测试）。如果结果在 区域内，则我们无法拒绝 。就是这样。 结论： 条要点 以下是您应该牢记的关于 值的几个要点 什么是惊奇。

是由进行测试的人决定

的所以在真正意义上测试的结论将取决于谁在运行测试。您感到惊讶的频率取决于您需要看到多高的 值（或相关地， 方法中的置信水平，例如 ），以表示您何时会感到 惊讶 。 使用 值背后的逻辑有点复杂。 我们需要假设零假设为真，以便评估可能表明 阿尔及利亚手机号码列表 我们应该拒绝零假设的证据。这有点奇怪，而且是常绿的混乱来源。 值并不能告诉我们 优于 的概率。 它也没有告诉我们在选择 而不是 时犯错误的可能性。这些都是非常普遍的误解但它们是错误的 这是一个即使是 专家。

也经常犯的错误所以现在

您可以帮助它向他们解释 请记住，假设零假设为真， 值只是看到结果或更极端结果的概率。 科学界对 值对得出测试结论的价值存在争论。 虽然业内许多人将经典重要性测试吹捧为黄金标准，但这是数据科学家之间的热门争论。 除了前面引用的 论文，还可以查看 的博客，了解有关该主题的频繁讨论。 你总是可以获得更高（显着）的 值。 请记住，标准误差是实际总体和样本量的一部分变化。人口变化是固定的，但没有什么能阻止我们，如果我们愿意为此 DX 潜在客户 付出继续收集越来越多的数据。