经济显着性如何看是否显着

Ⅰ 第1问如何看统计显着性

一般会有软件可以分析，比如spss或者sas，都可以对数据进行统计分析，最后有结果看数据之间差异是否显着。

Ⅱ 显着性水平一样的时候,怎么看谁更显着

需要进行以下操作才能够看得出来。
首先，分别把这两组数据分别设为x和y，打开SPSS，点击左下角的Variable View选项卡，在Name列那里的第一行输y，第二行输x，返回Data View选项卡，输入对应的数据。

进行数据分析（依次点选Analyze——Regression——Linear），分别把y和x选进各自的对话框（最上面的那个是y，下面的那个是x），然后按ok。
在输出窗口中看到Coefficients这个表，然后看最右边的那个Sig列，看x对应的Sig值。
若这个sig值比你之前所设定的a值大(a值也就是显着性水平)，则认为这两组数不存在显着性差异。
若这个sig值比你之前所设定的a值小，则认为这两组数存在显着性差异。
举个例子，如果你预先设定的a=0.05，求得的sig=0.000，则0.000<0.05，故应拒绝原假设（原假设一般为设它们之间无差异），认为这两组数有显着性差异。

Ⅲ 如何确定显着性水平

假设检验是围绕对原假设内容的审定而展开的。如

果原假设正确我们接受了（同时也就拒绝了备择假设），或原假设错误我们拒绝了（同时也就接受了备择假设），这表明我们作出了正确的决定。但是，由于假设检验是根据样本提供的信息进行推断的，也就有犯错误的可能。

有这样一种情况，原假设正确，而我们却把它当成错误的加以拒绝。犯这种错误的概率用α表示，统计上把α称为假设检验中的显着性水平，也就是决策中所面临的风险。

(3)经济显着性如何看是否显着扩展阅读

假设检验的意义：

假设检验是抽样推断中的一项重要内容。它是根据原资料作出一个总体指标是否等于某一个数值，某一随机变量是否服从某种概率分布的假设，然后利用样本资料采用一定的统计方法计算出有关检验的统计量。

依据一定的概率原则，以较小的风险来判断估计数值与总体数值(或者估计分布与实际分布)是否存在显着差异，是否应当接受原假设选择的一种检验方法。

用样本指标估计总体指标，其结论有的完全可靠，有的只有不同程度的可靠性，需要进一步加以检验和证实。

通过检验，对样本指标与假设的总体指标之间是否存在差别作出判断，是否接受原假设。这里必须明确，进行检验的目的不是怀疑样本指标本身是否计算正确，而是为了分析样本指标和总体指标之间是否存在显着差异

Ⅳ 如何判断两组数据是否有显着性差异

在作结论时，应确实描述方向性（例如显着大于或显着小于）。sig值通常用 P>0.05 表示差异性不显着；0.01<P<0.05 表示差异性显着；P<0.01表示差异性极显着。

显着性差异是统计学（Statistics）上对数据差异性的评价。通常情况下，实验结果达到0.05水平或0.01水平，才可以说数据之间具备了差异显着或是极显着。

当数据之间具有了显着性差异，就说明参与比对的数据不是来自于同一总体（Population），而是来自于具有差异的两个不同总体，这种差异可能因参与比对的数据是来自不同实验对象的。

一些一般能力测验中，大学学历被试组的成绩与小学学历被试组会有显着性差异。也可能来自于实验处理对实验对象造成了根本性状改变，因而前测后测的数据会有显着性差异。

(4)经济显着性如何看是否显着扩展阅读：

显着性检验（significance test）就是事先对总体（随机变量）的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设（备择假设）是否合理，即判断总体的真实情况与原假设是否有显着性差异。

或者说，显着性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与总体真实情况之间不一致所引起的。 显着性检验是针对我们对总体所做的假设做检验，其原理就是“小概率事件实际不可能性原理”来接受或否定假设。

显着性检验即用于实验处理组与对照组或两种不同处理的效应之间是否有差异，以及这种差异是否显着的方法。

常把一个要检验的假设记作H0,称为原假设（或零假设） (null hypothesis) ，与H0对立的假设记作H1，称为备择假设(alternative hypothesis) 。

⑴ 在原假设为真时，决定放弃原假设，称为第一类错误，其出现的概率通常记作α；

⑵ 在原假设不真时，决定不放弃原假设，称为第二类错误，其出现的概率通常记作β

(3)α+β 不一定等于1。

通常只限定犯第一类错误的最大概率α， 不考虑犯第二类错误的概率β。这样的假设 检验又称为显着性检验，概率α称为显着性水平。

最常用的α值为0.01、0.05、0.10等。一般情况下，根据研究的问题，如果放弃真假设损失大，为减少这类错误，α取值小些 ，反之，α取值大些。

参考资料来源：网络-显着性差异

Ⅳ 怎么看显着性水平

问题一：怎么看相关系数显着性检验表？ 这里主要关注两个信息就够了，一个是n，那就是你的样本容量，比如n=100的话就是有100个被试，也即100组配对的数据。根据你的样本量找到检验表里对应的行。另一个就是根据你定的显着性水平来看显着性，一般0.05水平就够了，比如n=100显着性水平alpha=0.05时，相关系数显着性的临界值为0.195，也就是说这个条件下，只要相关系数r的绝对值在0.195以上，就可以认为此相关系数在0.05水平上显着。
另外，一般报告的原则是，报告统计量所达到的最高显着性水平，也就是如果你的数据达到0.01水平的显着，就不要说它在0.05水平显着了

问题二：如何确定显着性水平 0.05和0.01是通常使用的值，可以理解为国际惯例。另户可以根据实际需要选大于0.05或者小于0.01的值。

问题三：spss如何设置显着性水平? 具体的p值你能够看到的，既然小于0.01了，肯定就是小于0.05啊
我替别人做这类的数据分析蛮多的

问题四：夏天如何避暑？ 有钱的话,到避暑圣地比如庐山去.
没钱的话,在家里开空调.
爱学习可以到图书馆去看书,享用免费冷气.
爱逛街,可以去大型商场逛个够.
实在都不爱,去游泳吧.又凉爽,又可以晒一身古天乐般的古铜色皮肤.很白的皮肤是不健康的啊!

问题五：【高分求教】t显着性水平怎么看？？？？高手详细说下，看了半天没看出来。 显着性水平就是那个sig值，不都是0么，怎么会没有达到显着水平0.01啊，应该都显着的啊。

问题六：如何判断t检验值是否显着? 你这个小括号里面统计的是不是t检验值？如果是，那么两组在不同处理下，都显示差异显着。
t值小于0.05即为显着。

问题七：spss显着性检验结果怎么看，求大神帮助 5分 你没有做方差齐性检验吗？
没有方差齐性检验的结果，骸个F检验的结果是不可靠的
我替别人做这类的数据分析蛮多的

Ⅵ spss显着性检验结果怎么看，求大神帮助

这张图里的方差分析F检验结果不显着。看显着性检验结果有两种方法。

1、根据F值判断。

SPSS输出的表格中“F”即样本的计算结果。之后考虑显着性检验的临界值α和F统计量的自由度，在F检验表中查找F的临界值（下表是α=0.1的F临界值表，如果α设定为0.05或0.01则应查找对应的F检验表）。最后，将SPSS计算出的F值与F临界值比较，若大于临界值则可以说在α的意义下结果显着，否则不显着。

2、根据Sig.判断。

SPSS输出的Sig.结果即将计算出的F值根据自由度转换为了P-Value，可以直接根据Sig.判断是否显着，若Sig.<α则结果显着，否则不显着，这一方法更方便。

在此基础上拓展一下，z检验、t检验、Chi-Square检验（卡方检验）等判断显着或进行假设检验的方式都是类似的，或者根据对应的检验表，或者根据P-Value。如果根据检验表判断，可分为三步：

第一步，计算统计量的观测值，例如此处的F值，这一步SPSS会直接输出；

第二步，查表，根据自由度和α找到临界值；

第三步，将SPSS输出的统计量观测值与查表所得临界值进行对比，得出结果。

相较之下，根据P-Value来判断则非常简单，SPSS已经根据样本计算并输出了P-Value，只需将P-Value和α对比即可。

此外在一些情况下，SPSS也会自动以星号（*）的数量对是否显着进行标记，例如做相关系数分析时，在0.01级别相关性显着会标注出“**”，在0.05级别相关性显着标注“*”等等。

Ⅶ 计量经济学中常说某个统计量高度显着，或者什么显着度水平，那显着到底是指什么啊

是《统计学》中关于假设检验的一个专业术语。因为推断统计的一个基本思想就是用样本信息来推断总体信息，调查的样本是否能够很好的作为总体的代表，需要构造一些统计量来检验。显着一般就是指的样本信息对总体信息代表性的好坏。

Ⅷ 如何确定统计学上的显着性

统计学意义（p值）ZT结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。

通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显着性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。

相关观念

为了将统计学应用到科学，工业以及社会问题上，我们由研究母体开始。这可能是一个国家的人民，石头中的水晶，或者是某家特定工厂所生产的商品。一个母体甚至可能由许多次同样的观察程序所组成；由这种资料收集所组成的母体我们称它叫时间序列。

推论统计学被用来将资料中的数据模型化，计算它的机率并且做出对于母体的推论。这个推论可能以对/错问题的答案所呈现（假设检定），对于数字特征量的估计（估计），对于未来观察的预测，关联性的预测（相关性），或是将关系模型化（回归）。其他的模型化技术包括变异数分析（ANOVA），时间序列，以及数据挖掘。

以上内容参考：网络-统计学

Ⅸ t检验显着性结果怎么看

一般定义p<0.05，认为存在显着性差异。
结果看最后两列，t就是t值，sig就是p值（显着性），sig更重要，可知sig<0.05，也就是说t检验的结果是显着，代表当地环境干净卫生这个自变量的回归系数有统计学意义。
t检验是一种适合小样本数据的统计分析方法，通过比较不同数据的均值，研究两组数据之间是否存在差异。对t检验结果的解读，首先判断p值是否呈现出显着性，如果呈现出显着性，则说明两组数据具有显着性差异，具体的差异可通过平均值进行对比判断。

Ⅹ 计量经济学的显着性检验

抽样实验会产生抽样误差，对实验资料进行比较分析时，不能仅凭两个结果（平均数或率）的不同就作出结论，而是要进行统计学分析，鉴别出两者差异是抽样误差引起的，还是由特定的实验处理引起的。1．显着性检验的含义和原理 显着性检验即用于实验处理组与对照组或两种不同处理的效应之间是否有差异，以及这种差异是否显着的方法。2．无效假设 显着性检验的基本原理是提出“无效假设”和检验“无效假设”成立的机率（P）水平的选择。所谓“无效假设”，就是当比较实验处理组与对照组的结果时，假设两组结果间差异不显着，即实验处理对结果没有影响或无效。经统计学分析后，如发现两组间差异系抽样引起的，则“无效假设”成立，可认为这种差异为不显着（即实验处理无效）。若两组间差异不是由抽样引起的，则“无效假设”不成立，可认为这种差异是显着的（即实验处理有效）。3．“无效假设”成立的机率水平 检验“无效假设”成立的机率水平一般定为5%（常写为p≤0.05），其含义是将同一实验重复100次，两者结果间的差异有5次以上是由抽样误差造成的，则“无效假设”成立，可认为两组间的差异为不显着，常记为p>0.05。若两者结果间的差异5次以下是由抽样误差造成的，则“无效假设”不成立，可认为两组间的差异为显着，常记为p≤0.05。如果p≤0.01，则认为两组间的差异为非常显着。