OpenTalks | #11: 關於徹底拋棄「統計顯著性」概念的倡議的簡介及簡評

2021-03-02 OpenScience

OpenTalks是OpenScience的學術策劃小組與NeuroChat團隊聯合組織的在線學術交流活動，旨在促進研究者之間的交流。我們將邀請國內外的研究者，尤其是青年研究者，進行在線學術報告與討論。學術報告的主題涉及可重複性、神經影像等。分享語言以中文為主，分享人偏好英文時，將使用英文。歡迎大家推薦報告人或者自薦作為報告人。

虛無假設顯著性檢驗（Null Hypothesis Significance Testing）一直以來都是心理學等學科常用的推斷統計方法。鑑於該方法本身的根本性的缺陷，越來越多的研究者（尤其是統計學家們）倡議必須徹底拋棄「統計顯著性」這一概念。本期OpenTalk我們有幸邀請到了澳大利亞查爾斯達特大學（Charles Sturt University）的謝鋼博士對這一倡議進行介紹和評述。

北京時間[GMT+8] 10月24日(周六)19:00~20:00
歐洲中部時間[CEST] 10月24日(周六)13:00~14:00
美國東部時間[EDT] 10月24日(周六)07:00~08:00

https://auckland.zoom.us/j/98330143827

Meeting ID: 983 3014 3827

謝鋼 博士

謝鋼博士，本科畢業於清華大學獲工程學士學位，後畢業於奧克蘭大學（紐西蘭）獲數理統計碩士學位，2011年畢業於梅西大學（紐西蘭）獲哲學博士(PhD)學位（數理統計），澳大利亞統計學會認證的統計師/統計學家（accredited statistician）。目前任職於澳大利亞查爾斯達特大學（Charles Sturt University）科研處。謝鋼博士現職位的工作職責為向本校的研究生及科研員工提供統計諮詢支持服務以及不同統計專題的內部培訓。如需了解更多的關於謝鋼博士的工作及科研成果的信息，可登錄以下網頁:https://www.csu.edu.au/qcu; https://www.researchgate.net/profile/Gang_john_Xie

對美國統計學會（ASA）提出的關於徹底拋棄「統計顯著性」概念的倡議的簡介及簡評

本報告旨在向聽眾介紹與解讀2019年3月在「美國統計學家 （The American Statistician）」期刊卷73特輯上發表的「編者的話（Editorial）」這篇將影響未來統計分析的各個方面的重要文章。這篇文章的題目是『邁向一個不再需要「p < 0.05」的世界』（Moving to a World Beyond 「p < 0.05」）。徹底拋棄「統計顯著性」概念（it is time to stop using the term 「statistically significant」 entirely）就是這個編者的話（Editorial）要表達/傳遞的核心信息。徹底拋棄「統計顯著性」這個作為統計假設檢驗範式 （the Null Hypothesis Significance Test (NHST) paradigm）的核心基礎概念，將涉及到未來統計分析的各個方面，如統計學的教育、統計分析的實踐、以及由此涉及的學術成果的評判、科研經費的審批、科研職位的升遷，甚至統計分析在社會經濟生活的應用及結果的解讀等等都會受到影響。因此，每一位應用統計分析的科研工作者/學者對這篇文章有所了解認識是十分必要和重要的。

金海洋（New York Univesity Abu Dhabi）

組織團隊(按姓氏首字母排序)

NeuroChat團隊 

張文昊(Pittsburgh)

張洳源(SJTU)

張磊(Vienna)

應浩江(Soochow)

徐婷(CMI)

王鑫迪(MNI) 

滕相斌(MPI) 

孔祥禎(MPI)

胡傳鵬(待業)  

邸新(NJIT)

OpenTalks學術策劃小組

張磊 (博士), University of Vienna, Austria

張晗(博士), National University of Singapore

王鑫迪(博士), MNI, Canada

王慶(博士), MNI, Canada

金海洋(博士), New York University Abu Dhabi, United Arab Emirates

胡傳鵬(博士), 待業

耿海洋(博士), University of Groningen, the Netherlands

排版：周誠皓

相關焦點

  • 從統計顯著性到顯著性統計
    2017 年 70 多位學者聯名在雜誌《自然人類行為》上發表文章《重新定義統計顯著性》[1]， 2019 年又有 800 多個署名的文章《停用統計顯著性》[2] 在《自然》雜誌上發表，這些都證實了如上的說法。對此，統計學界就身陷囹圄的 p 值做出了有組織的響應。
  • 美國統計協會關於統計顯著性和p值的說明
    事實上，P值是關於我們如何去解釋特定假設的數據，⽽不是對這⼀假設的解釋本⾝。（3）科學的結論和政策的制定不可以僅僅基於ｐ值是否通過特定的閾值。    將數據分析或科學推斷簡化為刻板的」硬指標「（例如「P<0.05」），以證明結論的科學性，只會導向錯誤的認知和糟糕的決策。
  • python 顯著性水平專題及常見問題 - CSDN
    在這個任務,我們將嘗試使用線性回歸來估計傾斜率以及解釋其係數和統計數據。在之前我們利用線性回歸來分析葡萄酒的質量以及股票市場，但在這個任務中，我們將學習如何理解關鍵的統計學概念。Statsmodels是Python中進行嚴格統計分析的一個庫，對於線性模型，Statsmodels提供了足夠多的統計方法以及適當的評估方法。sm.OLS這個類用於擬合線性模型，採取的優化方法是最小二乘法。
  • 商標顯著性研究
    我國《商標法》在第9條規定「商標應當具有顯著性」的基礎上，以第11條第一款明確規定缺乏顯著特徵的符號不得作為商標註冊，如商標由其指定商品的通用名稱、圖形、型號構成的；商標直接表示其指定商品的質量、主要原料、功能、用途、重量、數量及其他特點的。但顯著性是一個抽象的不確定的法律概念，商標法不可能窮盡商標缺乏顯著性的情形。
  • 【方法】相關係數的計算與顯著性檢驗
    在心理學研究中，我們需要在論文中呈現描述性統計的結果樣本相關係數可以用來對論文中建立的統計模型進行驗證，也可以用來進行元分析。相關係數的計算和顯著性檢驗是一個很輕鬆的工作——通常情況下，研究者會使用SPSS計算SPSS中各變量的相關，SPSS也直接提供了對相關係數的顯著性檢驗，研究者需要做的就是點點滑鼠，然後將結果抄寫在論文中。
  • 顯著性——統計學帶給投資的重要啟示
    統計學中，有一個非常重要的概念，叫顯著性，它就是用來衡量某種結論的可靠性，或者用來判斷某種現象是必然因素的影響還是偶然因素的影響。在各學科的學術論文裡幾乎都會出現這個詞，沒學過統計學的可能有點暈，簡單地說，說某個結論顯著，意思就是該結論不是偶然出現，是規律性地體現。反之，不顯著，就是說無法確定該結論是偶然還是必然因素導致的。
  • 顯著性水平怎麼算 - CSDN
    在統計學中，顯著性檢驗是「統計假設檢驗」（Statistical hypothesis testing）的一種，顯著性檢驗是用於檢測科學實驗中實驗組與對照組之間是否有差異以及差異是否顯著的辦法。「統計假設檢驗」這一正名實際上指出了「顯著性檢驗」的前提條件是「統計假設」，換言之「無假設，不檢驗」。在使用顯著性檢驗之前必須在心裡明白自己的統計假設（無效假設，也稱為零假設）是什麼，否則顯著性檢驗就是「水中月，鏡中花」。
  • 回歸方程的顯著性檢驗 - CSDN
    在零附近波動，構造 t 統計量：                             （11）　　因為總平方和反映因變量 y 的波動程度或稱不確定性，在建立了 y 對 x 的線性回歸後，總平方和SST就分解成回歸平方和SSR與殘差平方和SSE這兩部分
  • 顯著性檢驗與作用大小
    假設檢驗，或者更準確地說是「零假設的顯著性檢驗」，告訴我們的是：1.如果零假設是對的，那麼出現這個數據中的變量關係的概率有多大？但我們希望知道的是另一個問題的答案：2.給定這些數據，我們零假設是對的可能性有多大？
  • 常見的A/B測試誤區分析:重複檢驗顯著性
    這個問題的答案就是顯著性水平，「統計顯著的結果」意味著顯著性水平數值比較小，5%或1%。數據面板一般會取補集（95%或99%），作為「優於原版本的概率」或類似的東西來報告。然而，顯著性水平的計算有嚴格的假設：樣本數量的多少是事先指定的。你很可能違反了該假設而不自知。
  • 回歸係數顯著性t檢驗 - CSDN
    在零附近波動，構造 t 統計量：                             （11）　　因為總平方和反映因變量 y 的波動程度或稱不確定性，在建立了 y 對 x 的線性回歸後，總平方和SST就分解成回歸平方和SSR與殘差平方和SSE這兩部分
  • 統計檢驗:實證會計研究方法的核心
    實證會計理論是一套關於會計「是什麼」的系統知識體系，目的在於揭示會計現象的內在規律性，從而為解釋現行會計實務和預測未來會計實務提供理論依據。　　規範會計研究的這種作法自有其道理。因為對現實進行抽象是一切科學研究的起點。具體的會計實務成千上萬，它們雖能幫助我們增加對會計的親切感，但如果不作抽象，系統的會計知識就不可能形成。概念的抽象能夠彌補行知的不足。這可以視為一個普遍的規律。
  • 顯著性水平a,多大才合適?
    在假設檢驗中，顯著性水平（Significant level，用α表示）的確定是至關重要的問題。顯著性水平a，是在原假設成立時，檢驗統計量值落在某個極端區域的概率值。因此，若取α= 0.05，如果計算出的p值小於α ，則可認為原假設是一個不可能發生的小概率事件。
  • 匯桔網:什麼是商標顯著性及如何判斷?
    顯著性是指商標所具有的標示企業商品或服務出處，並使之區別於其他企業之商品或服務的屬性。作為商標保護的「靈魂」和商標法正常運行的「樞紐」，商標顯著性一直都受到理論和實務界的特別關注。什麼是商標顯著性顯著性是商標法上最為重要的概念，同時又是意義十分含混的術語。
  • 什麼是商標顯著性?
    針對駁回商標局給出的其中一個原因是：缺乏顯著性。那麼什麼是商標顯著性呢？顯著性是商標法上最為重要的概念，是指商標所具有的標示企業商品或服務出處並使之區別於其他企業之商品或服務的屬性。作為商標保護的「靈魂」和商標法正常運行的「樞紐」，商標顯著性一直以來都受到理論和實務界的特別關注。
  • 檢驗回歸係數的顯著性excel_excel相關係數顯著性檢驗 - CSDN
    Excel數據分析工具庫是個很強大的工具，可以滿足基本的統計分析，這裡介紹用Excel數據分析工具庫中的回歸做回歸分析。本文僅作為學習筆記之用，歡迎各位交流指正。
  • 線性回歸方程的顯著性驗證,總體驗證的F檢驗與個體驗證的t檢驗
    【顯著性驗證百科定義】顯著性驗證，是事先對總體（隨機變量）的參數或總體分布形式做出一個假設，然後利用樣本信息來判斷這個假設是否合理，即判斷總體的真實情況與原假設是否有顯著性差異。顯著性驗證的方法一般有兩種，一是測算回歸方程總體顯著性的F檢驗，二是測算變量解釋係數（即回歸係數）個體顯著性的t檢驗。
  • 讓你成為統計大師的假設檢驗指南
    CDA數據分析師 出品簡介–思維方式的差異當一個人MIS專業人士的身份開始了職業生涯，然後進入商業智能（BI），隨後進入了商業分析，統計建模以及機器學習領域。這些轉換中的每一個都會要求改變如何關於看待數據的思維方式。
  • 反思統計方法在心理學領域的應用
    假設檢驗在心理學研究的應用中，有一個極為重要的指標——p值，即統計顯著性。許多心理學實證研究工作者試圖通過比較理論預測和觀測數據來評估和檢驗假設，這項工作所依賴的統計依據就是基於p值的零假設顯著性檢驗，主要包括Z檢驗、T檢驗、方差分析、卡方檢驗及非參數檢驗等。　　米爾（P. Meehl）指出，「由於心理學的研究對象很複雜，使得建構精確的理論變得非常困難」。
  • 一元線性回歸顯著性檢驗專題及常見問題 - CSDN
    在零附近波動，構造 t 統計量：                             （11）　　因為總平方和反映因變量 y 的波動程度或稱不確定性，在建立了 y 對 x 的線性回歸後，總平方和SST就分解成回歸平方和SSR與殘差平方和SSE這兩部分