l<n5,则说明试验的表面效应属于试验误差的概率P>0.05,即表面效应属于试验误差 的可能性大,不能否定H0:A1=2,统计学上把这一检验结果表述为:“两个总体平均数 1与n2差异不显著”在计算所得的r值的右上方标记“ns”或不标记符号:若tos≤ll to0,则说明试验的表面效应属于试验误差的概率P在0.01-0.05之间,即0.01<P<0.05, 表面效应属于试验误差的可能性较小,应否定H0:=2,接受H4:≠2,统计学 上把这一检验结果表述为:“两个总体平均数1与2差异显著”,在计算所得的t值的右上 方标记“*”若|l|≥to0,则说明试验的表面效应属于试验误差的概率P不超过0.01,即 P≤0.01,表面效应属于试验误差的可能性更小,应否定H0:A1=H2,接受H4:灿≠2 统计学上把这一检验结果表述为:“两个总体平均数山与2差异极显著”,在计算所得的t 值的右上方标记“**”。 这里可以看到,是否否定无效假设H0:A1=2,是用实际计算出的检验统计量t的 绝对值与显著水平a对应的临界t值L比较。若≥Ln,则在a水平上否定H0:A1=2 若ln(t,则不能在a水平上否定H0:A=2。区间(-a,l]和[n+)称为a水平上的 否定域,而区间(-ta,la)则称为a水平上的接受域c 假设检验时选用的显著水平,除a=0.05和0.01为常用外,也可选a=0.10或a=0.001 等等。到底选哪种显著水平,应根据试验的要求或试验结论的重要性而定。如果试验中难 以控制的因素较多,试验误差可能较大,则显著水平可选低些,即α值取大些。反之,如 试验耗费较大,对精确度的要求较高,不容许反复,或者试验结论的应用事关重大,则所 选显著水平应高些,即α值应该小些。显著水平α对假设检验的结论是有直接影响的,所 以它应在试验开始前即确定下来。 因为显著性检验是根据“小概率事件实际不可能性原理”来否定或接受无效假设的 所以不论是接受还是否定无效假设,都没有100%的把握。也就是说,在检验无效假设H0时 可能犯两类错误。第一类错误是真实情况为H成立,却否定了它,犯了“弃真”错误, 也叫Ⅰ型错误( type I error)。I型错误,就是把非真实差异错判为真实差异,即Ho: 1=2为真,却接受了H4:1≠2。第二类错误是H不成立,却接受了它,犯了“纳 伪”错误,也叫Ⅱ型错误(typeⅡeror)。Ⅱ型错误,就是把真实差异错判为非真实差 异,即H4:1≠2为真,却未能否定H0:1=2° 我们是基于“小概率事件实际不可能性原理”来否定H0,但在一次试验中小概率事件 并不是绝对不会发生的。如果我们抽得一个样本,它虽然来自与H0对应的抽样总体,但 计算所得的统计量t却落入了否定域中,因而否定了H,于是犯了Ⅰ型错误。但犯这类错 误的概率不会超过a。 Ⅱ型错误发生的原因可以用图5-2来说明。图中左边曲线是H0:1=12为真时 xx2)的分布密度曲线:右边曲线是HA:p1≠2为真时,(x-x2)的分布密度曲线 右边曲线是H4:灿≠2为真时,(x-x2)的分布密度曲线(>u2),它们构成的抽样58 |t|< 0.05 t ，则说明试验的表面效应属于试验误差的概率 P>0.05，即表面效应属于试验误差 的可能性大，不能否定 H0 ： 1 =  2 ，统计学上把这一检验结果表述为：“两个总体平均数 1 与  2 差异不显著”，在计算所得的 t 值的右上方标记“ ns ”或不标记符号；若 0.05 t ≤|t|< 0.01 t ，则说明试验的表面效应属于试验误差的概率 P 在 0.01—0.05 之间，即 0.01 <P  0.05， 表面效应属于试验误差的可能性较小，应否定 H0 ： 1 =  2 ，接受 H A： 1 ≠  2 ，统计学 上把这一检验结果表述为：“两个总体平均数 1 与  2 差异显著”，在计算所得的 t 值的右上 方标记“*”；若|t|≥ 0.01 t ，则说明试验的表面效应属于试验误差的概率 P 不超过 0.01，即 P ≤0.01，表面效应属于试验误差的可能性更小，应否定 H0 ：1 =  2 ，接受 H A：1 ≠  2 ， 统计学上把这一检验结果表述为：“两个总体平均数 1 与  2 差异极显著”，在计算所得的 t 值的右上方标记“* *”。 这里可以看到，是否否定无效假设 H0 ： 1 =  2 ，是用实际计算出的检验统计量 t 的 绝对值与显著水平  对应的临界 t 值  t 比较。若|t|≥  t ，则在  水平上否定 H0 ：1 =  2 ； 若|t| <  t ，则不能在  水平上否定 H0 ： 1 =  2 。区间 (   − ,t 和  ,+)  t 称为  水平上的 否定域，而区间（-  t ，  t ）则称为  水平上的接受域。 假设检验时选用的显著水平，除  =0.05 和 0.01 为常用外，也可选  =0.10 或  =0.001 等等。到底选哪种显著水平，应根据试验的要求或试验结论的重要性而定。如果试验中难 以控制的因素较多，试验误差可能较大，则显著水平可选低些，即  值取大些。反之，如 试验耗费较大，对精确度的要求较高，不容许反复，或者试验结论的应用事关重大，则所 选显著水平应高些，即  值应该小些。显著水平  对假设检验的结论是有直接影响的，所 以它应在试验开始前即确定下来。 因为显著性检验是根据“小概率事件实际不可能性原理”来否定或接受无效假设的， 所以不论是接受还是否定无效假设，都没有 100%的把握。也就是说，在检验无效假设 H0 时 可能犯两类错误。第一类错误是真实情况为 H0 成立，却否定了它，犯了“弃真”错误， 也叫Ⅰ型错误（type Ⅰ error）。Ⅰ型错误，就是把非真实差异错判为真实差异，即 H0 ： 1 = 2 为真，却接受了 H A： 1 ≠ 2 。第二类错误是 H0 不成立，却接受了它，犯了“纳 伪”错误，也叫Ⅱ型错误（type Ⅱ error）。Ⅱ型错误，就是把真实差异错判为非真实差 异，即 H A： 1 ≠ 2 为真，却未能否定 H0 ： 1 = 2 。 我们是基于“小概率事件实际不可能性原理”来否定 H0 ，但在一次试验中小概率事件 并不是绝对不会发生的。如果我们抽得一个样本，它虽然来自与 H0 对应的抽样总体，但 计算所得的统计量 t 却落入了否定域中，因而否定了 H0 ，于是犯了Ⅰ型错误。但犯这类错 误的概率不会超过  。 Ⅱ型错误发生的原因可以用图 5-2 来说明。图中左边曲线是 H0 ： 1 =2 为真时， （ 1 x - 2 x ）的分布密度曲线；右边曲线是 H A：1 ≠ 2 为真时，（ 1 x - 2 x ）的分布密度曲线； 右边曲线是 H A： 1 ≠  2 为真时，（ 1 x - 2 x ）的分布密度曲线（ 1 >  2 ），它们构成的抽样