显著性水平用来衡量在假设检验中犯第一类错误（即误将真零假设拒绝）的概率。显著性水平通常用希腊字母 α（alpha）表示。以下是显著性水平的主要要点：

1. 定义：

   • 显著性水平是预先设定的一个阈值，决定了在假设检验中拒绝零假设的标准。
   • 典型的显著性水平有0.05、0.01和0.10，对应于5%、1%和10%的犯第一类错误的概率。

2. 第一类错误：

   • 第一类错误是指在实际情况中零假设为真时，错误地拒绝了零假设。
   • 例如，假设我们在进行药物有效性检验中，零假设是药物无效。第一类错误即为药物实际无效，但我们在统计上却认为药物有效。

3. 设定显著性水平：

   • 研究者在进行假设检验之前，根据研究领域、风险承担能力和实验设计等因素选择适当的显著性水平。
   • 显著性水平越低，犯第一类错误的概率越低，但也可能增加第二类错误（即错过真实效应）的概率。

4. p值与显著性水平：

   • 在实际的统计检验中，计算出的p值（概率值）用于与预设的显著性水平进行比较。
   • 如果p值小于或等于显著性水平，则拒绝零假设，认为结果在统计上显著。
   • 如果p值大于显著性水平，则不拒绝零假设，认为没有足够证据表明结果在统计上显著。

5. 例子：

   • 假设进行一个双尾t检验，显著性水平设为0.05。若计算出的p值为0.03，则因为0.03 < 0.05，我们拒绝零假设，认为结果有统计显著性。
   • 反之，如果p值为0.08，因为0.08 > 0.05，我们不拒绝零假设，认为结果没有统计显著性。

总结来说，显著性水平是衡量统计结果是否具有显著性的一个重要阈值，预设的显著性水平决定了在假设检验中拒绝零假设的标准，从而影响到实验结果的解释和可信度。