显著性水平是指接受一个统计上显著或真实的差异的概率水平——不是由于偶然引起 的，有时它们是指p值或a值。显著性水平是一个节点，在这个节点上，样本所得结果或 统计值与偶然发生的总体期望具有明显差异，用随机误差或抽样变异值来表示，这个差异被看作真实的或统计差异。接受或拒绝原假设就取决于显著性水平。

如何确定显著性水平

最常用的三个显著性水平是5%或0.05 （有时被写作p=0.05）、1%或0.01以及0.1% 或0.00L在5%的显著性水平下，结果或发现偶然发生的概率为5%,对于大多数的市场 或社会调研项目，这是最低的可接受水平；1%的显著性水平意味着你提高了标准，结果 或发现偶然发生的概率为1% ; 0.1%意味着结果或发现偶然发生的概率为千分之一。换句 话说，随着显著性水平的下降，你的结果将更可信（置信水平更高），所以显著性水平是为 了判断结果，在一定概率下结果是正确的，同时也能知道它也有可能是错误的。选择怎样 的显著性水平要取决于你能承受的从调研中得出错误结论的风险大小。例如，如果调查涉 及为一个产品估价，那么最好将显著性水平设定为P = 0.001,因为如果p = 0.05的话，那 么企业推出一个产品被市场否定所造成的影响将是巨大的。

 I型错误和II型错误

每次当你要决定接受或是拒绝一个零假设时，你都面临错误的风险。有两种错误—— I型错误（a）和II型错误（刃。如果你犯了 I型错误，那么你就拒绝了本是正确的零假 设，比如一个无辜的人被看作有罪就是I型错误；II型错误是指你接受本是错误的零假设， 比如一个有罪的人被宣告无罪。
犯第一类错误的概率要低于检验中的显著性水平（这就是为什么显著性水平有时被称 作a值，这个值与a错误有关联）。如果你的显著性水平设定为5%,那么你犯I型错误的 概率为5%。你可以通过设定1%的显著性水平来降低犯第一类错误的概率，如果你降低 显著性水平（实际上就增加了检验的说服力，并且将置信界限提高到99%）,那么你就会增加犯II型错误的概率。
因此，在设定显著性水平时，你需要在这两种错误之间折中。如果犯I型错误(接受 了一个错误结论)的影响，要比犯II型错误(拒绝了一个正确的结论)的影响更恶劣，那 么就要设定一个低的显著性水平(比如0.1%)。然而，如果II型错误的风险更大，那么将 显著性水平设定为5%将会是合适的。如果想要降低这两种类型错误的风险，就需要增加 样本容量。
所以，为了保证你95%确信你对食品的平均周消费量与总体值的差异不超过或低于1 欧元，所需的样本容量为108o
在调査中我们也可以像处理平均值一样处理百分比，在可接受的误差范围内，给定 特定的百分比来计算样本容量，这个计算公式是类似的。例如，在对食品周消费量的调查 中，假如你要知道人们是否购买水果，你的预期是60%的人将会这么做，置信区间设定 为2%，置信水平为99%,计算过程见“专栏8-7”。

如果把置信水平从99%降低到95%,那么多大的样本容量才能实现2%的置信区间 呢？降低置信水平意味着2 305的样本容量就可以实现2%的置信区间。如果把置信区间 减半，也就是1%,置信水平保持不变，那么对样本容量将产生什么影响呢？这样你需要 的样本容量就变成了 9 220,换言之，如果保持置信水平不变，将置信区间减半就要增加 四倍的样本容量。
在决定样本容量的时候，不仅要考虑总样本，也要考虑总样本下子集的样本容量，例 如对一个调查来说，将男女分别考虑对于实现调查目的是很重要的，同样，对于一项服务 也要考虑老顾客和偶尔购买的顾客。在给定的置信区间和置信水平下，你必须要保证这些 子样本的容量足够大，以至于你可以得出正确的结论。
注意，为了便于解释说明，上述的所有内容都是基于简单的随机抽样方法，在现实的市场和社会调研中，样本设计要远比这个复杂，计算结果的误差范围以及置信区间也更加 复杂。使用样本标准差代替总体标准差的时候，我们也做出了假设。