在双变量描述性分析和双变量探索性分析中，我们可以使用显著性检验来检查从样本中得出有关关联度、因果关系等是否也适用于总体。为了进行显著性检验，我们首先需要对两变量间的关系做岀假设（hypothesis）0我们可能不能证明一个经验论断，但是可以推翻它，我们只需要检验原假设（nullhypothesis）就可以，原假设和经验论断二者是一致的。如果检验结果可以拒绝原假设，那么我们就可以接受研究的假设；如果检验结果不能拒绝原假设，那么我们就不能接受研究假设。以下是关于假设检验的步骤。

1、假设检验步骤

•制定一个具体的研究假设（例如，男性和女性对待环境问题的态度存在不同）；

•写出其对应的原假设（即男性和女性对待环境问题的态度一致）；

•给定显著性水平；

•选择合适的统计测试方法；

•进行测试并得出结果；

•解释所得到的统计数字；

•拒绝或接受原假设；

•在给定研究假设的条件下得出结果；

•得出结论。

2、I型和n型错误

我们早在第8章中就讨论过随机抽样中的I型和n型错误，现在我们讨论统计检验中的I型和II型错误。在拒绝和接受原假设时，其实都存在着犯错的概率，存在两种类型的错误，即I型（a）错误和II型（戶）错误。当原假设正确，但你却拒绝时，就犯了I型错误，例如，一个清白的人却被判有罪；当原假设错误，但你却接受时，就犯了II型错误,例如，有罪之人却被无罪释放。犯I型错误的概率一定小于显著性水平，因此显著性水平也被称为a值。如果我们把显著性水平设为1%或0.1%,则可以降低犯I型错误的概率。如果降低了显著性水平，那么你犯II型错误的机会则变大了，因为你增加了检验的严格性，并把置信限提高到了99%或99.9%。

为了在I型和II型错误中寻求一个平衡，我们得设置一个合适的显著性水平。如果I型错误被认为比II型错误更严重，那么我们应该把显著性水平设置得低一些（如0.1%）;相反，如果II型错误被认为比I型错误更严重，则相应地我们应该提高显著性水平。为了同时减小犯I型和II型错误的概率，我们需增大样本。