介绍
“显著性水平”（Significance Level）这个术语在统计学中用于描述在假设检验中拒绝原假设（null hypothesis）的风险水平。这个水平通常表示为 （alpha），如 或 。
这个名字中的”显著性”（Significance）意味着我们正在寻找一个结果是否足够“显著”以至于能够拒绝原假设。换句话说，如果一个观察到的效应（比如，药物疗效、教育干预的影响等）是真实存在的，而不仅仅是随机变异或误差导致的，那么我们就说这个效应是“统计显著的”。
“水平”（Level）则指的是我们愿意接受的错误的概率阈值。在假设检验中，这个错误通常是第一类错误（Type I error），即错误地拒绝一个真实的原假设。
综合来说，“显著性水平”这个名字基本上是在描述我们有多大的风险愿意接受，以确定一个观察到的效应是否是“显著”的。
需要注意的是，尽管名字中有“显著性”，但这并不意味着结果具有实际或科学上的重要性。一个结果可能是统计显著的，但在实际应用或科学研究中可能并不重要。因此，在解释“显著性水平”时，通常还需要结合其他统计量（如效应量）和领域知识。
示例
通过一个具体的例子来解释显著性水平的概念。
场景：药物效果测试
假设一个制药公司开发了一种新药，声称这种药物可以有效地降低血压。为了验证这一点，研究人员进行了一个随机对照试验。
- 原假设（）: 新药没有降低血压的效果。
- 备择假设（）: 新药有降低血压的效果。
研究人员选择了100名高血压患者，其中50名接受新药治疗，另外50名接受安慰剂（对照组）。
设定显著性水平
在进行试验之前，研究人员设定了显著性水平 。这意味着，如果试验结果的概率小于或等于0.05，那么他们将拒绝原假设，认为新药是有效的。
试验结果与 p 值
假设试验结束后，研究人员计算出一个 p 值为 0.03。这个 p 值表示，在原假设（新药无效）为真的情况下，观察到这样的结果或更极端结果的概率。
做出决策
因为 p 值 0.03 小于显著性水平 ，研究人员拒绝原假设，认为新药具有降低血压的效果。
解释
在这个例子中，显著性水平 是研究人员愿意接受的错误概率，即错误地认为新药有效的概率。因为 p 值（0.03）小于这个阈值，所以研究人员有足够的证据拒绝原假设。
需要注意的是，即使结果是统计显著的，这并不意味着新药的效果就一定是大的或者具有临床意义。统计显著性只是告诉我们观察到的效应不太可能是随机产生的。