同时，与备择假设相应，指出所作检验为双尾检验还是左单尾或右单尾检验。
2、构造检验统计量，收集样本数据，计算检验统计量的样本观察值。
3、根据所提出的显著水平 ，确定临界值和拒绝域。 4、作出检验决策。
把检验统计量的样本观察值和临界值比较，或者把观察到的显著水平与显著水平标准比较；最后按检验规则作出检验决策。当样本值落入拒绝域时，表述成:“拒绝原假设”，“显著表明真实的差异存在”；当样本值落入接受域时，表述成：“没有充足的理由拒绝原假设”，“没有充足的理由表明真实的差异存在”。另外，在表述结论之后应当注明所用的显著水平。
4. 常用显著性检验
1.t检验
适用于计量资料、正态分布、方差具有齐性的两组间小样本比较。包括配对资料间、样本与均数间、两样本均数间比较三种，三者的计算公式不能混淆。 2.t'检验
应用条件与t检验大致相同，但t′检验用于两组间方差
不齐时，t′检验的计算公式实际上是方差不齐时t检验的校正公式。 3.U检验
应用条件与t检验基本一致，只是当大样本时用U检验，而小样本时则用t检验，t检验可以代替U检验。 4.方差分析
用于正态分布、方差齐性的多组间计量比较。常见的有单因素分组的多样本均数比较及双因素分组的多个样本均数的比较，方差分析首先是比较各组间总的差异，如总差异有显著性，再进行组间的两两比较，组间比较用q检验或LST检验等。 5.X2检验
是计数资料主要的显著性检验方法。用于两个或多个百分比(率)的比较。常见以下几种情况：四格表资料、配对资料、多于2行*2列资料及组内分组X2检验。 6.零反应检验
用于计数资料。是当实验组或对照组中出现概率为0或100%时，X2检验的一种特殊形式。属于直接概率计算法。 7.符号检验、秩和检验和Ridit检验
三者均属非参数统计方法，共同特点是简便、快捷、实用。可用于各种非正态分布的资料、未知分布资料及半定量资料的分析。其主要缺点是容易丢失数据中包含的信息。所
以凡是正态分布或可通过数据转换成正态分布者尽量不用这些方法。 8.Hotelling检验
用于计量资料、正态分布、两组间多项指标的综合差异显著性检验。
5. 显著性差异
显著性差异(significance level)，是一个统计学名词。它是统计学（Statistics）上对数据差异性的评价。当数据之间具有了显著性差异，就说明参与比对的数据不是来自于同一总体（Population），而是来自于具有差异的两个不同总体，这种差异可能因参与比对的数据是来自不同实验对象的，如比－西一般能力测验中，大学学历被试组的成绩与小学学历被试组会有显著性差异。也可能来自于实验处理对实验对象造成了根本性状改变，因而前测后测的数据会有显著性差异。例如，记忆术研究发现，被试学习某记忆法前的成绩和学习记忆法后的记忆成绩会有显著性差异，这一差异很可能来自于学××记忆法对被试记忆能力的改变。
显著性差异是一种有量度的或然性评价。比如，我们说A、B两数据在0.05水平上具备显著性差异，这是说两组数据具备显著性差异的可能性为95%，两个数据所代表的样本
还有5%的可能性是没有差异的，这5%的差异是由于随机误差造成的。
通常情况下，实验结果达到0.05水平或0.01水平，才可以说数据之间具备了差异显著或是极显著。在作结论时，应确实描述方向性（例如显著大于或显著小于）。sig值通常用 P>0.05 表示差异性不显著；0.01 如果我们是检验某实验（Hypothesis Test）中测得的数据，那么当数据之间具备了显著性差异，实验的虚无假设（Null Hypothesis）就可被推翻，对立假设（Alternative Hypothesis）得到支持；反之若数据之间不具备显著性差异，则实验的备则假设可以被推翻，虚无假设得到支持。 6. P值 它的含义是概率（Probability）,简单地说就是随机事件发生的可能性的大小。概率用从0到1之间的小数表示，也可表示为百分数。统计学通常认为如果P值小于0.05，则该事件可视为小概率事件，即一次抽样中几乎不可能发生的事件。如果P值小于0.01，同样也是小概率事件，只是进一步表明发生的概率更小。 在我们的单页宣传资料中，当统计图表上注明P值时， 大多数情形下它表示的是对照组与控制组试验数据的均数相比较的假设检验的结果。如果P<0.05或0.01，即可认为两组数据不是来自同一总体，它们之间均数的差异具有显著性。这样，就用数据说明了我们所销售的药品与对照药品相比，其疗效的改善是有意义的，这也是作为一个新药所必须具备的条件。当然，这并不意味着在任何情形下我们的药都优于对照药，因为统计学上的所有结论都是概率性结论。但我们可以说，在大多数情况下，或者说起码有95%的可能性，这两种药疗效的差异存在显著性。 借助统计学手段来解决医学问题已经被越来越多的专家接受，特别是在涉及到大样本的临床试验数据时，整个试验过程，从试验方案的设计到试验报告的完成，都已被统计学家们精确控制。所以当你携带药品宣传资料拜访医师时，你可以充满自信地说：\所有的结论，都是无隙可击的。\ 离差平方和 离差平方和是各项与平均项之差的平方的总和。 残差平方和 为了明确解释变量和随机误差各产生的效应是多少，统计学上把数据点与它在回归直线上相应位置的差异称残差，把每 个残差的平方后加起来 称为残差平方和，它表示随机误差的效应。 回归平方和 反映自变量与因变量之间的相关程度的偏差平方和。