比较两种效果的强度时，无法直接比较两种效果的强度
有时研究人员发现干预对实验组有显著作用，但对对照组却无显着影响。 （他们倾向于这样做）得出的结论是干预是有效的。基于两者的干预效果（组中的效果）明显不同，研究人员有时认为实验组中的效果大于对照组中的效果。这种推论很普遍，但这是错误的。3天搞定一篇查重率合格的论文。
例如，在图1A中，测量了两个变量X和Y，并使用了两组受试者，每组20人。两组测量的统计显着性可能有不同的结果：在A组中，两个变量之间的相关系数可能是显着的（即p≤0.05），而B组中相似的相关系数可能不是显着的。即使两组中这两个变量之间的关系几乎相同，这组数据也会产生重大影响，而另一组则没有（图1A）。因此，我们不能认为一个相关性强于另一个相关性。
首先，在两组A和B中测量两个变量X和Y。显然，在这两组测量之间这两个变量之间的相关性并没有不同。但是，如果计算出Pearson相关系数r的显着性并将两个相关系数与0进行比较，则一个组（A组；黑点； n = 20）的相关性在统计上可能是有意义的（基于p阈值≤0.05），而另一组（B组；红点； n = 20）不显着。但是，这并不意味着变量X和Y之间的相关性在两组之间有所不同。蒙特卡洛模拟可用于比较两组之间的相关性。
其次，在实验研究的背景下，您可以在特定的测量结果上看到两组之间的差异（例如，训练前后的差异）。 C组和D组的均值相同，但D组的方差较大。如果使用独立样本t检验将各组的结果指标与0进行比较，则一组变量与0的变量之间存在显着差异（C组；左侧； n = 20），但无显着性差异。另一组中的差异差异（D组；右侧； n = 20）。但是，这并不意味着两组的测量结果是不同的。此时，应使用配对样本t检验（顶部）直接比较两组：结果表明两组的测量结果没有差异。 https://www.lunwengo.net 最后，学校指定的论文查重软件必须被选为终稿论文免费查重软件。论文免费查重网站入口系统首选论文狗免费查重系统。论文查重是论文答辩前的一个必要步骤，初稿可以选论文狗免费论文检测系统进行查重工作。
在评估干预措施在不同组中的效果时，也会出现类似的问题：干预在一组中产生显着效果，而在另一组中则没有（图1B）。但是，这并不意味着干预的效果在两组之间有所不同。实际上，在这种情况下，两组没有显着差异。通过两种效果之间的直接统计比较，只能得出以下结论：干预措施的效果与对照干预措施的效果不同。因此，必须使用统计检验来比较这两种效果，而不仅仅是两个单独的检验和基于其重要性差异的推论。
在AC中，我们使用19个样本（黑色圆圈）来模拟两个不同的不相关变量，并添加了另一个数据点（红色实心圆圈）。该数据点与主数据之间的距离将系统地更改，直到成为一个完整的离群值（C组）。请注意，随着主数据和红色数据点之间的距离增加，皮尔逊相关系数R值将人为增加，这表明单个数据点可能会导致错误的皮尔逊相关性。
在D-F中，我们使用20个样本来模拟两个不同的不相关变量，这些变量被随机分为两个子组（红色与黑色，每组n = 10）。从D组到F组，我们系统地更改了两个子组之间的距离。同样，R的值将随着子组之间距离的增加而人为增加。这表明相关变量将产生错误的相关，而不考虑子组的存在。置信区间（CI）以灰色显示，并通过Bootstrap程序获得（灰色区域表示所获得的相关值分布的2.5％和97.5％之间的区域）。
如何发现错误
当我们要比较两个效果之间的差异时，通常会发生此错误，但是没有统计方法可以直接比较两个效果。 当研究人员在没有进行必要的统计分析的情况下进行推断时，通常会出现此问题。
解决错误的方案
研究人员在组之间进行比较时，应直接比较组。 可以使用蒙特卡洛模拟比较两组之间的相关性。 对于多组比较，ANOVA可能适用。 非参数统计也提供了一些方法，但是需要根据特定情况使用这些方法。