在统计学中，显著性判断是一个重要的步骤，它帮助我们确定观察到的结果是否具有统计意义，即这些结果是否可能仅仅是由于随机变异而产生的。以下是一些常用的显著性判断方法：
1.假设检验：假设检验是一种统计推断方法，用于检验关于总体参数的某种假设是否成立。常见的假设检验包括t检验、卡方检验、F检验等。
2.P值：P值是观察到的数据或更极端情况下数据出现的概率。如果P值小于预先设定的显著性水平（通常为0.05），则拒绝原假设，认为观察到的结果具有统计显著性。
3.置信区间：置信区间是一个范围，我们相信总体参数有95%的可能性落在这个范围内。如果置信区间包含零，那么我们不能拒绝原假设，即观察到的结果不具有统计显著性。
4.效应量：效应量是用来衡量干预效果大小的指标，如平均差、标准化效应量等。效应量大表示观察到的结果具有较大的实际意义。
5.多重比较校正：当进行多次假设检验时，可能会增加第一类错误（即错误地拒绝了原假设）的风险。为了控制这种风险，可以使用多重比较校正方法，如Bonferroni校正、Holm校正等。
6.贝叶斯统计：贝叶斯统计是一种基于概率论的统计推断方法，它通过计算后验概率来更新我们对参数的先验信念。贝叶斯统计可以提供更灵活的显著性判断方法，如贝叶斯因子、贝叶斯置信区间等。