如果您对某个特定话题了解十二个概念，在只了解两三个概念的人眼里，您就会显得像个专家。
在学习统计学时，人们很容易陷入细节的泥潭，从而忽略了全局。以下是统计推断中最重要的十二个概念。
统计学让您能够根据有限的数据得出普遍结论
推断统计学的核心目的，正是从有限数据中推断出普遍结论。“描述性统计”仅是对数据的描述，不会得出任何普遍结论。而统计学中最具挑战性和难度的地方，恰恰在于如何从有限数据中得出普遍结论。
统计学并不直观
“直观”一词有两种含义。一种含义是“易于使用和理解”。这正是我撰写《直观生物统计学》时的目标。而“直观”的另一种含义是“本能的，或者即使没有理由，也根据自己认为正确的感觉行事”。 按照这一定义，统计推理远非直观。在思考数据时，直觉往往会误导我们。人们常在随机数据中看到规律，并因此草率地得出缺乏依据的结论。要从数据中得出有效的结论，必须具备统计上的严谨性。
统计结论总是以概率的形式呈现
“统计学意味着永远不必说您确信无疑。”如果某个统计结论看起来似乎确凿无疑，那您很可能误解了某些内容。统计学的全部意义就在于量化不确定性。
所有统计检验都基于一系列假设
每一项统计推断都基于一系列假设。在仔细审查完这些假设之前，请勿试图解读任何统计结果。 每项统计计算背后的一个假设是：数据是随机抽样的，或者至少能代表本可收集到的更大总体数据。如果您的数据不能代表本可收集（但未收集）的更大数据集，那么统计推断就毫无意义。
关于如何分析数据的决策应提前做出
数据分析需要做出许多决策：采用参数和非参数检验？是否剔除异常值？是否先对数据进行变换？是否参照外部控制值进行标准化？是否对协变量进行调整？回归分析中是否使用加权因子？ 所有这些决策（以及更多）都应纳入实验设计之中。若在检查数据后才做出统计分析决策，统计分析就极易沦为一种高科技的“灵板”——一种用来制造预设结果的方法，而非客观分析数据的方法。这种做法如今被称为“P-hacking”。
置信区间可以量化精确度，且易于解读
假设您计算了一组收集到的值的均值，或者计算了发生某事件的受试者比例。这些值描述了您所分析的样本。但您所抽样的总体情况又如何呢？真实的总体均值（或比例）可能更高，也可能更低。 95%置信区间的计算会考虑样本量和数据离散程度。在给定一系列假设的情况下，您可以有95%的把握认为该置信区间包含真实的总体值（而要确切知道这个值，只能通过收集无限量的数据来实现）。 当然，95% 本身并没有什么特别之处，只是沿袭了传统。根据所需的置信水平，可以计算出相应的置信区间。几乎所有结果——比例、相对风险、优势比、均值、均值差、斜率、速率常数……——都应附有置信区间。
P值用于检验零假设，起初很难理解
P值的逻辑起初似乎有些奇怪。在检验两个组之间是否存在差异（均值不同、比例不同等）时，首先假设这两个总体实际上是相同的。这被称为零假设。 然后提出问题：如果零假设成立，随机抽样得到差异与实际观察到的差异一样大（甚至更大）的样本，这种可能性有多小？如果P值较大，则说明您的数据与零假设一致。 如果 P 值较小，则随机因素产生与实际观测到的差异同样大的情况的可能性很小。这会让您质疑零假设是否成立。如果您无法确定零假设，就无法解读 P 值。
“统计学显著”并不意味着该效应很大或具有重要的科学意义
如果 P 值小于 0.05（这是一个任意的、但被广泛接受的阈值），则结果被视为统计学显著。这句话听起来似乎非常确定。 但它仅仅意味着，仅凭偶然性，您所观察到的差异（或关联、相关性……）——甚至更大的差异——出现的概率低于5%。仅此而已。 一种在科学上或临床意义上微不足道的微小效应，也可能具有统计学显著性（特别是在大样本情况下）。这一结论也可能有误，因为仅凭偶然性，您就可能得出“结果在5%的情况下具有统计学显著性”的结论。
“无显著差异”并不意味着该效应不存在、微小或在科学上无关紧要
如果差异在统计学上不显著，您可以得出结论：观察到的结果与零假设并不矛盾。请注意这里的双重否定。您不能因此得出零假设为真的结论。零假设很可能是错误的，总体之间确实存在差异。这在样本量较小时尤为突出。 当您需要基于这一单一结果做出决策时，将结果定义为“统计学显著”或“不统计学显著”才有意义。否则，统计学显著性的概念对数据分析几乎没有帮助。
多重比较使得统计结果的解释变得困难
当同时检验多个假设时，多重比较问题极易导致误判。如果5%的检验结果仅因偶然因素而“统计学显著”，那么在检验大量假设时，便会预期出现大量统计学显著的结果。 虽然可以使用特殊方法来减少发现虚假但具有统计学显著性结果的问题，但这些方法也会使发现真实效应变得更加困难。多重比较可能具有隐蔽性。只有当所有分析都经过规划，且所有规划好的分析都已执行并报告时，才能正确解读统计分析结果。然而，这些简单的规则却被广泛违反。
相关性并不意味着因果关系
两个变量之间存在统计学显著的相关性或关联，可能表明一个变量导致了另一个变量。但也可能仅仅意味着两者都受到第三个变量的影响。又或者，这可能只是巧合。
已发表的统计数据往往偏向乐观
当您阅读一篇论文时，筛选过程早已进行了一大半。当实验成功时，科学家会继续推进该项目；而许多其他项目则被搁置。项目完成后，科学家更倾向于撰写那些得出显著结果的研究报告，或者通过各种方式反复分析数据，以得出“统计学显著”的结论。 最后，期刊更倾向于发表“阳性”研究。如果零假设成立，预计只有5%的实验会得出统计学显著的结果。但这5%的研究被发表的可能性，要远高于其余95%。
