Qual è la distinzione tra un "test statistico di ipotesi nulla" e qualsiasi altro test?

Un recente argomento di discussione caldo riguarda una rivista che vieta l'uso di "procedure di test statistici di ipotesi nulla (NHSTP)" dagli articoli presentati alla rivista. Vedo questo termine usato da alcuni scrittori, ma non capisco quale distinzione stiano cercando di fare. Un NHSTP è qualcosa di diverso da un "test di ipotesi" o un "test di significatività"?

Contesto: L'editoriale in questione è questo uno da base e Psicologia Applicata sociale , un giornale con un fattore di 2.015 impatto di 1.168, vale a dire, non è altamente citabile.

Ri: OP domanda , cioè, un NHSTP è qualcosa di diverso da un "test di ipotesi" o un "test di significatività"? Le dichiarazioni editoriali applicabili sono

1) "...the null hypothesis significance testing procedure (NHSTP)  is invalid..." [Sic, with alpha = 0.05]
2) "...authors will have to remove all vestiges of the NHSTP (p-values, t-values, F-values, statements about ‘‘significant’’ differences or lack thereof, and so on)."
3) "...confidence intervals [Sic, 95%] also are banned from BASP."
4) "...Bayesian procedures are neither required nor banned from BASP." [Sic, depends on which ones, they are either banned or not.]
5) "Are any inferential statistical procedures required?...No..."

$p<.05$

Risposta a OP: questi redattori sostengono probabilmente che un test di significatività è spesso un test improprio di ipotesi. Ad esempio, affermano che "... proposte bayesiane che almeno eludono in qualche modo l' assunto lappone [Sic, non so nulla a priori ] ... [tale che] potrebbero anche esserci casi in cui vi sono validi motivi per ritenere che il i numeri ci sono davvero ... "Ciò si riferisce in parte all'argomento Fisher contro Neyman e Pearson, come sottolineato sopra da @Livid e per il quale l'editoriale si schiererebbe con Fisher.

Discussione: sono fermamente convinto dell'umiltà intellettuale come principio fondamentale e indispensabile del metodo scientifico. Se io, come ricercatore, non mi è permesso di procedere da una premessa iniziale priva di assunzioni in cui non si crede a tutta la teoria precedente, allora perderò tutta la mia capacità di esaminare i dati con una mente creativa e aperta. La premessa che tutta l'elaborazione numerica deve essere verità assoluta è un'esposizione di cupidità che è sublime. L'unica verità sono i dati, e parafraserei umilmente Boxaffermando che tutti i modelli sono falsi, soprattutto e sicuramente quelli che presumono che qualsiasi verità derivi da qualsiasi cosa che non sia identicamente i dati stessi. Ciò non significa che devo scegliere tra Fisher e Neyman / Pearson, piuttosto che non credo fermamente né premessa presa da sola, ma piuttosto esaminare le cose in modo esaustivo fino a quando le mie ipotesi non saranno supportate e / o respinte all'autoconsistenza dell'ensemble. Solo l'autoconsistenza può essere usata come criterio, poiché nessuna analisi può rivelare una verità assoluta.

$p<0.05$$0.05$$0.001$ non migliorerà il contenuto di un diario.