0.05水平下同一t检验两系数显著性：是否需调整显著性水平？

这是个很关键的问题，核心落在多重比较中的一类错误控制上，我分两种常见场景给你拆解：

• 事前预设的检验（a priori tests）
  如果你在做回归分析之前，就已经基于理论或研究假设，明确要检验这两个特定系数的显著性，那完全不需要调整显著性水平。直接用原α=0.05去查找自由度96的t临界值即可——双侧检验的话，df=96对应的临界值大概是1.985（和df=100的1.984非常接近，差异可以忽略）。
  原因很直白：这类预设检验不存在“数据窥探”的问题，你不是看到结果后才挑这两个系数检验，所以整体的一类错误率就是你设定的0.05，无需额外调整。

• 事后检验（post-hoc tests）
  要是你是先跑完回归，看到这两个系数的p值看起来接近显著，才决定对它们做显著性检验，那这时候必须调整显著性水平。
  因为当你多次检验不同系数时，犯第一类错误（错误判定不显著系数为显著）的概率会累积。比如做2次独立检验时，至少犯一次一类错误的概率是1-(1-0.05)²≈0.0975，远高于你原本想要控制的0.05。
  最常用的调整方法是Bonferroni校正：把原α除以检验次数，也就是0.05/2=0.025。这时候你需要用α=0.025（双侧）去查df=96的t临界值，大概是2.27左右（和df=100的2.262接近）。
  如果你觉得Bonferroni过于保守，也可以用更温和的Holm-Bonferroni校正，它能在控制一类错误的同时保留更多检验效力。

最后提个小细节：自由度96的t分布和标准正态分布已经非常接近，要是手边没有t表，用z临界值近似也不会有太大误差，但严格来说还是用t临界值更准确。

内容的提问来源于stack exchange，提问作者FranGoitia