本节书摘来自异步社区出版社《统计会犯错——如何避免数据分析中的统计陷阱》一书中的第2章，第2.3节，作者：【美】Alex Reinhart（亚历克斯·莱因哈特），更多章节内容可以访问云栖社区“异步社区”公众号查看。
2.3 置信区间的优势
与考虑试验结果的显著性相比，置信区间是一种更合理的结论表述，它可以给出效应的大小。即使置信区间包含0，它的宽度也会告诉你很多信息：一个狭窄的包含 0 的置信区间表明效应可能比较小，而一个较宽的包含 0 的置信区间则表明测量值并不十分精确，因而不足以作出结论。
对于那些与0没有显著差异的测量，物理学家常常使用置信区间给出它们的界值。例如，在搜索基础粒子时，“该信号在统计上是不显著的”这种说法没有意义。相反，对于粒子撞击时的速率，物理学家一般利用置信区间赋给它们一个上界，然后将这个结果与预测粒子行为的已有理论进行比较（促进未来的试验人员建造更大的试验设备来发现它）。
利用置信区间来解释结果为试验设计提供了一种新思路。不再关注显著性假设检验的功效，转而问这样的问题：“我应该搜集多少数据来度量理想精度的效应？”尽管高功效的试验可以产生显著性的结果，但如果其置信区间很宽的话，结论同样难以解释。
每次试验的数据会不一样，所以每次试验得到的置信区间大小也会发生变化。以前是选择一个样本大小以达到某种程度的功效水平，现在我们选择一个样本容量大小，只要使得到的置信区间的宽度小于目标宽度的概率达到99% 即可（这个数字被称为其并没有固定的标准，或者是95%）16。
在常见的假设检验里，已经发展出很多依赖于置信度的样本量选择方法；不过这仍然是一个新的领域，统计学家还没有研究透彻17（这些方法的名字是样本估计的精度，英文缩写为AIPE）。统计功效比置信度使用更多，在各领域里统计学家还没有采用置信度。尽管如此，这些方法非常有用。统计显著性经常是拐杖，名字虽然中听，但并不能像一个好的置信区间那样提供多少有用的信息。
