判断下列说法是否正确，并解释理由。(1) 其他条件不变，随着 alpha 水平变小，拒绝域的范围也变小。(2) 样本计算得到的 Z 分数越小，越倾向于拒绝虚无假设。(3) 拒绝虚无假设的决定意味着证明了处理效应不存在。(4) 如果 alpha 水平从 alpha=0.05 改到 alpha=0.01，第一类错误的概率增加。(5) 其他条件不变时，使用单侧检验的统计检验力要高于双侧检验。(6) 在研究报告中“效应显著”这个术语对应于假设检验得到拒绝虚无假设的结论。(7) 在研究报告中，假设检验的结果包括“p<0.01”，这意味着在 0.01 的显著性水平的假设检验中不能拒绝虚无假设。

本题主要考察假设检验中的基本概念，包括 $\alpha$ 水平、拒绝域、$Z$ 分数、第一类错误、检验力以及假设检验结果的解读等知识。解题思路是依据这些概念的定义和性质，对每个说法逐一进行分析判断。

(1) 其他条件不变，随着 $\alpha$ 水平变小，拒绝域的范围也变小。

• $\alpha$ 水平（显著性水平）是指在假设检验中，预先设定的拒绝虚无假设时犯第一类错误（即错误地拒绝了实际上成立的虚无假设）的概率。
• 拒绝域是指在假设检验中，当检验统计量的值落在该区域时，我们就拒绝虚无假设。
• 例如，在标准正态分布中，对于双侧检验，当 $\alpha = 0.05$ 时，拒绝域为 $Z < -1.96$ 或 $Z > 1.96$；当 $\alpha$ 变小为 $0.01$ 时，拒绝域变为 $Z < -2.58$ 或 $Z > 2.58$。可以看到，随着 $\alpha$ 水平变小，拒绝域的范围确实变小了。所以该说法正确。

(2) 样本计算得到的 $Z$ 分数越小，越倾向于拒绝虚无假设。

• $Z$ 分数是一种标准化的统计量，用于衡量样本统计量与总体参数之间的差异程度。
• 在假设检验中，我们通过比较 $Z$ 分数与临界值的大小来决定是否拒绝虚无假设。
• 当 $Z$ 分数的绝对值越小，说明样本统计量与总体参数的差异越小，样本数据越支持虚无假设，也就越倾向于不拒绝虚无假设。例如，在双侧检验中，临界值为 $\pm 1.96$，如果计算得到的 $Z$ 分数为 $0.5$，其绝对值小于临界值，我们就不能拒绝虚无假设。所以该说法错误。

(3) 拒绝虚无假设的决定意味着证明了处理效应不存在。

• 拒绝虚无假设只是说明在当前的样本数据和设定的显著性水平下，有足够的证据支持备择假设，但这并不等同于“证明”了处理效应存在。
• 因为样本只是总体的一部分，可能存在抽样误差等因素影响结果。即使我们拒绝了虚无假设，也不能排除其他因素导致结果的可能性。所以该说法错误。

(4) 如果 $\alpha$ 水平从 $\alpha = 0.05$ 改到 $\alpha = 0.01$，第一类错误的概率增加。

• 第一类错误的概率就是 $\alpha$ 水平，它是我们预先设定的拒绝虚无假设时犯错误的概率。
• 当 $\alpha$ 从 $0.05$ 降低到 $0.01$ 时，意味着我们降低了犯第一类错误的概率。所以该说法错误。

(5) 其他条件不变时，使用单侧检验的统计检验力要高于双侧检验。

• 统计检验力是指在备择假设为真时，正确拒绝虚无假设的概率。
• 双侧检验需要考虑两个方向的拒绝域，而单侧检验只考虑一个方向的拒绝域。在其他条件相同的情况下，单侧检验将更多的概率分配到了一个方向上，使得拒绝域更大，从而更容易拒绝虚无假设，因此统计检验力通常高于双侧检验。所以该说法正确。

(6) 在研究报告中“效应显著”这个术语对应于假设检验得到拒绝虚无假设的结论。

• 在假设检验中，如果计算得到的 $p$ 值小于设定的显著性水平 $\alpha$，我们就拒绝虚无假设，此时我们称结果是“显著的”，也就是“效应显著”。所以该说法正确。

(7) 在研究报告中，假设检验的结果包括“$p < 0.01$”，这意味着在 0.01 的显著性水平的假设检验中不能拒绝虚无假设。

• $p$ 值是指在虚无假设成立的情况下，得到当前样本数据或更极端数据的概率。
• 当 $p < 0.01$ 时，说明在虚无假设成立的情况下，得到当前样本数据或更极端数据的概率小于 $0.01$，这是一个小概率事件。根据小概率事件在一次试验中几乎不可能发生的原理，我们有足够的证据拒绝虚无假设。所以该说法错误。