Qual é a distinção entre um "teste estatístico de hipótese nula" e qualquer outro teste?

Um tópico recente de discussão recente diz respeito a uma revista que proíbe o uso de "procedimentos de teste estatístico de hipóteses nulas (NHSTPs)" de artigos submetidos à revista. Vejo esse termo usado por alguns escritores, mas não entendo que distinção eles estão tentando fazer. Um NHSTP é algo diferente de um "teste de hipótese" ou um "teste de significância"?

Antecedentes: O editorial em questão é este um dos Básica e Psicologia Social Aplicada , um jornal com um fator de 2015 impacto de 1.168, ou seja, não altamente citável.

Re: OP questão , ou seja, é um NHSTP algo diferente de um "teste de hipótese" ou um "teste de significância"? As declarações editoriais aplicáveis ​​são

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..."

$p<.05$

Resposta ao OP: Esses editores provavelmente afirmam que um teste de significância geralmente é um teste inadequado de hipótese. Por exemplo, eles afirmam que "... as propostas bayesianas que pelo menos contornam a suposição de Laplacian [Sic, eu não sei nada a priori ] ... [de modo que] pode até haver casos em que há fortes motivos para supor que o números realmente existem ... "Isso se relaciona em parte ao argumento de Fisher versus Neyman e Pearson, como apontado acima por @Livid e pelo qual o editorial ficaria do lado de Fisher.

Discussão: Acredito firmemente na humildade intelectual como um princípio fundamental e indispensável do método científico. Se eu, como pesquisador, não puder partir de uma premissa inicial sem suposições, na qual toda a teoria anterior é desacreditada, perderei toda a minha capacidade de examinar dados com uma mente criativa e aberta. A premissa de que todo processamento numérico deve ser verdade absoluta é uma exposição de cupidez sublime. A única verdade são os dados, e eu parafraseando humildemente Boxafirmando que todos os modelos são falsos, especialmente e certamente aqueles que presumem que qualquer verdade surge de qualquer coisa que não seja identicamente os dados em si. Isso não significa que eu tenha que escolher entre Fisher e Neyman / Pearson, em vez de acreditar firmemente que nenhuma das premissas é tomada sozinha, mas sim examinar exaustivamente as coisas até que minhas hipóteses sejam apoiadas e / ou rejeitadas pela autoconsistência do conjunto. Somente a autoconsistência pode ser usada como critério, pois nenhuma análise pode revelar uma verdade absoluta.

$p<0.05$$0.05$$0.001$ não melhorará o conteúdo de um diário.