Ohne den Zusammenhang zu kennen, ist eine Erklärung hier schwierig. Es gibt da mehrere Möglichkeiten, wobei ich die zweite für das halte, was gefragt ist.
- Testen allgemein
Angenommen, die Nullhypothese stimmt, man lehnt sie aber ab. Dann hat man einen Fehler gemacht. Den sogenannten alpha-Fehler. Den alpha-Fehler kann man normalerweise einschränken/klein halten/festlegen, da die Verteilung bekannt ist, wenn die Nullhypothese stimmt.
Dein Ziel beim Testen ist es daher, die Nullhypothese abzulehnen. Kannst du sie nicht ablehnen, kannst du auch nichts über die Güte des Tests aussagen.
Wenn man tatsächlich über die Teststatistik einen Wert herausbekommt, der zur Ablehnung der Nullhypothese führt (mit einem alpha-Fehler von x%), dann kann man das unter anderem so ausdrücken „Die Alternativhypothese ist signifikant (zum Niveau alpha)“.
Hast du nun einen Test auf einen Wert 0 gemacht, dann kann man sicherlich sagen „Das Ergebnis ist signifikant von 0 verschieden.“
- Test für den Korrelationskoeffizient (z.B. nach Bravais-Pearson)
Hier hast du zwei Variablen, bei denen du wissen möchtest, ob sie „voneinander abhängen“, d.h. korreliert sind (z.B. Schuhgröße und Gewicht oder sozialer Background und Höhe des Schulabschlusses). Wenn die beiden Variablen NICHT miteinander korreliert sind, ist der Wert des Korrelationskoeffizienten 0. Wenn er jedoch nicht 0 ist, kann das heißen, dass die Variablen tatsächlich korreliert sind. Ob das tatsächlich so ist oder ob die Abweichung von der 0 nur zufällig ist, wir mit einem t-Test geklärt. Ist es nun so, dass der t-Test anzeigt, dass die Variablen tatsächlich korreliert sind und die Abweichung von der 0 nicht nur zufällig zustande gekommen ist, sagt man der Korrelationskoeffizient ist „signifikant“ oder „signifikant von 0 verschieden“.
Um dir mehr sagen zu können, müsste ich mehr über den Zusammenhang wissen. Falls du mehr wissen willst, meld dich noch mal.