统计学中的p值是什么？怎么使用？

李升伟 整理

在统计学中，p值（p-value）是帮助研究者判断假设检验结果是否具有统计显著性的重要指标。以下是关于p值的详细解释和使用方法：

1. p值的定义

p值表示在原假设（H0）为真的情况下，观察到当前样本结果（或更极端结果）的概率。

简单说：p值越小，说明当前数据与原假设的矛盾程度越大。

例如，若p=0.03，表示如果原假设成立，仅有3%的概率观察到当前数据。

2. p值的核心作用

判断是否拒绝原假设：

如果p值 ≤ 预先设定的显著性水平（如α=0.05），则拒绝原假设，认为结果具有统计显著性。

如果p值 > α，则无法拒绝原假设，结果不显著。

3. 如何使用p值？

步骤示例：

• 1.设定假设：

原假设（�0H0）：例如，“药物无效”（两组疗效无差异）。

备择假设（�1H1）：例如，“药物有效”（两组有差异）。

• 2.选择显著性水平（α）：

常用α=0.05（5%），但可根据研究领域调整（如α=0.01更严格）。

• 3.计算p值：

通过统计检验（如t检验、卡方检验等）计算p值。

• 4.做出决策：

p ≤ α：拒绝�0H0，认为结果显著。

p > α：不拒绝�0H0，无足够证据支持差异。

4. 注意事项

• p值 ≠ 效应大小：
  • p值仅反映统计显著性，不说明实际效果强弱。需结合效应量（如Cohen’s d、OR值等）。
• p值 ≠ 原假设为真的概率：
  • p值是基于原假设计算的概率，而非原假设本身的可信度。
• 避免p值滥用：
  • 不要仅凭p<0.05就得出“重要”结论，需结合研究设计、样本量和实际意义。

5. 常见误区

• “p=0.06” vs “p=0.04”：
  • 两者实际差异不大，但按α=0.05标准会被划分为“不显著”和“显著”，需谨慎解释。
• 多次检验问题：
  • 多次检验会增加假阳性风险，需校正（如Bonferroni校正）。

6. 举例说明

场景：比较两种药物的疗效，t检验得到p=0.02（α=0.05）。

结论：拒绝原假设，认为两组疗效差异显著（但需检查效应量是否具有实际意义）。

总结

p值是统计学中衡量证据强度的工具，但需结合其他指标和背景知识合理解读。正确使用p值能帮助科学决策，但过度依赖或误解可能导致错误结论。

（来自deepseek问答。）