关于p-value

p-value的六大原则

1. p值可以指示数据与给定模型的不相容程度

我们基于一系列的假设建立的模型为原假设，同时我们还会建设零假设，即指某种我们想要检测的效应不存在，例如两组无差，或者某个因子与结果无关。p值越小，说明数据与零假设之间越不相容，可将p值看作对零假设的存疑程度/假阳性的出现概率。

2. p值不能衡量某假设为真的概率，也不能衡量数据仅由随机因素造成的概率

尽管研究者常常希望计算出零假设是否为真，但p值只解释数据与假设之间的关系，不解释假设本身。

3. 科学结论，商业决策，政策制定，不应只取决于p值是否达到了一个给定标准

4. 研究者需对研究进行完整的报告，保证透明度，才能做出合理的推论

5. p值或统计显著性不能衡量效应的大小和结果的重要性

某项结果的统计显著性并不代表其在科学，人文，经济上的重要性。p值小不代表效应更重要，p值大也不代表无效应或效应不重要。无论某个效应的影响有多小，当样本量足够大或测量精度足够高时，总能得到小的p值。对于相同效应，测量精度不同时，得到的p值也会不同。

6. p值本身并不能衡量 模型 / 假设 的可信度

在没有一定的背景时，p值能提供的信息很有限。当有其他方法适用时，研究者对数据的分析不应止于p值。