P<0.05或0.01，是研究者们独有的快乐源泉。不过，在得到满意的结果后，还得正确报告P值，不然可能会被审稿人“找茬”哦~

 我们整理了Guidelines for Reporting of Statistics for Clinical Research inUrology 一文里“Inference and p values”一节的内容，来看看P值的报告准则吧~

1 不接受零假设

在统计检验中，如果p值为0.05或更高，研究人员应避免得出“药物无效”、“不同组之间没有差别”或“应答率未受影响”等结论。

正确的表述是：“我们没有看到药物效应的证据”、“我们无法证明不同组之间的差异”，或是采用“在应答率方面没有统计上的显著差异”之类的表述。

2 P值略高于0.05并不是一种“趋势”

避免说像0.07这样的p值显示了一种“趋势”或“接近统计意义”，因为p值并不会变化，也不会移动到0.05，这是没有意义的。

合适的表述应该是：“尽管我们看到一些证据表明接受新手术的患者的应答率有所提高，但两组之间的差异没有达到统计学意义上的一般水平。

3 P值和95%的置信区间不能量化假设的概率

比方说，p值为0.03并不意味着这些发现有3%的概率是偶然的。

此外，95%的置信区间(Confidence Intervals ，CI)不应解释为95%的确定性，或认为真实参数值在95%CI的范围内。

P值的正确解释是：

当零假设为真时，得出研究中观察到的或更极端结果的概率；

如果使用不同的样本多次重复研究，得出的CI有95％的概率会包含真实参数值。

4 不要使用置信区间来检验假设

研究人员通常根据假设来解释置信区间。

例如，研究人员可能声称两组之间存在统计学上的显著差异，因为OR值（odds ratio ）的95％CI不包括1。此类声明是有问题的：置信区间与估计值有关，与推理无关。

此外，计算置信区间的数学方法可能不同于用于计算p值的数学方法。即使p值<0.05，反之亦然，完全有可能获得不包含组间差异的95％CI。

例如，在一项100名患者的研究中，两组事件发生率分别为70％和50％，Fisher精确检验的p值为0.066，但OR值的95％CI为1.03-5.26。

5 合理解读多个P值的结果

如果对同一假设分别进行检验，经常会发生这样的错误：干预效果在一个亚组中有统计学意义，而在另一亚组中没有意义。一种更合适的方法是在统计模型中使用交互项。

例如，要确定某个药物在女性中的疼痛减轻程度是否比男性高，该模型可以这样建立：

6 避免依赖统计检验确定分析类型

有许多统计检验可以用来确定如何进行假设检验。但这种益处往往值得怀疑的，统计学家们也未达成一致。

 研究人员可能会：

对正态性进行Shapiro-Wilk检验，以确定是否使用t检验或Mann-Whitney检验；

使用Cochran的Q检验，以决定是否在meta分析中使用固定效应或随机效应方法；

或者对协变量中的组间差异进行t检验，以确定该协变量是否应包括在多变量模型中。

 这类方法的问题在于，它们经常检验的是已知为假的零假设。例如，没有数据集完全服从正态分布。

 研究者应该遵循预先指定的分析计划，只有在数据明确指出有更好的替代方案时才能改变分析。

7 在报告p值时，确保假设是合理的

在结果部分报告p值时，请说明你要检验的假设（除非这一点是完全清楚的）。

举个例子： “第一组疼痛得分较高，第二组和第三组相似(p=0.02)。”

P值等于0.02到底是测试第一组还是第二组和第三组的总和，还是假设所有三组的疼痛评分相同？

在报告P值时，一定要清楚假设是什么，确保它是合理的。

扫描下方二维码，关注【埃米编辑】公众号，获取更多的SCI论文写作资料。

编译/婷婷

参考资料：

[1] Assel M, Sjoberg D, Elders A, et al.Guidelines for Reporting of Statistics for Clinical Research in Urology. EurUrol. 2019;75(3):358-367. doi:10.1016/j.eururo.2018.12.014