近年来，科学研究的日益量化和大型复杂数据集的激增扩大了统计方法的应用范围。其中，支撑许多已发表的科学结论的是一个叫做“数据显著性”的概念。一般的“数据显著性”结果是利用一个叫做p值的指数来评估的。

p值是指在特定的统计模型下，数据的统计结果（如两组之间的数据均值差异）等于或大于其观测值的概率。自科学界第一次使用p值以来，其参数基本没有改变。虽然p值可以作为一个非常有用的统计学测量办法，但他经常被一些科研学者误用和误解。这就导致了许多科学期刊不鼓励使用p值，一些科学家和数据学家甚至建议放弃使用p值。

基于以上问题，为了改进量化科学的行为和解释方法，美国统计协会（ASA）声明了关于正确使用和解释p值的几项广泛认同的原则。

1.p值可以表明获得数据与制定的统计模型之间的不相容性。

p值提供了一种总结特定数据及数据模型之间不兼容性的方法。最常见的是由一系列假设和所谓的“零假设”共同构成的模型。零假设通常是假设没有效果（例如两组之间没有差异），或一个因素与结果之间没有关系。如果用于计算p值的基本假设成立，那么p值越小，数据与零假设之间的统计不相容程度就越大。这种不相容性结果可以作为证据来质疑或支持零假设和基本假设。

2.p值不能表明研究假设为真或测量数据的随机产生概率。

研究者们经常希望将p值转换成零假设真实性的陈述，或者是随机产生观测数据的概率。但事实上p值是无法发挥上述功能的。P值仅仅可用于说明数据和特定假设解释之间的关系，并不能用于说明这个解释本身。

3.科学结论和商业或政策的决策不应该仅仅取决于p值的大小。

将数据分析或者科学推理降低到机械标准上（例如p<0.05）的策略，可能会导致一些错误决定。结论的确定不能像有一个分界线一样，在这边就是正确的，在另一边就是错误的。研究者们应该考虑多种因素来得出可能的结论，如研究的设计，测量的质量，正在研究的现象的外部证据，假设的有效性。虽然yes - no的二元法是比较实用的考虑方法，但这并不意味着p值可以确定决定的正确与错误。统计学意义（一般是p<0.05）的结果作为科学发现的证据会导致科学过程的严重扭曲。

4.正确的推断需要完整的报告和透明度。

在科学研究中，不应该选择性地报告p值和相关性分析的结果。有些科研人员对数据进行多次分析且只报告某些p值的结果（通常是那些具有显著性结果），这使得报告上的p值基本上无法解释。研究者们应该公开研究中所提出的全部假设、收集到的数据、数据分析结果，以及p值结果。对于p值和相关性分析的有效数据结论，至少应提供分析的数量及内容，以及这些分析是如何被选中用于报告的。

5.p值或数据显著性不能测量影响的大小和结果的重要性。

数据显著性与科学意义、环境意义、人类意义是不相等的。小的p值并不一定意味着更大或更重要的影响，同样的，大的p值也不一定意味着该假设缺乏重要性或影响。任何影响，不管有多小，只要样本量和测量精度足够高，都是可以产生一个小的p值的。同样的，如果测量精度不同，在相同的估计影响下也会有不同的p值。

6.就p值本身而言，它并不能很好地提供模型或假设的证据。

研究人员们应该意识到，没有上下文和其他证据的p值只能提供有限的信息。例如，p值接近0.05只能提供反对零假设的微弱证据。同样的，一个大的p值也不能提供支持零假设的证据。许多其它的假设可能与观察到的数据所显示的现象相符或者更一致。基于这些原因，当存在其它适当、可能的方法时，数据分析不应该结束于p值计算。

良好的数据总结，是科学实践的重要组成部分。它强调好的研究设计和行为准则，各种各样的数据图表总结，理解当前的研究现象，在上下文中解释实验结果，完成报告，并对数据结果进行合理的逻辑和量化的理解。任何的单一指标都不能取代科学推理。

       扫描下方二维码，关注【埃米编辑】公众号，获取更多SCI论文写作资料。

编译/冯瑶

校对/石珺怡

参考资料：

[1] http://web9.uits.uconn.edu/lundquis/ASA%20statement%20on%20p%20values.pdf

[2] https://blog.minitab.com/blog/adventures-in-statistics-2/how-to-correctly-interpret-p-values

图片来源：

[1] https://stockphoto.com/