研究的 p 值是即使与您正在测试的变量没有关系，您的测量也可能发生的概率。
较小的 p 值表明您的观察结果很好地表明实验中测试和测量的变量密切相关。
较大的 p 值表明您的结果看起来或多或少类似于不存在关系时得到的结果，这意味着您无法确信毕竟存在联系。
等等，什么？ 您能用更简单的术语解释一下 p 值吗？
科学实验通常会比较人、物体或事件的某些特征，以了解它们之间的关系。
是否吃油腻食物让你体重增加？可以用某种特定的药物吗减轻疾病症状？ 多少咖啡因很好（还是不好） 为你？ 我们可能会假设存在某种联系，一件事导致另一件事。
如果我们相信其中一件事会影响另一件事，我们就可以将这种关系的性质称为假设。 （例如，“脂肪食物使你体重增加”是一个假设。）
事实上，可能没有任何关系。 我们称其为原假设。 （“脂肪食物不会让你体重增加”是一个零假设。）
不可能知道宇宙中哪一个真正在起作用。 遗憾的是，没有答案大书你可以往里面看。 任何人能做的最好的事情就是测量每个变量并进行比较，看看一个变量的增加是否意味着另一个变量的增加（或减少）； 我们所说的相关性。
p 值是一种统计测试可能相关性的方法。 它给你一个0到1之间的数字； 它越接近，你对自己的假设就越不自信。
大的 p 值并不意味着你的原假设更有可能为真； 只是你的假设可能无法解释你的观察结果。
出于同样的原因，如果原假设确实有效，数字越接近零，获得此类结果的可能性就越小。 它也不能让你的假设成立，但它确实使它成为一个更好的选择。
那么我们什么时候才能说我们的假设是正确的呢？
从技术上讲，没有一个数字可以区分哪种假设是绝对正确的。
但按照惯例，我们可以得出结论，任何高于 0.05 的 p 值都意味着原假设很可能被忽略。 低于 0.05，我们可以同意你的假设值得认真对待并再次检验。
每次它经过测试并存活下来，我们就更加确信自己走在正确的轨道上。
为什么 0.05 很重要？
0.05的意义更多的是历史的偶然而不是客观的数学里程碑。
一本有影响力的书叫研究人员的统计方法由英国统计学家 Ronald Aylmer (RA) Fisher 在 20 世纪早期撰写，总结了某些变量表及其以划分变量的方式计算出的 p 值。 Fisher 后来声称 0.05 的截止值很方便，“作为判断偏差是否应被视为显着的限制”。
正如费舍尔发现的那样方便，一些研究人员认为我们不应该如此懒惰地在所有科学事物上采用它。 有人说我们应该抛弃它并接受一定程度的不确定性。
有一种反对意见声称我们应该更加严格，减少价值到更小的数字 0.005，才能对假设充满信心。
其他的警惕如此仓促地改变它，意味着我们可以预期 0.05 的 p 值在未来一段时间内将成为科学界的一个重要数字。
所有解释者均由事实核查人员确定在发布时正确且相关。 作为编辑决定，文本和图像可能会被更改、删除或添加，以保持信息最新。
