统计百科 · 2026-06-17

统计显著性与 P 值完全指南 — 概念讲透、误解澄清、论文规范报告

彻底讲清 P 值的正确定义、显著性水平 alpha 的由来、5 大常见误解、第一类/第二类错误、多重比较陷阱，以及 APA 7th 论文级规范报告格式。适合做实证研究的本科生、研究生和科研人员。

p < .05，这个数字几乎出现在每一篇实证论文里。但它到底是什么意思？90% 的研究者对它的理解存在偏差。这篇文章把 P 值和统计显著性从头讲透，帮你不再"用错"、不再"被审稿人打回"。

引入：p < .05 到底什么意思？

如果你做过问卷数据分析，你大概写过这样一句话：

"两组均值差异显著（p = .032 < .05），表明干预效果显著。"

审稿人或导师可能批了一个问题："你的 p 值解读有误。"

为什么？

因为p < .05 不是"干预有效的概率是 95%"，也不是"差异是真实的概率是 95%"，更不是"零假设错误的概率是 5%"。

P 值有一个非常精确的、经常被误解的定义——理解这个定义，是做严谨实证研究的基础。

回归不显著怎么办：五项诊断

多元线性回归分析不显著时，先区分“整体模型不显著”“单个回归系数不显著”和“区间过宽”。它们不是同一个问题，也不能用同一种补救办法。

研究设计：回到研究问题，核对时间顺序、对照、混杂因素和理论预期。设计不能识别目标关系时，增加模型数量也不会自动变成可信证据。
测量：检查变量定义、量表信度、编码、范围受限和测量误差。低质量测量会衰减关系，也可能让系数方向不稳定。
样本量：结合事前功效依据、效应量和置信区间判断估计精度。小样本下 p > .05 可能只是信息不足，不能直接写成“没有效应”。
模型设定：检查线性、残差、共线性、必要控制变量和异常值处理。任何调整都要有理论或预设依据，并区分验证性与探索性分析。
如实报告：同时报告整体 F、R²、系数、标准误、精确 p 值和区间，说明限制。禁止 p-hacking，不能为了显著反复删样本、换变量或只展示成功模型。

因此，“回归不显著能继续分析吗”的答案是：可以继续做有依据的诊断和稳健性分析，但不能继续追逐显著性。可进入 ChatSRS 按五项清单核对回归输出，最终判断仍由研究者根据设计与证据作出。

不显著结果怎么如实写

先报告模型和估计，再说明限制。例如：

整体 F 检验未达预设显著性水平，F(3, 146) = 1.82，p = .146，调整 R² = .016。学习投入的单个回归系数为 B = 0.18，95% CI [-0.04, 0.40]，p = .108。区间同时包含接近零与可能有实际意义的正向估计，因此当前样本不足以支持明确关联，也不能据此断言“完全没有效应”。后续仅按预先说明的测量与稳健性方案复核，不以获得 p < .05 为目标。

这类写法保留了整体 F、系数、95% CI、精确 p 值和不确定性，也明确阻断 p-hacking。若整体模型显著但单个系数不显著，或整体模型不显著但个别系数看似显著，也应分别报告并结合共线性、模型设定与研究设计解释，不能挑一个结果代替整套证据。

一、P 值是什么

1.1 从原假设（零假设）说起

每一次假设检验，都从设立**原假设（null hypothesis，H0）**开始。

原假设通常是"什么都没有发生"的假设：

"两组均值相等"（H0: mu1 = mu2）
"相关系数为零"（H0: rho = 0）
"干预没有效果"（H0: 干预组与对照组均值差 = 0）

与原假设对立的是备择假设（alternative hypothesis，H1），即"有差异"、"有效果"、"有关联"。

假设检验的逻辑不是直接证明"有效果"，而是采用反证法：假设原假设成立，看数据有多"奇怪"。如果数据足够奇怪（发生概率很低），就有理由拒绝原假设，转而接受备择假设。

1.2 P 值的精确定义

**P 值（p-value）**的正确定义是：

在原假设（H0）为真的前提下，观察到当前样本统计量或比它更极端的结果的概率。

拆解这句话：

"在原假设为真的前提下" — 这是一个条件概率，条件是 H0 成立
"观察到当前样本统计量或比它更极端的结果" — 不只是这一次的数据，还包括更极端的情况
"概率" — 这是一个频率主义的概率，表示在无数次重复实验中出现这种结果的比例

用一个例子说明：

你做了一个独立样本 t 检验，计算得 t = 2.45，p = .032。这个 p = .032 的意思是：假设两组均值本来相等（H0 为真），在同样的实验条件下重复无数次，有 3.2% 的实验会产生 t 值 >= 2.45 或 <= -2.45 这样极端的结果。

因为 3.2% 很小（低于我们事先设定的阈值 5%），我们认为"原假设下这么小概率的事居然发生了"足够令人怀疑原假设，所以拒绝 H0。

注意：这个逻辑里没有任何关于"干预是否有效"的直接概率声明。

二、0.05 从哪来——显著性水平 alpha

2.1 alpha 是事先划定的门槛

**显著性水平（significance level）**用希腊字母 alpha 表示，是在实验前人为约定的拒绝 H0 的概率阈值。

最常见的约定是 alpha = .05（5%），也就是：如果 H0 成立，我们愿意接受最多 5% 的概率犯"拒绝了其实正确的 H0"这个错误。

规则是：如果 p <= alpha，就拒绝 H0，称结果"统计显著"；如果 p > alpha，就不拒绝 H0，称结果"统计不显著"。

2.2 0.05 不是神圣的阈值

alpha = .05 是统计学家费舍尔（Ronald Fisher）在 20 世纪 20 年代提出的经验性约定，最初用于农业实验。他说"1/20 的概率大概是合适的阈值"，并非来自严格的数学推导。

不同领域使用不同的 alpha：

领域	常用 alpha	原因
社会科学、心理学	.05	惯例，相对宽松
医学临床试验	.05 或 .01	影响患者，需更严格
粒子物理学	.0000003（5 sigma）	发现新粒子需极高置信度
基因组学（GWAS）	.00000005	多重检验极多，Bonferroni 校正后
探索性研究	.10	允许更多"信号"

核心原则：alpha 应在收集数据之前设定，而不是看到 p 值后再调整。

2.3 alpha 和 p 值的关系

alpha 是事先设定的阈值（通常 .05）
p 值是根据数据计算出来的结果
比较：p <= alpha 就显著，p > alpha 就不显著

两者之间不能混淆——"p < .05 是显著的"这句话成立，是因为我们预先约定了 alpha = .05。

三、P 值的 5 大常见误解

这是论文和课堂中反复出现的错误，每一条都值得仔细辨认。

误解 1：P 值是"原假设为真的概率"

错误表述："p = .032，说明原假设成立的概率只有 3.2%。"

正确理解：p 值是 P(数据|H0)，即在 H0 成立条件下数据出现的概率。它不是 P(H0|数据)，即数据下 H0 成立的概率。

后者是贝叶斯后验概率，需要先验概率才能计算，频率主义的 p 值不能给出这个答案。

误解 2：1 - p 是"研究假设为真的概率"

错误表述："p = .032，所以有 96.8% 的把握认为干预是有效的。"

这个说法在逻辑上是同样的错误，是上一条的变体。p 值不给出任何关于 H1 概率的声明。

误解 3：p 值衡量"效应的大小"

错误表述："p = .001，说明效应非常强。"

p 值受样本量影响极大：同样大小的效应，样本量越大，p 越小。一个微小但毫无实际意义的差异，在 N = 10000 时完全可能得到 p < .001。

效应大小要用**效应量（effect size）**来衡量，如 Cohen's d、eta squared、r，而不是 p 值。

误解 4：p 值显著就意味着"发现了重要的事"

错误表述："结果显著（p < .05），本研究具有重要的理论贡献。"

统计显著性 ≠ 实践显著性（practical significance）或理论重要性。

一项干预对学业成绩有"显著效果"（p = .043），但 Cohen's d = 0.05（极小效应），实际上几乎没有任何实践价值。

误解 5：p > .05 证明"没有差异"

错误表述："p = .12 > .05，说明两组没有差异。"

"不拒绝原假设"和"原假设为真"是完全不同的两件事。p > .05 只说明"数据不够充分支持我们拒绝 H0"，这可能因为：

效应真的很小（但不一定是零）
样本量不足（检验功效太低）
数据变异性太大

这条误解导致大量"阴性结果"被曲解为"无差异的证明"，是科研中的严重问题。

四、显著 vs 不显著的正确表述

根据上面的分析，以下是写论文时的正确措辞指南：

显著结果的正确表述

[可以写] "两组均值差异具有统计显著性，t(118) = -4.45, p < .001"
[可以写] "相关分析结果显著，r = .42, p < .001"
[不要写] "p < .05，差异是真实的"（p 值不证明差异'真实'）
[不要写] "干预有效（p = .032）"（需要同时报告效应量才完整）
[不要写] "p = .032，有 96.8% 的把握认为干预有效"（概率解读错误）

不显著结果的正确表述

[可以写] "两组均值差异未达统计显著性，t(58) = 1.42, p = .162, Cohen's d = 0.18"
[可以写] "在本研究样本量下，未观察到统计显著差异（p = .162），效应量估计为 d = 0.18（小效应），可能存在检验功效不足的问题"
[不要写] "p > .05，两组无差异"（不能据此得出"无差异"的结论）
[不要写] "研究结果为阴性，干预无效"（阴性结果不等于无效的证明）

五、统计显著但无意义 / 不显著不等于无差异

5.1 效应量：显著性之外必须报告的指标

效应量（effect size）回答的是"差异有多大"这个问题，而 p 值只回答"差异是否显著"。

两者缺一不可。APA 7th 版已明确要求在报告显著性的同时报告效应量。

常用效应量指标：

分析类型	效应量指标	小效应	中效应	大效应
t 检验（两组比较）	Cohen's d	0.20	0.50	0.80
方差分析	eta squared (eta^2)	.01	.06	.14
相关分析	Pearson r	.10	.30	.50
卡方检验	Cramer's V	.10	.30	.50
回归分析	f^2	.02	.15	.35

规则：即使 p 值不显著，也应报告效应量，让读者自行判断差异的实践意义。

5.2 统计功效：样本量是否足够？

**统计功效（statistical power）**是指当 H1 为真时，实验能够正确拒绝 H0 的概率（通常设置为 0.80，即 80%）。

功效不足的研究——即样本量太小——即便存在真实效应，也可能得到 p > .05 的结果（漏掉真实信号）。

功效分析通常在研究设计阶段完成，用于计算所需的最小样本量。事后如果结果不显著，也应该说明功效水平，避免把"功效不足"误解为"无差异"。

在 ChatSRS 中，可以用一句话做功效分析：

"假设 Cohen's d = 0.50，两组各多少人才能达到 80% 统计功效？"

六、第一类错误与第二类错误

统计检验是在不确定条件下做决策，难免会犯错。错误分两种：

6.1 第一类错误（Type I Error）：误报

定义：原假设为真，却被错误地拒绝了（"冤枉了 H0"）
概率：等于显著性水平 alpha（通常为 .05）
后果：声称有效果，但其实没有（假阳性）
控制方法：降低 alpha（如设置 .01），或做多重比较校正

比喻：被告无罪，法院却判有罪——这是"冤假错案"。

6.2 第二类错误（Type II Error）：漏报

定义：原假设为假（备择假设为真），却没有拒绝 H0（"放跑了真信号"）
概率：用 beta 表示（通常目标是 beta <= 0.20）
后果：声称没有效果，但其实有（假阴性）
控制方法：增大样本量，提高统计功效（1 - beta）

比喻：被告有罪，法院却判无罪——这是"放纵了罪犯"。

6.3 两类错误的权衡

两类错误是此消彼长的关系：降低 alpha 减少第一类错误，但会增加第二类错误。反之亦然。

	H0 为真	H0 为假
拒绝 H0（显著）	第一类错误（alpha = .05）	正确决策（功效 = 1 - beta）
不拒绝 H0（不显著）	正确决策（1 - alpha）	第二类错误（beta）

七、多重比较问题

7.1 为什么多重比较会膨胀错误率

每次显著性检验都有 5% 的概率犯第一类错误（在 H0 为真时）。如果做 20 次独立检验，每次 alpha = .05，那么至少有一次犯第一类错误的概率高达：

1 - (1 - .05)^20 = 1 - 0.95^20 ≈ 64%

也就是说，做 20 次检验，即使什么效应都不存在，平均会有 1 次得到 p < .05 的"显著"结果——这是纯粹的运气，不是真实的发现。

这个问题叫做家族误差率（familywise error rate，FWER）的膨胀。

7.2 常见的多重比较校正方法

Bonferroni 校正是最简单的方法：将每次检验的 alpha 除以总检验次数 m。

如果做 5 次检验，校正后每次显著性阈值为 .05 / 5 = .01。

其他方法：

方法	适用场景	特点
Bonferroni	独立检验，数量不多	最保守，控制 FWER
Holm 法	Bonferroni 的改进版	比 Bonferroni 检验力更高
Benjamini-Hochberg (FDR)	探索性研究，检验次数多	控制假发现率而非 FWER，更宽松
Tukey HSD	多重配对均值比较（ANOVA 事后检验）	控制所有配对比较的错误率
Scheffe	ANOVA 事后检验，比较灵活	最保守，适合计划外比较

7.3 什么时候需要多重比较校正

需要校正的情况：

对同一数据集的多个因变量分别做 t 检验
ANOVA 后做所有配对均值的事后比较（post-hoc tests）
子组分析中检验多个子组的效应
基因组研究、神经影像数据等大规模检验场景

不需要（或讨论空间较大）的情况：

有明确理论依据的几个主要假设（事先在预注册中写明）
不同研究问题的独立检验（如比较不同量表的基线特征）
探索性研究（用 FDR 宽松控制即可）

八、论文里怎么规范报告 P 值（APA 7th）

APA 出版手册（第七版）对 p 值的报告格式有明确规定。以下是执行层面的具体要求：

8.1 p 值的书写格式

p 值不加零（写 p = .032，不写 p = 0.032）
p 值精确到小数点后三位（如 p = .032, p = .148, p = .001）
当 p < .001 时，写 p < .001，不写 p = .000 或 p = 0.000（.000 是舍入误差，真实 p 值不是 0）
统计量（t, F, chi^2 等）一般精确到两位小数

8.2 统计显著性报告模板

t 检验

t([df]) = XX, p = .XXX, 95% CI [XX, XX], Cohen's d = X.XX

例：t(118) = -4.45, p < .001, 95% CI [-3.83, -1.47], Cohen's d = 0.81

F 检验（ANOVA）

F([df1], [df2]) = XX.XX, p = .XXX, eta^2 = .XX

例：F(2, 87) = 8.34, p < .001, eta^2 = .16

卡方检验

chi^2([df], N = XX) = XX.XX, p = .XXX, Cramer's V = .XX

例：chi^2(2, N = 120) = 9.87, p = .007, Cramer's V = .29

8.3 常见格式错误

错误写法	正确写法	原因
p = 0.032	p = .032	APA 要求 p 值不加前导零
p = .000	p < .001	.000 是假值，真实 p 不是 0
p = 0.001	p = .001	同上，不加前导零
p < 0.05	p < .05	不加前导零
p = 3.2%	p = .032	用小数而非百分比
显著（p=.032）	t(58) = 2.14, p = .032	需要报告完整统计量
p < .05***	t(58) = 2.14, p = .032	APA 不推荐在文字中用星号，星号用于表格脚注

8.4 表格中 p 值的星号约定

在统计表格的脚注中，仍可使用星号简写：

注：* p < .05, ** p < .01, *** p < .001

但注意：

星号用于表格，文字段落里应写出完整的精确 p 值
脚注字母定义必须与表格内容一致
APA 7th 提倡报告精确 p 值（如 .032）而非仅仅 "p < .05"

8.5 一个完整的 APA 报告段落示例

独立样本 t 检验结果显示，实验组干预后焦虑得分（M = 5.82, SD = 3.14）显著低于对照组（M = 8.47, SD = 3.52），t(118) = -4.45, p < .001, 95% CI [-3.83, -1.47]，Cohen's d = 0.81，为大效应。Levene 方差齐性检验未达显著（F = 1.43, p = .234），满足独立样本 t 检验的前提假设。

注意这段话里：

报告了 M 和 SD（描述统计）
报告了完整的统计量 t(df) = 值
精确 p 值（p < .001 而非 p = .000）
置信区间
Cohen's d 效应量并注明效应大小标准
前提假设检验（Levene）

九、FAQ：实战中的高频疑问

Q：p = .06 怎么办？能说"接近显著"吗？

A：不推荐使用"接近显著"（marginally significant, approaching significance）这类措辞——APA 7th 和多数高质量期刊已明确反对这种说法，因为它是一种数据驯化（p-hacking）的信号。正确做法：诚实报告 p = .060, p > .05，结果未达显著；同时报告效应量（如 d = 0.38，中小效应）和置信区间，让读者判断是否值得用更大样本复验。也可以在讨论部分说明"受样本量限制（n = XX），本研究统计功效为 XX%，可能存在第二类错误的风险"。

Q：p 越小，效应越强吗？

A：不是。p 值同时受效应大小和样本量两个因素影响。样本量越大，同样的效应量会产生越小的 p 值。一个 N = 10000 的研究可以让一个 d = 0.05 的微小效应得到 p < .001，但这个效应在实践上可能毫无意义。评估效应强弱要看效应量指标（Cohen's d、eta^2 等），不要看 p 值的大小。

Q：单侧检验还是双侧检验，p 值差多少？

A：单侧检验的 p 值约为双侧检验的一半（在同等 t 值/z 值下）。单侧检验功效更高，更容易达到显著。但使用单侧检验需要有事先的理论依据和方向性假设，且应在预注册中说明。如果你在看到数据结果后才决定用单侧检验，这就是 p-hacking。没有强烈的方向性理由，默认使用双侧检验。

Q：p 值可以用来比较两个效应的大小吗？

A：不能。"研究 A 得到 p = .001，研究 B 得到 p = .04，所以研究 A 的效应更强"——这个逻辑是错误的。p 值受样本量影响，两个研究的样本量不同时，p 值完全无法比较效应大小。要比较效应大小，需要用同一类效应量指标（如都用 Cohen's d 或都用 r），且理想情况下进行正式的元分析。

Q：p 值能告诉我研究结论可不可以重复吗？

A：不能。p 值是在当前数据下的单次计算结果，本身不是"结论可复现性"的度量。一项 p = .049 的研究，在同样条件下重复，得到 p < .05 的概率甚至可能不到 50%（取决于效应量和样本量）。可复现性需要用置信区间、效应量报告、预注册、充足样本量和直接重复实验来保障。

Q：论文 p 值显著，是不是就说明我的研究假设"被证明"了？

A：统计推断中没有"证明"，只有"提供了证据"。拒绝 H0 表示"数据与 H0 不相符"，这给 H1 提供了间接支持，但并不代表 H1 被"证明"。测量误差、混淆变量、模型假设违反等因素都可能导致虚假显著。论文中应写"结果支持了……假设"而不是"证明了……"。

小结

理解 P 值和统计显著性，是读懂统计结果、写好论文的基础能力。核心要点：

P 值的正确定义：在 H0 为真的前提下，观察到当前数据或更极端数据的概率，不是 H0 为真的概率，也不是效应为真的概率。
alpha 是人为约定的阈值，.05 不是神圣不可侵犯的，要在数据收集前设定。
5 大误解：p 不是 H0 为真的概率、不是效应大小的度量、显著不等于重要、不显著不等于无差异。
效应量和功效：显著性之外必须报告效应量；不显著时要检查是否是功效不足导致的。
两类错误：第一类（误报）受 alpha 控制，第二类（漏报）受功效控制，两者权衡。
多重比较：多次检验会膨胀第一类错误率，应做 Bonferroni / FDR 等校正。
APA 报告规范：p 值不加前导零、精确三位小数、p < .001 时写 p < .001 而非 p = .000，同时报告完整统计量和效应量。