统计学的P值，大写还是小写？关于P值的几个小tips！

当我们在做数据分析时经常会讨论P值，我们在讨论什么？作为假设检验的核心工具，它经常决定着一个发现的价值、一篇论文的成败。你一定忘不了做课题时为P欢喜为P忧的经历：得到P＜0.05时欣喜若狂，得到P＞0.05时灰心丧气。可是，你真的懂P值吗？它到底是什么？为什么＜0.05就很重要呢？在期刊中应该如何报告P值呢？针对大家的这一系列疑问，下面就和小编一起看看吧~

P值（P value）就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值非常小，表示原假设情况发生的概率很小。而如果发生了，根据小概率原理，我们就有理由拒绝原假设，P值越小，我们拒绝原假设的理由就越充分。简言之，P值越小就表明结果越显著。

closely not significant (p=0.055)
再靠近一点点，我就跟你走

did not quite reach conventional levels of statistical significance (p=0.079)

0.05太传统，跟不上时代的步伐

effectively significant (p=0.051)

虽然但是，我绝不认输！

fell narrowly short of significance (p=0.0623)

狭义上有缺陷？论广义相对论的深邃…

heading towards significance (p=0.086)
在奔向“显著性”小康的路上奋斗终身

just tottering on the brink of significance at the 0.05 level
在显著性的边缘摇摇欲坠

not absolutely significant but very probably so (p>0.05)

高级知识分子的“掩耳盗铃”

only just failed to meet statistical significance (p=0.051)
前世五百次的回眸，换来今生的擦肩而过

关于P值的大小写以及是否设置为斜体（"P value" or "p value"），目前没有统一的规定。

APA表示：“p值”p是小写和斜体，并且“p”和“value”中间没有连字符，即"p value"。

NEJM和一些期刊则表示：P是大写字母且不是斜体，并且“P”和“value”中间没有连字符，即"P value" 。

我们前面提到，在显著性检验中，当P值小到一定程度时，我们就认为原假设不成立。可是为什么这条线就划在了0.05这里？这个问题有一个很无趣的答案：这是费希尔随口一说的。

  费希尔（英国统计与遗传学家）

费希尔的随口一说之中似乎也包含了某种神奇的直觉。有学者提出，对于过去近百年中生物医学研究中常见的效应大小和样本量而言，0.05这个界限恰好在任何实验都做不出显著性结果和假阳性发现满天飞之间找到了一点微妙的平衡。

随着统计软件的流行，如今获得精确的P值已不是难事，人们也不再采用这样模糊的表述了。但是0.05这个门槛儿却成为了一种文化，被科学界保留了下来。

不要过分强调P值。

• 考虑强调效果大小和置信区间，而不是P值。效果大小可以是差异或比率或相关系数等等，可以报告95％置信区间，以证明确定效果大小的准确程度。在许多时候，这比P值更有用； 

• 不要只说P值是＞还是＜ 0.05（或其它值）。如果可以，请将P值的具体数值列出来； 

• 如果是多次比较，报告多重性调整的P值； 
  

• 单独提出P值没有意义，必须要清楚的表明P值是用来检测什么的。

美国心理学协会（APA）出版的指南提出：叙述P值时应不包括小数点前的零，“根据定义，某些值永远不能超过1.0。小数点前零的省略是这个限制范围的指示。最常见的情况是p值和相关性。” 他们还声明在小数点后报告两位或三位数。表格第一列中的P值在APA样式中显示为“.123”，但可以将其样式读作“.12”。 

而新英格兰医学杂志（NEJM）指出：“一般来说，研究设计P值取的是双侧时（非劣效性试验需要单侧检验），P值大于0.01时应该报告到小数点后两位，在0.01到0.001间报告到小数点后三位;小于0.001的P值应报告为P <0.001。”

综上所述，可以总结如下：

许多人会在表格图表中添加星号（*）以显示P值的值较低。那么到底要加几个*呢？NEJM和APA（American Psychological Association）认可的模式为：

可视化三剑客：ggplot2 + Matplotlib + Seaborn
《保姆级R可视化教程》来了！
Python matplotlib保姆级教程
嫌Matplotlib繁琐？试试Seaborn！