你怎么说P值？

在假设检验中，如果原假设被拒绝，就称样本结果在统计上是显著的（Statistically Significant).实际上，在“显著”与“不显著”之间没有清楚的界限，只是在P值越来越小时，我们就有越来越强的证据而已。0.049与0.051这两个P值并没有多少实质的差别，即使我们非要把这种差别找出来(0.051-0.049=0.002),又有什么实质的意义呢？退一步说，把这么小的差别找出来干什么呢？把P≤0.05当作“显著水平”的普遍标准没有什么道理。做一次检验并达到α=0.05的显著性水平，这是所发现的好证据；而做了好几十次检验，有一两次达到标准，可就不是什么证据了。因此，要避免使用固定的显著性水平(如α=0.05）作出决定，而应使用P值，从而使我们可根据需要来决定是否拒绝原假设（在需要与风险之间进行权衡）
在进行决策时，P值越小则拒绝原假设的证据就越强，P值越小，检验的结果也就越显著。但需要注意的是，当P值很小而拒绝原假设时，并不一定意味着检验的结果就有实际意义。也就是说，一个在统计上显著的结论在实际中却不见得很重要，也不意味着就有实际意义。这是因为P值与样本的大小密切相关。从检验统计量的计算公式可以看出，样本容量越大，检验统计量的值也就越大，P值就越小，就越有可能拒绝原假设。可以说，当样本容量很大时，几乎总是拒绝原假设。因此，当样本容量很大时，解释假设检验的结果一定要小心。这是因为，在大样本情况下，我们总能把与假设值的任何细微差别都查出来，即使这种差别几乎没有任何实际显著性。由此可见，较大的样本会让显著性检验比较敏感，在总体真值不变的情况下，大的样本会使P值变小，而小的P值也不一定就有实际意义！
摘自贾俊平<<统计学>>