KNOWECON WIKI

ARTICLE

p 值

p 值 (p-value) p 值（p-value）是统计学和计量经济学中假设检验的核心概念，由 Ronald A. Fisher 于 1920 年代正式提出。p 值定义为：在原假设 H_0 为真的前提下，观察到检验统计量等于当前样本观测值或比其更极端的值的概率。它不是原假设为真的概率，也不是效应大小的度量，而是一个衡量数据与原假设之间不一致程度的连续性指标

浏览 0 更新 2026-07-14

p 值 (p-value)

p 值（p-value）是统计学和计量经济学中假设检验的核心概念，由 Ronald A. Fisher 于 1920 年代正式提出。p 值定义为：在原假设 H0H_0 为真的前提下，观察到检验统计量等于当前样本观测值或比其更极端的值的概率。它不是原假设为真的概率，也不是效应大小的度量，而是一个衡量数据与原假设之间不一致程度的连续性指标。p 值贯穿了经济学实证研究、医学试验、社会科学调查和机器学习模型评估的全部流程，是"统计显著性"判断的基准量数。

数学定义与计算原理

设 XX 为样本数据，T=T(X)T = T(X) 为检验统计量（如t统计量、F统计量、卡方统计量），tobst_{\text{obs}} 为在当前样本下计算得到的统计量观测值。则 p 值定义为：

p=PH0(T≥tobs∣H0 为真)（右侧检验）p = P_{H_0}\bigl(T \geq t_{\text{obs}} \mid H_0 \text{ 为真}\bigr) \quad \text{（右侧检验）}

对于左侧检验，取 T≤tobsT \leq t_{\text{obs}}；对于双侧检验，取 ∣T∣≥∣tobs∣|T| \geq |t_{\text{obs}}| 或其等价形式。p 值的计算依赖于检验统计量在原假设下的抽样分布。例如，在线性回归中检验单个系数的显著性时，t=β^/SE(β^)t = \hat{\beta} / \text{SE}(\hat{\beta}) 在原假设下服从自由度为 n−k−1n-k-1 的学生t分布，p 值即为该 t 分布尾部面积的两倍（双侧）。

若 p 值小于预先设定的显著性水平 α\alpha（通常取 0.05、0.01 或 0.10），则拒绝原假设，称结果在 α\alpha 水平上"统计显著"。若 p 值大于等于 α\alpha，则无法拒绝原假设。这一规则将连续的概率证据二分为 "显著/不显著" 的二元判断，正是 Neyman-Pearson 决策框架与 Fisher 证据度量的混合产物。

p 值的常见误区

p 值是统计实践中被误解最频繁的概念之一。根据美国统计协会（ASA）2016 年的声明及其他权威文献，关键澄清如下：

  • p 值不是原假设为真的概率。原假设要么为真要么为假，不存在概率属性，除非在贝叶斯统计框架下赋予先验分布。p 值是 P(数据∣H0)P(\text{数据} \mid H_0)，而非 P(H0∣数据)P(H_0 \mid \text{数据})。
  • p 值不是效应大小的度量。极小的 p 值并不等价于实际显著性或经济重要性。在大样本下，即使效应微小到没有实际意义，p 值也可能非常小，因为抽样标准误随样本量增加而缩小。
  • p > 0.05 不意味着原假设为真。"无法拒绝 H0H_0" 不等于"接受 H0H_0"。p 值不够小可能源于样本量不足、效应确实接近于零或测量误差过大等多种原因，不能直接等同于原假设成立。
  • p 值不能直接比较。不同检验或不同样本下的 p 值不具有可比性。p = 0.03 在一个检验中并不比 p = 0.04 在另一个检验中更"显著"，除非两个检验的检验统计量、样本量和设计完全一致。

p 值与显著性水平的关系

p 值与显著性水平 α\alpha 之间存在对偶关系。置信区间可以通过"倒置检验"获得：一个 100(1−α)%100(1-\alpha)\%置信区间包含了所有在 α\alpha 水平上不会拒绝原假设的参数值。因此，若 p < 0.05，则 95\% 置信区间不包含原假设指定的参数值（如零）。这种对应关系在计量经济学的置信区间报告中极为常见。

多重比较问题是 p 值使用中不可忽视的陷阱。当同时进行 mm 个独立假设检验时，至少出现一个假阳性（第一类错误）的概率会随 mm 膨胀：P(至少一个假阳性)=1−(1−α)mP(\text{至少一个假阳性}) = 1 - (1-\alpha)^m。例如，在 α=0.05\alpha = 0.05 下进行 20 次独立检验，假阳性的概率高达约 0.64。Bonferroni校正将显著性水平调整为 α/m\alpha / m、控制族错误率 (FWER) 的Holm-Bonferroni方法以及基于错误发现率 (FDR) 的Benjamini-Hochberg方法均为常见的多重比较修正方法。

p值的局限性与替代方法

p 值在近年受到越来越多的方法论批评。关键局限包括：其一，p 值对样本量极度敏感，大样本下几乎所有零效应原假设都将被拒绝（所谓"样本量诅咒"）；其二，p 值自身的抽样变异性很大，同一实验重复多次，p 值可能在不同范围大幅波动；其三，p 值的二分使用（显著/不显著）导致了"p-hacking"（数据挖掘）和发表偏倚——研究者有动机通过数据筛选、变量变换或模型挑选使 p 值跌破 0.05。

作为补充或替代，学界提倡以下方案：报告置信区间以提供效应大小的可能范围而非单一概率值；使用贝叶斯因子直接量化数据对原假设与备择假设的相对支持程度；引入最小实际显著效应的概念并检验效应是否超越该阈值；以及预注册（pre-registration）研究方案以阻断选择性报告。在经济学实证研究中，Angrist和Pischke等学者反复强调：因果识别的可信度来自于研究设计的清洁性（如工具变量、断点回归、双重差分的有效性），而非 p 值的大小。

经济学与实证研究中的应用

在经济学实证研究中，p 值是回归表格的核心要素。通常与系数估计值和标准误并列报告，或以星号标记（* 表示 p < 0.01， 表示 p < 0.05，* 表示 p < 0.10）。然而，异方差稳健标准误和聚类稳健标准误下的 p 值计算需格外谨慎：若误差项在不同个体间或在不同时间点间存在相关性而未被充分建模，估计的标准误将严重偏小，导致 p 值偏小并夸大统计显著性。White标准误和聚类标准误（clustered standard errors）是常见的修正工具。

在随机对照试验\ (RCT) 和政策评估中，p 值用于判断处理效应是否在统计上区别于零。但越来越多的文献呼吁超越"星星表"（star-gazing），转向报告效应大小、置信区间、随机化推断\ (randomization inference) 的 p 值以及置换检验等不需要强分布假设的方法。总之，p 值是一把锋利但需要谨慎使用的统计工具，其价值不在于二分判断，而在于为科学推断提供一种校准不确定性、评估证据强度的连续性标尺。