因此，我们想对p值提供一个简短明了的描述，以及使用和解释它应有的正确方式。这篇文章将为作者提供p值作为当前科学领域的工具的最新解释。请注意，如果您的手稿中存在对p值的明显误解，那么您被审稿人立即拒稿也是合情合理的。

p值最初被计算为检验统计量，用来描述一组基于零假设的给定数据。皮埃尔·西蒙·拉普拉斯（Pierre-Simon Laplace）——也是对表面张力的用数学语言描述的提出者——原本在试图计算p值用来将性别分布进行归类为"real"。因此，这个概念起源于p值可以检测差异是否是真实存在，或者只是出于巧合。p值的效用，在于建立起一个基于样本数据结果，以判断拒绝或接受假设的通用的标准化决策过程。根据罗纳德·费舍尔（Ronald Fisher）的建议，将零假设的拒绝阈值设置为<0.05。重要的是，这是科学家指定和使用的完全任意的值，而不是统计学家。

那么，考虑到p值的效用，究竟是在计算什么？

p值是对数据的描述;这不是对这个假设的描述。该值表示，在假设零假设为真实情况下，试验结果为极端数据的概率。这是决定是拒绝还是接受零假设的有用工具。科学家们已经达成了一个拒绝零假设的阈值的共识。这直接反映了错误地拒绝零假设（第一类错误）或错误地接受零假设（第二类型错误）的概率。因此，它是判断明显差异为"real"的可能性的直观指标。

不幸的是，这种直观性经常导致p值的普遍性滥用，最近的研究进展，如再现性危机，已经改变了对p值的使用和报告的态度。了解这些变化对于文章的成功发表至关重要。

最近，由于p值的争议不断，美国统计局觉得发表一个关于使用p值的声明迫在眉睫。

以下是摘自美国统计局对p值的声明：

这三个判断对现代如何使用p值至关重要。现在我们将根据上述信息为您的手稿中使用p值提供一些指导。

1.   p值越来越多地被报告为精确值（比如，p=0.012）而不是阈值（p < 0.05）。编辑委员会和审稿人越来越多地认识到阈值可以使任意指定的，他们希望将p值视为一个连续的尺度，代表着数据拒绝零假设的力度。阈值作为显著性水平的指示标准仍然适用，但是除非另有规定，否则应该报告试验统计的确切值。

2.  p值不能单独报告。鉴于p值不提供关于结果的效应量(effect size)、可概括性(generalizability)或重要性的证据，审稿人期望看到相应的统计证据。这可以包括报告效应量，置信区间（confidence intervals）和标准误差。同样地，由于上述原因，使用诸如"highly significant"“高度显著”的短语是不合适的。

3.  不要试图规避统计学显著性。基于对p值被广泛滥用于确定一项研究是否成功或失败的共识，审稿人对试图篡改其p值的作者是不予原谅的。这种现象通常被称为"p-hacking"“p值篡改”。下面举两个例子——大家会发现时不时在一些地方看到：1）先说实验数据发现了一个差异，随后再接着说"but this difference did not reach statistical significance."（“但是这个差异没有达到统计学意义。”）；2）使用诸如“marginally significant”"边缘重要性"这样的短语。这两种写法都是错误而不可取的。

4.   假设陈述应尽可能具体。p值基于归谬法（reduction ad absurdum logic）。因为零假设被认为是不可能的，备择假设或实验假设则会被接受。维护这一逻辑结构至关重要；因为只存在两个解释，只有备择假设和零假设是可能的。因此，零假设通常是无效果的假设。确保您的备择假设是一个合适的对立陈述。