核心结论前置，你这里说的 p 小于 005，一般是统计学里 p 值小于 0.05 的简写，代表假设检验得到的 p 值低于预先设定的显著性水平 α 等于 0.05，统计上叫做达到显著水平，意思是如果原假设本身成立，那么当前观测到这种甚至更极端数据的概率低于百分之五，通常可以拒绝原假设，认为组间差异或者变量之间的关联具备统计学显著性。这里一定要重点区分，p 小于 0.05 只代表统计显著，不等于效应量很大，也不等于实际意义很大，更不是证明原假设一定是错的，它只是概率层面的判断，存在一类错误也就是假阳性的可能，很多做实验论文的新手最容易踩这个误区，看到 p 小于 0.05 就直接认定结果真实可靠，忽略样本量效应量多重检验这些影响因素。

为什么会设置 0.05 这个临界值

0.05 这个阈值是统计学传统约定，由费希尔提出，含义是我们可以接受百分之五的假阳性风险，也就是原假设为真的时候，错误拒绝原假设的概率上限是百分之五。这个数值只是行业通用惯例，不是绝对真理，不同领域会调整标准，比如医学领域很多研究会把标准改成 0.01，高维数据多重检验场景会用邦费罗尼校正，把阈值压得更低，防止大量检验之后假阳性数量暴涨。原假设一般是组间没有差异，变量没有相关性，当 p 小于 0.05，就代表观测数据和原假设预测的数据偏离程度，超出了随机误差可以合理解释的范围。

p 小于 005 对应的核心判断要素

完整解读步骤

第一步，先确认研究提前设定的显著性水平是不是 0.05，很多研究没有提前设定，事后挑选 0.05 这个标准，属于 p 值操纵，结果可信度下降。

第二步，确认检验类型是否匹配数据，t 检验方差分析卡方回归这些检验都有适用前提，前提不满足的时候，就算 p 小于 0.05，结果也是无效的。

第三步，查看效应量，比如 cohen d，eta 平方，相关系数 r，判断这个差异在实际场景里面有没有应用价值，比如两组血压差只有 1 毫米汞柱，就算 p 小于 0.05，临床意义很低。

第四步，检查有没有多重比较，如果同时做几十组对比，不校正的情况下，很容易随机出现 p 小于 0.05，需要做校正。

第五步，结合置信区间，森林图，重复实验结果综合判断，不要只单独依靠 p 小于 0.05 这一个指标下最终结论。

常见误区补充

第一，p 小于 0.05，不是原假设成立的概率小于 0.05，很多人理解反了，p 值是在原假设成立的前提下，出现当前数据的概率，不是原假设本身的概率。

第二，p 大于 0.05，不等于没有差异，只是现有样本证据不足以拒绝原假设，可能是样本量不足，检验效能偏低。

第三，p 小于 0.05 不能代表因果关系，就算回归或者相关性检验 p 小于 0.05，仍然需要研究设计支撑因果推断，观察性研究就算显著也不能直接判定因果。

总结，p 小于 005 本质就是达到传统 0.05 显著性水平，提示观测差异不太像单纯随机波动，但是解读必须结合检验前提样本量效应量研究设计，不能单凭这个数值直接认定结论成立，科研写作里面要同时报告 p 值效应量置信区间，完整展示证据，不要只写 p 小于 0.05。

【常见问题】

问题 1 p 小于 005 说明什么，是不是代表结果百分百可靠？

回答 1 p 小于 005 说明统计达到显著，但不是百分百可靠，仍然存在百分之五假阳性风险，需要结合效应量和重复验证综合判断 p 小于 005 的结果。

问题 2 p 小于 005 说明什么，样本很大的时候 p 小于 005 还有意义吗？

回答 2 p 小于 005 说明统计显著，大样本下微小差异也会 p 小于 005，这时候重点要看效应量，判断 p 小于 005 对应的差异有没有实际应用意义。

问题 3 p 小于 005 说明什么，可以直接证明因果吗？

回答 3 p 小于 005 说明存在统计学关联，不能直接证明因果，p 小于 005 只是统计检验结果，因果判断需要依靠随机对照实验这类研究设计。

问题 4 p 小于 005 说明什么，多重检验之后还能直接使用 0.05 标准吗？

回答 3 p 小于 005 说明单组检验显著，但是多重检验场景下不能直接沿用 0.05 标准，需要校正阈值，不然随机出现 p 小于 005 的概率会大幅升高。

【免责申明】

本文为统计学 p 值相关科普解读，仅作为学习参考，不同学科科研规范存在差异，实际论文统计分析请结合所在领域规范，由专业统计人员审核，不构成科研决策唯一依据。