临度科研 P值知多少

在过去的几十年间，P值作为常用的统计学概念，一直活跃在临床研究中。尤其在假设检验中，我们经常见到这样的说法：因为P

关于P值，教科书会告诉你“它是在零假设成立的条件下，出现统计量目前值及更不利于零假设数值的概率。也就是当零假设成立时，我们凭借样本中所见去拒绝零假设（下阳性结论），有可能犯假阳性错误，犯假阳性错误的概率就是P。当P值较小，表明“不大可能”犯假阳性错误，于是拒绝零假设”。

本文期望能为研究者正确理解P值提供帮助、提高临床试验结果报告质量，得到客观准确的研究结论。

案例分析：

如研究中所示，TL组和TC组不良事件发生率分别为91.38%和100%，P=0.0221＜0.05。你会想到怎样的结果，脑海中是否会浮现出以下几类陈述？

1、零假设（“TL组和TC组不良事件发生率一致”）是绝对错误的，或者对立假设（“TL组和TC组不良事件发生率不一致”）是绝对正确的；

2、零假设（“TL组和TC组不良事件发生率一致”）有2.21%的可能性是真的；

3、根据上述信息可以算出对立假设为真的概率；

4、如果同样的实验重复很多遍，其中将有97.79%的实验获得统计学意义上显著的结果；

5、如果同样的实验重复很多遍，其中将有2.21%的实验获得统计学意义上显著的结果；

6、我们完全由于随机因素而得到这一结果的概率是2.21%。

事实上，上述陈述全都不够准确，下面我们逐个分析。

1、零假设（“TL组和TC组不良事件发生率一致”）是绝对错误的，或者对立假设（“TL组和TC组不良事件发生率不一致”）是绝对正确的。

原因：统计学永远没有绝对的答案。

2、零假设（“TL组和TC组不良事件发生率一致”）有2.21%的可能性是真的。

原因：这是关于P值较为常见的误区。大家都知道P值很低时，拒绝原假设，P值不就是代表假设有几分真吗？并不。对原假设而言，它为真的概率是固定的。而0.0221是根据具体的样本计算出来的，在不同样本中重复同样的试验，会得到不同的P值，因此P值不可能是零假设。P值只是描述样本与零假设的相悖程度，以此为依据对零假设的真假做出一个判断。

3、根据上述信息可以算出对立假设为真的概率。

原因：频率主义统计学只考虑数据与假设的相符程度，并不对假设本身成立与否的概率作出推断。

4、如果同样的实验重复很多遍，其中将有97.79%的实验获得统计学意义上显著的结果。

原因：P值与统计结果的可重复性没有关系。统计结果的可重复性依然取决于零假设为真的概率，但我们不能从P值中推出这个概率。

5、我们完全由于随机因素而得到这一结果的概率是2.21%。

原因：前面需要加上“在零假设成立的前提下”，这一结论才正确。

P值提供的信息有限，临床试验在获得主要疗效P值后，绝不可轻易做阳性或阴性的决断结论，P值只关心数据与原假设之间多不一致。但是，如果某种效应或差异存在，P值不能准确地告诉我们效应的大小，更不能告诉我们这效应是否具有实际意义。

统计报告中不能仅仅给出P值，还需要给出相应的效应大小（比如均值的差、回归系数、OR值等等）及置信区间。结合研究背景、研究设计、研究实施、多种数据分析结果做综合的推断，才能得出相对客观、可信的推断。