如果您想让“重要性”承认程度，那么就足够公平了（“有些重要”，“相当重要”），但要避免使用暗示您仍然坚持阈值概念的短语，例如“几乎重要” ，“接近意义”或“处于意义的尖端”（我最喜欢博客可能错误上的“仍然不重要” ），如果你不想显得绝望。

从我的角度来看，这个问题归结为进行显着性测试的实际含义。显着性检验被设计为一种决定是否拒绝零假设或不拒绝它的方法。费舍尔本人引入了臭名昭著的 0.05 规则来做出该（任意）决定。

基本上，显着性检验的逻辑是用户必须在收集数据之前指定一个 alpha 水平来拒绝原假设（通常为 0.05） 。完成显着性检验后，如果 p 值小于 alpha 水平，则用户拒绝 null（否则拒绝拒绝）。

你不能宣布一个效应非常显着（比如，在 0.001 水平）的原因是你找不到比你开始寻找的更有力的证据。因此，如果您在测试前将 alpha 水平设置为 0.05，那么无论您的 p 值有多小，您都只能找到 0.05 水平的证据。同样，谈论“有些显着”或“接近显着”的效果也没有多大意义，因为您选择了 0.05 这个任意标准。如果你从字面上解释显着性检验的逻辑，那么任何大于 0.05 的东西都不显着。

我同意“接近意义”之类的术语经常用于提高出版前景。但是，我不认为作者可以为此受到指责，因为当前某些科学领域的出版文化仍然严重依赖 0.05 的“圣杯”。

其中一些问题在以下文章中进行了讨论：

Gigerenzer, G. (2004)。无脑统计。社会经济学杂志，33（5），587-606。

Royall, R. (1997)。统计证据：可能性范式（第 71 卷）。CRC出版社。

这种滑坡回溯到用于无效假设显着性检验 (NHST) 的 Fisher vs Neyman/Pearson 框架。一方面，人们想要对零假设下结果的可能性进行定量评估（例如，效应大小）。另一方面，在一天结束时，您需要一个离散的决定，以确定您的结果是否可能仅是由于偶然性。我们最终得到的是一种不太令人满意的混合方法。

在大多数学科中，传统的显着性 p 设置为 0.05，但实际上没有理由说明为什么必须如此。当我审阅一篇论文时，如果作者称其为 0.06 显着，甚至 0.07，我绝对没有问题，只要方法是合理的，并且整个画面，包括所有分析、数字等，都讲述了一个一致且可信的故事。遇到问题的地方是作者试图用影响规模较小的琐碎数据来编造故事。相反，我可能不会完全“相信”一个测试实际上是有意义的，即使它达到了传统的 p < 0.05 显着性。我的一位同事曾经说过：“您的统计数据应该简单地支持您的数据中已经很明显的内容。”

综上所述，我认为 Vasilev 是正确的。鉴于损坏的出版系统，您几乎必须包含 p 值，因此您几乎必须使用“重要”这个词才能被认真对待，即使它需要像“勉强”这样的形容词（我更喜欢）。你总是可以在同行评审中与之抗衡，但你必须先到达那里。

两个 p 值本身之间的差异通常并不显着。因此，您的 p 值是否为 0.05、0.049、0.051 并不重要...

关于 p 值作为关联强度的度量：p 值不是直接关联强度的度量。p 值是找到与您观察到的数据一样极端或更极端的数据的概率，假设参数为 0（如果有人对零假设感兴趣——请参阅 Nick Cox 的评论）。然而，这通常不是研究人员感兴趣的数量。许多研究人员对回答诸如“参数大于某个选择的截止值的概率是多少？”之类的问题很感兴趣。如果这是您感兴趣的内容，则需要在模型中加入额外的先验信息。