一个特定的案例，其中 p 值是从测试生成的，被用作相似性，并且在本文中应用了多维缩放：http: //www.biomedcentral.com/content/pdf/1748-7188 -1-10.pdf$\chi ^2$

如果所有“真实距离”都是 0，那么 p 值将遵循均匀分布，并且只是随机的、不正确的距离。
如果真实距离不为 0，那么您仍然存在缩放问题，其中测试统计数据可能更有意义。0.9 和 0.6 的 p 值在解释上差别不大，而 0.06 和 0.01 的 p 值在解释上差别很大，但 mds 算法会使前者之间的距离大于后者。您还应该考虑功效，您可能有 2 个组之间的距离非常小，但样本量很大，因此您得到的 p 值很小；然后是另一对，它们之间的差异很大，但由于样本量小（低功效），你会得到更大的 p 值。

我相信答案是肯定的。

可以考虑通过（例如）相关性来衡量两个变量之间的“相似性”。并且对于 p 值而言，相关性的显着性不同于 0。在这种情况下，小的 p 值（接近零）是反映变量之间较大距离（“差异”）的值。

您可以将 p 值转换为 z 分数（它们的“距离”必须与“通常”方向一致），并查看您提到的方法是否有意义......

我不确定您所说的“多个成对测试之间的 p 值”是什么意思。p 值是衡量特定测试的可能性/不太可能，如果零假设为真，则将某个值视为极端或比实际观察到的更极端。在进行成对测试时，一个 p 值和另一个 p 值之间没有特别的联系。我看不出如何将任何 p 值视为成对测试之间的相似性度量。