什么时候给出准确的 P 值是合适的，而不是写成例如 P<0.05（在 P 值不显着的情况下也是如此）？

作为一般准则，您希望尽可能多地传达有关结果的信息。当您将 p 值报告为 p=0.016 而不是 p<0.02 时，读者将对结果有更准确的看法。通常，与统计数据一起报告也很有帮助。例如，您可能会遇到类似这样的句子：“X 有一个积极的影响，系数，这是显着的 ( , )”$\beta_X = 0.5$$t = 2.6$$p = 0.017$。

当一个人只对严格的截止水平感兴趣（但通常截止水平是任意的）时，可以只报告在用上标表示重要性的图形或表格中也很常见，例如 , ,，在这种情况下，它用作缩写，以防止杂乱的图形和表格变得难以阅读。$p<0.05$$^\star: p < 0.05$${^\star}{^\star}: p < 0.01$${^\star}{^\star}{^\star}: p < 0.001$

代替 p 值，报告置信区间也越来越受欢迎。那么上面的句子会变成“There was a significant positive effect of X with a coefficient (95% confidence interval [0.099,0.901] )”$\beta_X = 0.5$。

如果我的 P 值为例如 0.016，我应该将其报告为 P=0.01 还是 P=0.02？

对 p 值进行四舍五入可能会产生错误的想法。但是，您可以四舍五入并使用不等号，例如。$P<0.02$

当我有一个非常小的 P 值（例如 0.00000013）时，是否适合将其报告为 P<0.000001，或者最好停止在例如 P<0.001？

合适的精度取决于应用。

通常不需要低于此外，更好的精度可能具有欺骗性，因为计算取决于几个假设，并且 p 值是可以高精度计算的估计值，但由于计算所依据的假设存在不确定性，因此并不真正具有那么高的精度。使用某些模型的计算可以以高精度执行，但这并不意味着该计算的结果应该被认为是精确的（也应该考虑由于错误模型引起的潜在错误）。$0.001$

在物理学等精确科学中，可以进行高精度测量并且存在强大的理论框架，更常见的是看到高精度 p 值。例如，在物理学的某些领域，人们希望显着性低于，这相当于 。$5\sigma$$p < 0.00000057$

1. 在实践中，人们报告确切的 p 值，然后声明假设检验是否具有统计显着性。大多数统计学家并不提倡这一点。如果目标是假设检验，那么报告 p 值是没有意义的，因为它不会使测试更显着，另一方面，如果分析结果不能归结为决策理论，那么确切的 p 值很重要方法。因此，如果听众不是统计学家，他们可能会认为你做错了。

2. p 值的有效数字很重要。首先，您必须遵循您的论文或出版物的任何风格指南。如果没有规则，则需要考虑分析的可变性。一般来说，如果没有模拟或引导，很难说 p 值有多“稳定”，但您经常会发现，即使进行大量分析，p 值也只能真正稳定到小数点后两位 - 因此报告3 位小数表示分析中不存在的精度水平。其次，如果存在预先指定的“alpha”级别，则需要显示足够的精度让读者知道是否 p < alpha。换句话说，如果 p = 0.04 或更低，p=0.05 需要两位小数的精度，但边界情况会变得很尴尬。你说 p = 0.049994 还是 p = 0。

3. 不要欺骗分析的偶然精度。按照上述规则使用预先指定的精度，并报告到最小的小数。分析的其他方面应该传达结果是多么惊人，“非常小的 p 值”本身并没有任何意义。永远不要报告 p = 0.00。